IA, ML et Deep Learning – Concepts et terminologie de base

Bonne lecture et bon apprentissage ! Junior TSAFACK – 11/09/2026 ⏱️ Temps de lecture estimé : 12 minutes

L’intelligence artificielle (IA) est le domaine de l’informatique dédié à la résolution de problèmes cognitifs habituellement associés à l’intelligence humaine : apprendre, reconnaître des images, comprendre le langage. Le Machine Learning (ML) et le Deep Learning en sont des sous-ensembles. Ce premier chapitre pose le vocabulaire indispensable pour comprendre tout le reste du parcours — c’est aussi le premier domaine de l’examen AWS Certified AI Practitioner (AIF-C01), qui pèse 20 % du contenu noté.

IA, ML, Deep Learning : qui contient quoi

Ces trois termes sont souvent confondus alors qu’ils s’emboîtent :

Niveau	Définition	Exemple
Intelligence artificielle	Domaine large : tout système capable d’imiter une forme d’intelligence humaine.	Un chatbot, un système de recommandation, une voiture autonome.
Machine Learning	Sous-ensemble de l’IA : des algorithmes qui apprennent des schémas à partir de données, sans être programmés explicitement pour chaque cas.	Un modèle qui prédit le prix d’un bien immobilier à partir de ses caractéristiques.
Deep Learning	Sous-ensemble du ML : des réseaux de neurones à plusieurs couches, inspirés (grossièrement) du cerveau humain.	La reconnaissance d’images, la traduction automatique, les grands modèles de langage.

Le Machine Learning est la science qui consiste à développer des algorithmes et modèles statistiques que les systèmes utilisent pour effectuer des tâches complexes sans instructions explicites. On lui fournit des données connues (des caractéristiques, comme les colonnes d’un tableau ou les pixels d’une image), et l’algorithme ajuste ses paramètres internes jusqu’à produire de manière fiable la sortie attendue.

Le Deep Learning utilise des réseaux neuronaux : des couches de nœuds logiciels qui simulent le comportement de neurones biologiques — une couche d’entrée, une ou plusieurs couches cachées, une couche de sortie. Chaque nœud pondère l’importance de chaque caractéristique ; ces pondérations sont ajustées itérativement pendant l’entraînement pour minimiser l’erreur entre la sortie prédite et la sortie réelle.

💡 Pourquoi le Deep Learning a-t-il explosé récemment ? Le concept existe depuis des décennies, mais la puissance de calcul nécessaire n’était pas accessible à la plupart des organisations avant l’arrivée du cloud computing à faible coût. Le principal avantage : ces modèles n’ont pas besoin qu’on leur indique les caractéristiques pertinentes — ils les découvrent eux-mêmes dans les données brutes (images, texte, audio).

Inférence : la prédiction

Une fois un modèle entraîné, l’utiliser pour produire un résultat à partir de nouvelles données s’appelle l’inférence. Une inférence est une supposition éclairée : le modèle renvoie un résultat probabiliste, jamais une certitude absolue.

Il existe deux grandes façons d’exécuter une inférence :

Mode	Quand l’utiliser	Caractéristique
Temps réel	L’application doit répondre immédiatement (chatbot, détection de fraude en direct).	Un point de terminaison reste disponible en permanence ; coûteux mais réactif.
Par lots (batch)	On dispose de grandes quantités de données et on peut attendre le résultat (prévision mensuelle des stocks).	Les ressources de calcul ne tournent que pendant le traitement ; plus économique.

Les types de données utilisés par les modèles

Type de donnée	Description	Stockage typique sur AWS
Structurées	Lignes/colonnes, facile à interroger en SQL.	Amazon RDS, Amazon Redshift, puis export vers S3 pour l’entraînement.
Semi-structurées	Paires clé-valeur, attributs variables (JSON).	Amazon DynamoDB, Amazon DocumentDB.
Non structurées	Images, vidéos, texte libre, publications sociales.	Amazon S3, sous forme d’objets ; traitées via des techniques comme la génération de jetons (tokenization).
Séries chronologiques	Chaque enregistrement porte un horodatage, stocké de façon séquentielle.	Utile pour prévoir des tendances (charge serveur, ventes).

Amazon S3 reste la destination privilégiée pour l’entraînement : coût faible, capacité quasi illimitée, et compatibilité avec tout type de donnée.

Les trois grands styles d’apprentissage

Apprentissage supervisé

Le modèle est entraîné sur des données pré-étiquetées : on lui montre des exemples avec l’entrée et la sortie attendue (par exemple des images de poissons, étiquetées « poisson » ou « pas un poisson »). Le défi principal est le coût de l’étiquetage — c’est pour cela qu’AWS propose Amazon SageMaker Ground Truth, qui peut s’appuyer sur une main-d’œuvre externe (Amazon Mechanical Turk) pour étiqueter à grande échelle.

