Leçon 3 — IA, machine learning et deep learning
Ces trois termes sont employés indifféremment dans la presse et ils ne sont pas du tout interchangeables. Ils sont emboîtés, comme des poupées russes, et savoir duquel on parle indique ce qu'un projet va coûter.
Les trois cercles
L'intelligence artificielle est le cercle le plus extérieur : l'objectif de faire accomplir des choses intelligentes à des machines, par n'importe quel moyen. Elle englobe le machine learning et aussi des approches plus anciennes — les systèmes experts de la leçon 1, les algorithmes de recherche, la planification automatique. Un moteur d'échecs qui explore les coups par force brute, sans rien apprendre, est encore de l'IA.
Le machine learning est le sous-ensemble dominant : la machine déduit ses règles d'exemples. C'est là que se situe à peu près tout ce qu'on appelle IA en 2026.
Le deep learning est une branche du machine learning qui utilise des réseaux de neurones à nombreuses couches empilées. Il domine dès que les données sont brutes et non structurées — images, son, texte.
L'IA générative est un usage du deep learning qui produit un contenu nouveau plutôt qu'une étiquette. ChatGPT, Claude, Midjourney et Stable Diffusion vivent tous ici.
La distinction qui compte vraiment en pratique
Au-delà de la taxinomie, une différence décide de la façon dont un projet se déroule : qui invente les variables explicatives.
Machine learning classique : vous décrivez, il décide
Supposons que vous vouliez prédire si un client va résilier. Vous fournissez au modèle un tableau que vous avez construit vous-même : ancienneté en mois, nombre de tickets au support, dépense mensuelle moyenne, date de dernière connexion. Le modèle apprend à pondérer ces colonnes. C'est vous qui avez choisi les colonnes qui comptent.
Cela s'appelle le feature engineering, et dans le machine learning classique, c'est là que se trouvent l'essentiel du travail et l'essentiel de la valeur. Un expert du métier qui sait que « trois tickets au support en une semaine » est le vrai signal d'alarme battra chaque fois un expert médiocre équipé d'un meilleur algorithme.
Deep learning : il trouve les variables tout seul
Supposons maintenant que vous vouliez détecter une tumeur sur un scanner. Il n'y a pas de tableau. Il y a des pixels. Personne ne sait écrire les colonnes, et demander à un radiologue d'énumérer les indices visuels qu'il utilise ramène tout droit au paradoxe de Polanyi de la leçon 1.
Un réseau profond construit lui-même les représentations intermédiaires, couche par couche. Examiner un réseau de vision entraîné révèle une progression frappante : les premières couches réagissent aux contours et aux orientations, les couches intermédiaires aux textures et aux formes simples, les couches profondes à des objets entiers. Personne n'a programmé cette hiérarchie. Elle a émergé des données.
C'est le véritable superpouvoir du deep learning, et aussi la source de son coût.
| Machine learning classique | Deep learning | |
|---|---|---|
| Type de données | tableaux, colonnes, structuré | images, son, texte, brut |
| Variables explicatives | vous les concevez | le modèle les découvre |
| Volume de données nécessaire | des centaines à des milliers de lignes | des dizaines de milliers à des millions |
| Matériel d'entraînement | un portable ordinaire | un GPU, parfois plusieurs |
| Temps d'entraînement | secondes à minutes | heures à semaines |
| Explicabilité | souvent lisible, parfois totalement | très difficile |
| Précision typique sur des tableaux | souvent meilleure | rarement meilleure |
L'erreur que font les débutants
Parce que le deep learning fait les gros titres, le réflexe est de dégainer un réseau de neurones à chaque fois. Sur des données tabulaires — les tableurs qui constituent l'essentiel de l'information d'une entreprise — c'est en général le mauvais choix.
Sur des tableaux structurés, les ensembles d'arbres à gradient boosté comme XGBoost ou LightGBM battent régulièrement les réseaux de neurones, s'entraînent en secondes au lieu d'heures, tournent sur n'importe quelle machine et produisent une liste lisible des colonnes qui ont pesé sur la décision. Ce n'est pas du folklore : cela se vérifie sur la plupart des comparatifs publiés sur des problèmes tabulaires.
Des données brutes et non structurées — pixels, formes d'onde audio, texte libre — appellent le deep learning, parce que personne ne peut fabriquer les variables à la main. Des tableaux structurés appellent d'abord un ensemble d'arbres. S'il suffit, et c'est très souvent le cas, vous avez économisé des semaines de travail et conservé un modèle que vous pouvez expliquer à un auditeur.
Où se situent les modèles de langage
Un grand modèle de langage relève du deep learning, bâti sur une architecture particulière appelée transformeur, introduite en 2017. Ce qui lui donne un air différent des IA antérieures n'est pas le principe sous-jacent mais deux faits d'échelle :
- Il a été entraîné sur un corpus mesuré en milliers de milliards de mots, une tranche substantielle de l'écrit humain accessible publiquement.
- Il compte des centaines de milliards de paramètres, assez de capacité pour retenir des régularités très fines de ce corpus.
Son objectif d'entraînement est fameusement simple : prédire le mot suivant. Tout le reste — répondre à des questions, écrire du code, traduire, résumer — est un effet de bord du fait de faire cette unique chose extrêmement bien, à une échelle énorme. Le cours de découverte sur les LLM déplie tout cela proprement.
En trois phrases
L'IA est l'objectif, le machine learning est la méthode dominante, et le deep learning est la branche du machine learning qui traite les données brutes en découvrant ses propres variables. La ligne de partage pratique est de savoir qui invente ces variables : vous en machine learning classique, le réseau en deep learning. Dégainez le deep learning sur les images, le son et le texte, et commencez par un ensemble d'arbres sur les tableaux, où il gagne le plus souvent de toute façon.