L’intelligence artificielle comprend différentes techniques de reconnaissance, de prédiction et de planification. L’apprentissage automatique extrait des régularités des données au lieu de reposer uniquement sur des règles explicites. La couverture montre un robot conceptuel, non le schéma d’un modèle d’IA ou un produit identifié.
Apprendre à partir d’exemples
En apprentissage supervisé, les exemples comportent des étiquettes ou des résultats attendus. Un algorithme ajuste le modèle pour réduire les erreurs mesurées par un objectif. Un classificateur de courriels indésirables peut ainsi apprendre à partir de messages étiquetés.
Trouver une structure sans étiquettes
L’apprentissage non supervisé cherche une structure dans des données non étiquetées. Il peut regrouper des exemples similaires ou repérer des relations. Cela diffère de l’attribution d’une bonne étiquette à chaque exemple ; le choix dépend de la question et des données disponibles.
Les régularités ne garantissent rien
L’Administration américaine des services généraux explique que l’IA combine données et algorithmes. Les choix humains de collecte et de préparation comptent, et des biais peuvent subsister. Il faut donc évaluer la sortie pour la tâche visée : un résultat convaincant ne prouve pas à lui seul sa justesse.




Discussion