Machine learning et IA prédictive : définition et usages en entreprise

Qu’est-ce que le machine learning ?

Le machine learning, ou apprentissage automatique, est la branche de l’IA où un programme apprend à partir d’exemples au lieu de suivre des règles écrites. Le programme ajuste les paramètres d’un modèle jusqu’à obtenir des résultats pertinents de façon régulière.

On distingue deux grandes familles.

1. L’apprentissage supervisé. Le modèle apprend sur des exemples annotés du résultat attendu, par exemple des factures marquées « payée » ou « impayée ». Une prévision de demande ou un score de risque repose sur ce principe : le modèle apprend sur des cas passés dont il connaît l’issue.

2. L’apprentissage non supervisé. Le modèle cherche seul des similarités dans des données brutes, par exemple pour regrouper des clients aux comportements proches.

L’apprentissage profond (deep learning) utilise des réseaux de neurones à nombreuses couches. Selon la terminologie officielle, l’apprentissage automatique sert souvent au traitement du langage, à la vision par ordinateur, aux diagnostics et aux prévisions.

Machine learning, IA prédictive ou IA générative : quelle différence ?

Le machine learning est la méthode ; l’IA prédictive et l’IA générative en sont deux usages.

• L’IA prédictive estime une valeur ou une probabilité à partir de vos données : combien de commandes la semaine prochaine, quel risque d’impayé.

• L’IA générative produit un contenu : un texte, une image, du code. Les grands modèles de langage en font partie.

Ne confondez pas non plus machine learning et intelligence artificielle. Le règlement européen sur l’IA cite deux familles de techniques (considérant 12). Les approches d’apprentissage automatique apprennent à partir des données. Les approches fondées sur la logique et les connaissances raisonnent à partir de connaissances encodées.

Que change l’IA prédictive pour votre décision ?

• Sans historique fiable, pas de prévision fiable. Le modèle reproduit ce que contiennent vos données, erreurs et biais compris. Le NIST note que les données d’entraînement peuvent mal représenter le contexte d’usage (AI RMF 1.0, janvier 2023). Vérifiez la profondeur, la complétude et la cohérence de votre historique : c’est l’objet de la gouvernance des données.

• Un modèle vieillit. Quand vos clients, vos prix ou vos fournisseurs changent, les données d’hier décrivent mal aujourd’hui. Le même document du NIST relève que les systèmes d’IA demandent une maintenance plus fréquente. En cause : la dérive des données, du modèle ou des concepts. Budgétez le suivi et le réentraînement, pas seulement le développement.

• Une prévision donne une probabilité, pas une certitude. La décision tient au seuil d’action que vous fixez : à partir de quel score relancer un client, arrêter une machine ? Chiffrez le coût d’une fausse alerte et celui d’un cas manqué.

• Certains usages relèvent du haut risque. Un système qui sélectionne des candidats ou évalue la solvabilité de personnes physiques entre dans l’annexe III de l’AI Act. Pour la solvabilité, l’annexe exclut la détection de fraude financière. Les obligations de ces systèmes s’appliquent à partir du 2 décembre 2027.

• Mesurez le gain contre votre méthode actuelle. Comparez le modèle à la prévision que font déjà vos équipes, sur la même période. Le ROI vient du temps libéré ou des erreurs évitées, pas de la seule précision du modèle.

Exemple illustratif

Ce cas est fictif. Un distributeur de pièces détachées veut prévoir la demande de ses 8 000 références pour réduire ses ruptures. Son historique couvre quatre ans de ventes, mais les ruptures passées faussent les chiffres : un article absent du stock n’a rien vendu. L’équipe corrige d’abord ces trous. Elle teste ensuite un modèle sur la dernière année, qu’il n’a pas vue pendant l’apprentissage. Le modèle bat la méthode actuelle sur les références à forte rotation, pas sur les références rares. Le distributeur l’applique aux premières et garde l’avis de ses acheteurs pour les secondes.