Leçon 1 — De quelles mathématiques avez-vous besoin ?
La question est mal posée dans presque toutes les discussions sur le sujet. « Faut-il des maths pour l'IA ? » n'a pas de réponse unique, parce que trois métiers très différents portent le même nom.
Trois niveaux, trois métiers
Niveau 1 — utiliser des modèles. Vous appelez une API, vous utilisez un modèle pré-entraîné, vous construisez une application autour. Mathématiques nécessaires : presque aucune. Il faut comprendre qu'une sortie est une probabilité et qu'un seuil se choisit, rien de plus. Beaucoup de projets utiles s'arrêtent là, et il n'y a aucune honte à cela.
Niveau 2 — entraîner et évaluer des modèles. Vous préparez des données, vous entraînez, vous comparez, vous mettez en production. C'est le métier le plus répandu. Mathématiques nécessaires : l'intuition des trois branches de ce cours. Sans elles, vous appliquez des recettes et vous êtes désarmé dès que quelque chose se passe mal.
Niveau 3 — inventer des méthodes. Vous concevez des architectures, vous démontrez des propriétés, vous publiez. Mathématiques nécessaires : niveau universitaire solide — algèbre linéaire formelle, analyse, théorie de la mesure, optimisation convexe, théorie de l'information.
Ce cours vise le niveau 2, parce que c'est là que se trouvent la grande majorité des postes et la grande majorité des lecteurs.
Ce que l'absence de mathématiques vous coûte
C'est la partie honnête de cette leçon. On peut entraîner des modèles sans rien comprendre aux mathématiques : les bibliothèques s'en chargent. Mais quatre choses deviennent impossibles.
Diagnostiquer un entraînement qui ne marche pas. La perte ne descend pas, ou elle explose, ou elle descend puis remonte. Sans intuition du gradient et du taux d'apprentissage, vous ne pouvez que changer des réglages au hasard.
Repérer une métrique trompeuse. Un modèle à 99 % de précision sur un problème où la classe cible représente 1 % des cas peut n'avoir strictement rien appris. Sans les probabilités, ce chiffre vous rassure au lieu de vous alerter.
Comprendre pourquoi un modèle échoue en production. Le décalage entre les données d'entraînement et les données réelles s'exprime en termes de distributions. Sans ce vocabulaire, la panne reste mystérieuse.
Lire ce qui se publie. Le domaine avance vite et la connaissance circule dans des articles. Ne pas pouvoir les lire vous condamne à attendre qu'un billet de blog vous les résume, avec un an de retard et des approximations.
Beaucoup de gens échouent en commençant par les mathématiques, seuls, pendant six mois, avant de toucher à un modèle. C'est démoralisant et inefficace, car rien n'est motivé. La séquence qui fonctionne est inverse : entraînez d'abord un modèle simple, heurtez-vous à un problème, puis allez chercher la mathématique qui l'explique. Le concept s'ancre parce qu'il répond à une question que vous vous posiez.
Ce que vous pouvez ignorer, sans remords
Cette liste est aussi utile que la précédente, parce qu'elle vous économise des mois.
- Les démonstrations. Savoir qu'une propriété est vraie et pourquoi elle est utile suffit ; la démontrer relève du niveau 3.
- Le calcul à la main. Aucun praticien ne dérive un réseau ni n'inverse une matrice à la main. Les bibliothèques le font, mieux et sans erreur.
- La théorie de la mesure et l'analyse réelle. Indispensables pour publier en théorie de l'apprentissage, inutiles pour livrer un projet.
- La quasi-totalité de la trigonométrie. Elle apparaît dans quelques recoins, comme l'encodage positionnel des transformeurs, où l'intuition « une horloge qui tourne à plusieurs vitesses » suffit largement.
- L'algèbre abstraite. Groupes, anneaux, corps : hors sujet pour l'IA appliquée.
Les trois branches, et ce qu'elles servent à faire
Voici la carte que les quatre leçons suivantes détaillent.
| Branche | Ce qu'elle apporte | Où vous la rencontrez |
|---|---|---|
| Algèbre linéaire | représenter des données et les transformer par blocs | tout : un modèle est une suite de multiplications de matrices |
| Calcul différentiel | savoir dans quel sens modifier un paramètre pour réduire l'erreur | l'entraînement, la descente de gradient, la rétropropagation |
| Probabilités | exprimer une prédiction comme une distribution et raisonner sur l'incertitude | les sorties de modèle, les métriques, l'évaluation |
Trois branches, trois rôles distincts, et aucun recouvrement : l'algèbre linéaire dit comment les données sont écrites, le calcul différentiel dit comment on apprend, les probabilités disent ce que la réponse signifie.
Un conseil de méthode
Quand vous rencontrez un concept mathématique dans ce domaine, posez systématiquement trois questions :
- Quel problème résout-il ? Si vous ne savez pas répondre, vous mémorisez au lieu de comprendre.
- À quoi ressemble le cas le plus simple ? Un vecteur à deux composantes, une fonction d'une variable, une pièce de monnaie. L'intuition se construit en petite dimension et se transporte ensuite.
- Que se passe-t-il quand cela échoue ? Les cas dégénérés enseignent plus que les cas propres.
Cette discipline transforme un catalogue de formules en outils.
En trois phrases
Le niveau de mathématiques nécessaire dépend entièrement de votre objectif : presque aucun pour utiliser des modèles, une bonne intuition de trois branches pour les entraîner et les évaluer, un niveau universitaire complet pour en inventer. Ce cours vise le deuxième cas, qui correspond à la majorité des postes. L'absence de mathématiques ne vous empêche pas d'entraîner un modèle, elle vous empêche de diagnostiquer un échec, de repérer une métrique trompeuse et de lire ce qui se publie.
Suite — Leçon 2 : l'algèbre linéaire, la langue des données →