Deux grandes familles de problèmes supervisés :

Classification — la sortie est une catégorie discrète (binaire : « poisson / pas un poisson » ; multiclasse : type d’animal marin).
Régression — la sortie est une valeur continue (prix d’une maison, taille d’une personne). La régression linéaire relie une variable dépendante à une ou plusieurs variables indépendantes via l’équation y = mx + b ; la régression logistique, elle, prédit une probabilité entre 0 et 1 (utile pour la détection de fraude).

Apprentissage non supervisé

Les données ne sont pas étiquetées. L’algorithme découvre des structures par lui-même : regroupement (clustering — segmenter des clients par comportement d’achat) ou détection d’anomalies (repérer un capteur défaillant dont les valeurs sortent de la plage normale).

Apprentissage par renforcement

Un agent prend des actions dans un environnement pour maximiser une récompense, par essais et erreurs, sans données étiquetées. AWS DeepRacer en est l’illustration pédagogique : la voiture est l’agent, la piste est l’environnement, rester sur la piste et finir vite est la récompense.

Style	Données étiquetées ?	Objectif
Supervisé	Oui	Reproduire une sortie connue
Non supervisé	Non	Découvrir des structures cachées
Par renforcement	Non (mais objectif final défini)	Maximiser une récompense cumulée

Quand un modèle se trompe : surajustement, sous-ajustement, biais

Trois pathologies reviennent constamment dans l’examen et dans la pratique :

Le surajustement (overfitting) survient quand le modèle colle trop bien aux données d’entraînement et généralise mal à de nouvelles données. Il a mémorisé le bruit plutôt qu’appris la tendance de fond. La meilleure correction : entraîner sur des données plus diversifiées.

Le sous-ajustement (underfitting) est l’inverse : le modèle ne parvient même pas à bien coller aux données d’entraînement — souvent par manque de données ou d’entraînement suffisant.

Le biais apparaît quand un modèle traite différemment des groupes selon une caractéristique (âge, genre, origine) parce que les données d’entraînement ne représentaient pas ces groupes équitablement. Exemple classique : un modèle d’octroi de prêt qui n’a jamais vu de dossier approuvé pour un profil donné dans ses données d’entraînement apprend, à tort, que ce profil doit être refusé — même si son revenu et son historique justifieraient une approbation.

👉 Nous reviendrons en détail sur le biais et l’équité dans le module 4 sur l’IA responsable.

Points clés à retenir

L’IA contient le ML, qui contient le Deep Learning — chaque niveau est plus spécifique et plus gourmand en données/calcul que le précédent.
L’inférence est probabiliste ; elle peut se faire en temps réel (coûteux, réactif) ou par lots (économique, différé).
Les données existent sous forme structurée, semi-structurée, non structurée ou en séries chronologiques ; Amazon S3 est le point de passage quasi obligé avant l’entraînement.
Trois styles d’apprentissage : supervisé (données étiquetées), non supervisé (structures cachées) et par renforcement (récompense cumulée).
Surajustement, sous-ajustement et biais sont trois défauts distincts qui appellent des remèdes différents : diversifier les données, entraîner davantage, ou corriger la représentativité du jeu de données.

Glossaire

Terme	Définition
Inférence	Utilisation d’un modèle entraîné pour produire une prédiction à partir de nouvelles données.
Caractéristique (feature)	Propriété des données utilisée en entrée d’un modèle (une colonne, un pixel…).
Surajustement (overfitting)	Le modèle performe bien sur les données d’entraînement mais mal sur des données nouvelles.
Sous-ajustement (underfitting)	Le modèle ne capture pas la relation entre entrées et sorties, même sur les données d’entraînement.
Biais (bias)	Disparité de performance d’un modèle entre différents groupes démographiques.
SageMaker Ground Truth	Service AWS d’étiquetage de données d’entraînement, avec possibilité de main-d’œuvre humaine externe.
AWS DeepRacer	Maquette de voiture de course AWS pour s’initier à l’apprentissage par renforcement.

Prochain chapitre

Maintenant que le vocabulaire est posé, voyons où et comment l’IA apporte réellement de la valeur — et quels services AWS entièrement pré-entraînés permettent de démarrer sans construire son propre modèle.

👉 Chapitre 2 : Cas d’usage pratiques de l’IA et services AWS pré-entraînés

Junior TSAFACK – 11/09/2026