IA, machine learning, deep learning : les différences

Ces trois termes ne sont pas des synonymes et ne sont pas non plus des concurrents : ils sont emboîtés comme des poupées russes. L'intelligence artificielle contient le machine learning, qui contient le deep learning. Et l'IA générative dont tout le monde parle est une branche du plus petit des trois.

L'emboîtement, une fois pour toutes

Intelligence artificielle
└── Machine learning (apprentissage automatique)
    └── Deep learning (apprentissage profond)
        └── IA générative, dont les modèles de langue

Chaque niveau est un sous-ensemble strict du précédent. Tout deep learning est du machine learning ; tout machine learning est de l'IA ; l'inverse est faux à chaque étage.

C'est pour cela qu'une phrase comme « nous utilisons de l'IA, pas du machine learning » n'a pas de sens, tandis que « nous utilisons du machine learning classique, pas du deep learning » en a beaucoup — et décrit d'ailleurs la majorité des systèmes en production.

L'intelligence artificielle : le terme le plus large

L'IA désigne tout système informatique qui accomplit une tâche que l'on associait au raisonnement humain. C'est une ambition, pas une technique.

Le point que presque tout le monde ignore : une grande partie de l'IA historique n'apprend rien du tout. Un système expert médical des années 1980, avec ses milliers de règles « si… alors » écrites à la main par des médecins, est de l'IA. Le programme qui a battu Kasparov aux échecs explorait des millions de positions selon des règles programmées. Le moteur de règles qui valide votre déclaration fiscale est de l'IA.

Ces systèmes ont une propriété que les modèles modernes ont perdue : ils sont entièrement explicables. On peut retracer exactement pourquoi la décision a été prise. Leur défaut est ailleurs, et il est fatal — quelqu'un doit écrire chaque règle. Pour reconnaître un chat sur une photo, personne n'a jamais réussi à écrire les règles.

Le machine learning : apprendre les règles à partir d'exemples

D'où le renversement. Au lieu d'écrire les règles, on montre des exemples et on laisse le programme trouver les règles lui-même.

La différence se voit mieux ainsi :

	Programmation classique	Machine learning
Ce qu'on fournit	les règles et les données	les données et les réponses
Ce qu'on obtient	les réponses	les règles, sous forme de modèle
Pour modifier le comportement	on réécrit le code	on fournit d'autres exemples

Concrètement, pour un filtre anti-spam : vous ne décrivez pas ce qui fait un spam. Vous fournissez cent mille courriels étiquetés « spam » ou « légitime », et l'algorithme repère lui-même les régularités.

Le machine learning classique — régression, arbres de décision, forêts aléatoires, gradient boosting, SVM — reste la technique majoritaire en entreprise, et pour de très bonnes raisons. Sur des données en tableau, ce qui décrit la plupart des problèmes réels — clients, transactions, stocks, capteurs —, un modèle d'arbres boostés est généralement plus précis qu'un réseau de neurones, s'entraîne en quelques minutes sur un ordinateur portable, et permet d'expliquer quelles variables ont pesé sur la décision.

Une caractéristique définit ce niveau : c'est un humain qui décide quoi regarder. Pour prédire un prix immobilier, un ingénieur choisit de fournir la surface, le nombre de pièces, le code postal, l'année de construction. Ce travail s'appelle l'ingénierie des caractéristiques, et il demande de connaître le métier.

Le deep learning : apprendre aussi quoi regarder

Le deep learning empile de nombreuses couches de neurones artificiels. Sa rupture n'est pas la performance brute, c'est ceci : le modèle apprend lui-même quelles caractéristiques extraire.

Sur une photo, personne n'indique où sont les contours, les textures, les formes. Les premières couches apprennent à détecter des contours, les suivantes des motifs, puis des parties d'objets, puis des objets. Cette hiérarchie n'est pas programmée, elle émerge de l'entraînement.

Ce que cela débloque, ce sont précisément les domaines où l'humain ne sait pas décrire ce qu'il regarde : images, son, texte, vidéo. Aucune liste de variables ne capture « ce qui fait un visage ».

