Comprendre l’IA (2/4) : Comment les IA apprennent (vraiment)

(Supervised learning)

L’apprentissage supervisé consiste à entraîner un modèle à partir de données étiquetées.
Chaque exemple d’entraînement indique la “bonne réponse”, permettant à la machine d’apprendre par imitation.

Exemple : des milliers d’images de chats et de chiens pour qu’un modèle sache ensuite les reconnaître.

(Unsupervised learning)

Ici, le modèle apprend sans connaître les réponses.
Il cherche à identifier des structures cachées dans les données : groupes, similarités, tendances.

Exemple : regrouper des clients selon leurs comportements d’achat, sans labels prédéfinis.

(Reinforcement learning)

L’IA apprend en expérimentant et en recevant des récompenses ou des punitions selon ses actions.
Elle développe ainsi une stratégie pour maximiser sa “récompense” sur le long terme.

Exemple : un robot qui apprend à marcher, ou une IA qui devient championne d’échecs.

(Reinforcement Learning from Human Feedback)

Technique utilisée pour entraîner des modèles comme ChatGPT.
L’IA apprend via un retour humain : les utilisateurs ou évaluateurs notent la qualité des réponses, et ces retours guident l’algorithme.

Résultat : des réponses plus naturelles, utiles et adaptées au contexte.

Le modèle réutilise les connaissances acquises sur une tâche pour en apprendre une nouvelle plus rapidement.
Utile quand on dispose de peu de données dans un nouveau domaine.

Exemple : un modèle entraîné à reconnaître des animaux peut servir de base pour reconnaître des véhicules.

(Self-supervised learning)

Le modèle génère lui-même ses propres étiquettes à partir de données non annotées.
Il apprend en prédissant des parties manquantes (mot caché, portion d’image, etc.).

C’est une approche clé derrière les grands modèles de langage comme GPT.

(Federated learning)

Les modèles s’entraînent directement sur les appareils des utilisateurs (smartphones, objets connectés…), sans centraliser les données.

Seuls les paramètres du modèle sont partagés, pas les données personnelles.
Objectif : apprentissage collaboratif et respect de la vie privée.

(Continual learning)

Le modèle continue d’apprendre après son déploiement, sans oublier ce qu’il savait déjà.

Objectif : s’adapter à de nouvelles situations ou données sans tout réentraîner.
Exemple : une IA médicale qui intègre de nouveaux cas sans perdre la précision acquise.

(Machine unlearning)

Permet de “faire oublier” certaines données à un modèle sans tout recommencer.
Essentiel pour corriger des erreurs, supprimer des données personnelles ou respecter le droit à l’oubli.

L’IA apprend… mais peut aussi désapprendre !