Qu'est-ce que l'IA et le ML ?

Une banque veut signaler les transactions frauduleuses par carte. L'ancienne méthode consistait à écrire des règles : bloquer tout achat au-dessus de 5 000 €, bloquer deux achats depuis deux pays en moins d'une heure, et ainsi de suite. Les fraudeurs apprennent les règles et passent juste en dessous, donc l'équipe empile les règles jusqu'à ce que plus personne ne comprenne le système. Les motifs qui signalent vraiment la fraude sont subtils, mouvants, enfouis dans des millions de transactions. Aucun humain ne peut tous les écrire.

C'est le vide que comble le machine learning. Au lieu d'écrire les règles vous-même, vous montrez à un système de nombreuses transactions passées étiquetées « fraude » ou « légitime », et il dégage le motif tout seul. Ce basculement, écrire les règles cède la place à les apprendre à partir des données, résume toute l'idée du domaine sur lequel repose cet examen. Cette leçon vous donne le vocabulaire dont dépend le reste du cours.

Ce qu'est l'intelligence artificielle

L'intelligence artificielle est le terme parapluie qui couvre toute technique faisant accomplir à une machine des tâches qui exigent normalement une intelligence humaine. AWS décrit l'IA comme « un terme générique pour différentes stratégies et techniques qui rendent les machines plus proches de l'humain ». Cela inclut reconnaître un visage sur une photo, comprendre une question posée à l'oral, recommander un film ou conduire une voiture.

L'IA est volontairement large. Elle couvre les systèmes à base de règles (logique écrite à la main), les algorithmes de recherche et le machine learning, entre autres. Le point clé pour l'examen : tout ce qu'on appelle IA n'apprend pas des données. Un thermostat qui suit un programme fixe est un simple système à base de règles. C'est de l'automatisation, on peut le ranger sous l'IA, mais ce n'est pas du machine learning, parce que rien en lui ne s'améliore avec l'expérience.

Ce qu'est le machine learning

Le machine learning est la branche de l'IA qui apprend des motifs à partir des données au lieu de suivre des règles écrites à la main par un développeur. AWS le définit comme « la science qui consiste à développer des algorithmes et des modèles statistiques que les systèmes informatiques utilisent pour accomplir des tâches complexes sans instructions explicites », en s'appuyant plutôt sur « des motifs et l'inférence ».

Retenez cette formule : sans instructions explicites. En programmation classique, vous écrivez la logique et l'ordinateur la suit. En machine learning, vous fournissez des données et les résultats attendus, et le système produit la logique. Prenez le filtrage des spams. L'approche par règles est une liste du type « bloquer tout email contenant 'argent gratuit' ». L'approche ML consiste à donner au système des milliers d'emails déjà marqués spam ou non spam, et à le laisser apprendre quelles combinaisons de mots, d'expéditeurs et de motifs prédisent le spam. Quand le spam évolue, vous réentraînez sur de nouveaux exemples au lieu de réécrire des règles.

C'est le marché sur lequel repose tout le domaine : vous renoncez au contrôle direct de la logique, et en échange vous obtenez un système capable de gérer des motifs trop complexes ou trop changeants pour être écrits.

Comment IA, ML, deep learning et IA générative s'articulent

Ces quatre termes ne sont pas quatre choses séparées. Ils s'emboîtent les uns dans les autres, du plus grand au plus petit, et l'examen testera si vous connaissez l'ordre.

• L'intelligence artificielle est l'anneau le plus extérieur. Toute technique qui fait agir les machines de façon intelligente y a sa place.
• Le machine learning se loge dans l'IA. C'est le sous-ensemble qui apprend des données. Tout machine learning est de l'IA, mais toute IA n'est pas du machine learning.
• Le deep learning se loge dans le ML. C'est le sous-ensemble qui utilise des réseaux de neurones à nombreuses couches (la prochaine leçon le détaille). Tout deep learning est du machine learning.
• L'IA générative se loge dans le deep learning. C'est le sous-ensemble qui crée du contenu inédit : texte, images, son, code. Toute IA générative est du deep learning.

Lisez les anneaux de l'intérieur vers l'extérieur et chacun « est une sorte de » l'anneau qui l'entoure. L'IA générative est une sorte de deep learning, qui est une sorte de machine learning, qui est une sorte d'IA. L'IA agentique, que vous rencontrerez plus loin, s'appuie sur l'IA générative en laissant les modèles planifier et agir, donc elle vit près du centre elle aussi.