Le prix à payer est réel et souvent passé sous silence :

• Beaucoup de données. Là où un arbre de décision se contente de quelques milliers d'exemples, un réseau profond en demande souvent des centaines de milliers.
• Du calcul. Cartes graphiques, temps, électricité.
• L'opacité. On sait que le modèle fonctionne, rarement pourquoi une décision précise a été prise. Dans un contexte réglementé — crédit, santé, recrutement — cette opacité peut être disqualifiante.

L'IA générative : la branche la plus visible

Les modèles classiques et profonds servaient longtemps à classer ou à prédire : ce courriel est-il un spam, quel sera le prix, y a-t-il une tumeur.

L'IA générative produit du contenu nouveau : du texte, une image, du code, du son. Techniquement, c'est du deep learning avec une cible différente — au lieu d'apprendre à séparer des catégories, le modèle apprend la distribution des données pour en tirer des échantillons plausibles.

Les modèles de langue, comme ceux qui font tourner les assistants conversationnels, font une chose remarquablement simple : prédire le mot suivant, encore et encore. Toute leur apparente compréhension émerge de cette tâche répétée à très grande échelle. C'est aussi ce qui explique leur faiblesse — ils optimisent la vraisemblance du texte, pas sa vérité.

Comment savoir lequel s'applique à votre problème

Un raisonnement en trois questions, dans cet ordre.

Les règles sont-elles connues, stables et peu nombreuses ? Écrivez-les. Un if bien placé est plus fiable, plus rapide et plus explicable que n'importe quel modèle. Beaucoup de projets d'IA n'auraient jamais dû en être.

Vos données sont-elles un tableau, avec des colonnes qui ont un sens métier ? Machine learning classique. Commencez par du gradient boosting. Vous aurez un résultat solide dans la journée et une référence pour juger tout le reste.

Vos données sont-elles brutes et non structurées — images, texte libre, son ? Deep learning. Et de préférence en partant d'un modèle pré-entraîné que vous adaptez, plutôt qu'en entraînant depuis zéro.

L'erreur la plus fréquente, et la plus coûteuse, consiste à sauter directement au troisième cas par effet de mode. Un réseau de neurones sur un tableau de 5 000 lignes sera plus lent à construire, moins précis et impossible à expliquer.

Questions fréquentes

Le deep learning est-il toujours meilleur ?

Non, et c'est un contresens répandu. Sur des données tabulaires de taille modeste, les arbres boostés le battent régulièrement. Le deep learning domine sur les données non structurées et les très grands volumes. « Plus récent » ne signifie pas « supérieur partout ».

Pourquoi dit-on « profond » ?

Parce qu'il y a de nombreuses couches successives. « Profondeur » désigne le nombre de couches empilées, pas une profondeur de compréhension.

ChatGPT, c'est de l'IA ou du machine learning ?

Les deux, forcément, puisque les termes sont emboîtés. Précisément : c'est un modèle de langue, donc de l'IA générative, donc du deep learning, donc du machine learning, donc de l'IA.

Un réseau de neurones ressemble-t-il au cerveau ?

Très vaguement, et l'analogie induit plus d'erreurs qu'elle n'en évite. Le neurone artificiel est une somme pondérée suivie d'une fonction simple. Les neurones biologiques sont infiniment plus complexes. Le nom est un héritage historique.

Quelle est la différence entre data science et machine learning ?

La data science est un métier qui couvre l'analyse, la visualisation, la statistique et la communication des résultats. Le machine learning est une famille de techniques, que la data science utilise parfois. Beaucoup de travail précieux en data science ne comporte aucun modèle prédictif.

Pour aller plus loin

Ces distinctions ne sont pas du vocabulaire : elles déterminent le choix de technique, et donc le coût et la fiabilité de ce que vous construisez. Notre cours d'introduction à l'IA est gratuit et parcourt les trois niveaux avec des exemples, le cours Machine Learning traite le niveau classique, et le cours Deep Learning montre avec des schémas ce que les couches apprennent réellement. Pour la branche générative, le cours sur les LLM explique la prédiction du mot suivant et ses conséquences.

Le réflexe utile à garder : demandez toujours « quelle est la méthode la plus simple qui pourrait suffire ». C'est la question que les équipes expérimentées posent en premier, et les débutants en dernier.