L'erreur courante est de traiter ces termes comme des rivaux (« dois-je utiliser l'IA ou le ML ? »). Ce ne sont pas des alternatives. Quand vous utilisez l'IA générative, vous utilisez les quatre couches d'un coup.

Le vocabulaire de base : modèle, algorithme, entraînement, inférence

Quatre mots reviennent sur presque chaque page de ce cours. Apprenez-les une bonne fois ici.

Un algorithme est la procédure qui apprend à partir des données. C'est la recette, comme « la régression linéaire » ou « un réseau de neurones ». Vous choisissez un algorithme avant d'avoir un modèle.

Un modèle est ce que vous obtenez après qu'un algorithme a appris de vos données. C'est l'artefact entraîné qui contient les motifs appris et transforme de nouvelles entrées en prédictions. L'algorithme est la recette ; le modèle est le gâteau que vous avez cuit avec vos ingrédients précis.

L'entraînement est la phase où l'algorithme traite vos données et produit le modèle. C'est en général la partie lourde en calcul, faite en amont. Vous entraînez un modèle de fraude pendant la nuit sur les transactions de l'année passée.

L'inférence est la phase où le modèle terminé fait des prédictions sur de nouvelles entrées jamais vues. Quand une transaction en direct arrive et que le modèle la note comme fraude ou non, c'est de l'inférence. Une leçon entière plus loin couvre les différentes façons d'exécuter l'inférence, parce que ce choix pilote le coût et la latence en production.

Gardez l'entraînement et l'inférence séparés dans votre tête. L'entraînement construit le modèle ; l'inférence l'utilise. Beaucoup de questions d'examen se jouent sur la phase à laquelle appartient une activité décrite.

Deux autres termes complètent le glossaire de base, et chacun aura sa propre profondeur plus loin dans le cours. Le biais est une erreur systématique qui rend un modèle injuste ou inexact pour certains groupes. L'équité est l'objectif d'un modèle qui traite les différents groupes de façon équitable. Les deux relèvent du domaine de l'IA responsable, alors reconnaissez-les simplement pour l'instant.

Quand le machine learning est le bon outil (et quand il ne l'est pas)

Le machine learning est puissant, mais il n'est pas la réponse à tout, et l'examen récompense ceux qui font la différence. Tournez-vous vers le ML quand trois choses sont vraies : le motif est trop complexe ou changeant pour être écrit sous forme de règles, vous avez assez de données pertinentes pour apprendre, et une prédiction approchée est acceptable au lieu d'une réponse exacte garantie.

La détection de fraude, la recommandation de produits et la prévision de la demande cochent toutes ces cases. Les motifs sont désordonnés, les données abondantes, et une bonne prédiction est vraiment utile même quand elle se trompe de temps en temps.

Passons au revers. Si vous devez calculer la TVA, n'utilisez pas le machine learning. La TVA est une règle fixe, la réponse doit être exacte, et un modèle « précis à 97 % » sur la TVA est un système cassé. Quand la logique est simple et connue, et que la sortie doit être prouvée correcte à chaque fois, écrivez la règle. Le ML échange l'exactitude contre la capacité à gérer la complexité, et cet échange n'a de sens que quand la complexité est réelle.

Conseils pour l'examen

L'examen sonde les frontières entre ces termes bien plus que les définitions elles-mêmes.

• Quand une question énumère IA, ML, deep learning et IA générative et interroge leur lien, la réponse est presque toujours l'ordre d'emboîtement (chacun est un sous-ensemble du précédent). Rejetez toute option qui les rend séparés ou qui inverse l'emboîtement.
• Guettez les mots « apprend des données » ou « sans règles explicites ». Ils pointent vers le machine learning, pas vers l'IA simple ni l'automatisation à base de règles.
• Si un scénario exige une sortie exacte garantie (TVA, calcul légal, règle métier fixe), l'examen veut vous voir dire que le ML n'est pas adapté. L'indice est une formule comme « un résultat précis est requis » plutôt qu'une prédiction.
• Ne confondez pas « algorithme » et « modèle ». L'algorithme se choisit avant l'entraînement ; le modèle est produit par l'entraînement.

L'idée à emporter : le machine learning remplace les règles écrites à la main par des motifs appris à partir des données, et il se loge dans le champ plus large de l'IA tout en contenant le deep learning et l'IA générative. Chaque leçon suivante s'appuie sur cet emboîtement, en commençant par les réseaux de neurones qui rendent le deep learning possible.