Cas d'usage pratiques de l'IA et services AWS pré-entraînés

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

L’IA n’est pas la solution à tous les problèmes. Ce chapitre couvre l’énoncé de tâche 1.2 de la certification AIF-C01 : reconnaître quand l’IA apporte réellement de la valeur, identifier le bon type de technique ML pour un cas donné, et connaître les services d’IA entièrement pré-entraînés d’AWS — souvent la meilleure option avant même d’envisager d’entraîner son propre modèle.

Quand utiliser l’IA — et quand s’en passer

L’IA excelle dans trois situations : traiter de très grands volumes de données à grande vitesse (détection de fraude en temps réel), automatiser des tâches répétitives et fastidieuses, et repérer des schémas ou anomalies invisibles à l’œil humain.

Elle est en revanche un mauvais choix dans certains cas :

Le coût dépasse le bénéfice. L’entraînement et le réentraînement consomment d’énormes ressources de calcul. Avant de se lancer, il faut chiffrer l’objectif (par exemple : réduire la fraude de X dollars) et le comparer au coût du projet.
Le déterminisme est requis. Un modèle de ML est probabiliste : à entrée identique, il ne garantit pas toujours la même sortie, et son raisonnement interne (surtout pour les réseaux neuronaux) est difficile à interpréter. Si une règle métier simple suffit — « un score de crédit ≥ 750 autorise automatiquement un prêt ≤ 10 000 $ » — un système basé sur des règles (déterministe) est préférable.
L’interprétabilité totale est une exigence réglementaire. Un modèle complexe est un compromis entre performance et explicabilité ; nous détaillerons ce compromis dans le module IA responsable.

Système basé sur des règles	Modèle de Machine Learning
Déterministe (même entrée → même sortie)	Probabiliste (varie légèrement selon l’apprentissage)
Facile à auditer et expliquer	Difficile à expliquer si le modèle est complexe
Ne s’améliore pas seul	Apprend et s’adapte avec de nouvelles données

Identifier le bon type de problème ML

Avant de choisir un algorithme, il faut savoir à quel type de problème on a affaire :

Vos données ont…	Type de problème	Exemples
Entrées + sorties étiquetées	Apprentissage supervisé	—
↳ sortie catégorique (discrète)	Classification binaire ou multiclasse	Spam / pas spam ; diagnostic médical (binaire) ; catégorie d’un document fiscal (multiclasse)
↳ sortie continue	Régression	Prédire un prix, une taille
Entrées sans sortie connue	Apprentissage non supervisé	—
↳ regrouper en catégories	Clustering	Segmentation de clients par comportement d’achat
↳ repérer les valeurs aberrantes	Détection d’anomalies	Capteur de température défaillant sur un puits pétrolier

Les services d’IA managés AWS : ne pas réinventer la roue

Avant de vous lancer dans l’entraînement d’un modèle personnalisé, la première question à vous poser est : « Existe-t-il déjà un service AWS pré-entraîné qui répond à mon besoin ? » Voici les principaux, classés par domaine.

Vision par ordinateur

Amazon Rekognition traite images et vidéos (y compris en streaming) : reconnaissance faciale (vérification d’identité contre une image de référence, avec score de confiance), détection et étiquetage d’objets, détection de contenu explicite ou violent pour la modération automatique, et reconnaissance d’objets personnalisés à partir de vos propres images étiquetées.

Amazon Textract va au-delà de l’OCR classique : il extrait texte, écriture manuscrite, formulaires et tableaux depuis des documents scannés, avec leur structure.

Traitement du langage naturel

Amazon Comprehend découvre des informations et relations dans du texte : analyse de sentiment (AWS l’utilise pour analyser les commentaires laissés aux examens de certification !) et détection d’informations personnelles identifiables (PII) — utile pour nettoyer des données d’entraînement avant de les utiliser.

Amazon Lex fournit la brique conversationnelle (voix et texte) des chatbots et des serveurs vocaux interactifs — c’est la même technologie qu’Alexa. DoorDash l’a utilisé pour remplacer un serveur vocal à touches, frustrant pour les clients, par une interface qui comprend le langage parlé.

Amazon Transcribe convertit la parole en texte (plus de 100 langues), utile pour le sous-titrage en direct. Amazon Translate traduit du texte entre 75 langues en s’appuyant sur le contexte complet de la phrase plutôt qu’une traduction mot à mot. Amazon Polly fait l’inverse : du texte vers une voix naturelle — le Washington Post et USA Today l’utilisent pour convertir leurs articles en audio.

Recherche, recommandation et fraude

Amazon Kendra est un moteur de recherche intelligent d’entreprise, capable de comprendre une question posée en langage naturel plutôt qu’une simple requête par mots-clés. Amazon Personalize génère des recommandations personnalisées (le fameux « vous pourriez aussi aimer »). Amazon Fraud Detector fournit des modèles pré-entraînés pour repérer la fraude sur les paiements, les faux comptes ou les prises de contrôle de compte.

Besoin	Service AWS
Reconnaissance faciale, modération d’image/vidéo	Amazon Rekognition
Extraire texte/tableaux d’un document scanné	Amazon Textract
Sentiment, détection de PII dans du texte	Amazon Comprehend
Chatbot vocal/texte	Amazon Lex
Voix → texte	Amazon Transcribe
Texte → voix	Amazon Polly
Traduction	Amazon Translate
Recherche intelligente d’entreprise	Amazon Kendra
Recommandations personnalisées	Amazon Personalize
Détection de fraude	Amazon Fraud Detector

💡 Cas réel — MasterCard : en entraînant un modèle de détection de fraude avec Amazon SageMaker, MasterCard a triplé le nombre de transactions frauduleuses détectées tout en divisant par 10 les faux positifs. En 2024, l’ajout de l’IA générative (le grand modèle de langage reçoit l’historique des transactions en tant qu’invite et évalue si le commerçant est cohérent avec les habitudes du client) a amélioré la détection de 20 % en moyenne.

Et si aucun service pré-entraîné ne suffit ?

Deux options, dans l’ordre croissant de coût et de complexité :

Amazon Bedrock — pour les cas d’usage d’IA générative, il donne accès à des modèles de fondation déjà entraînés (Amazon, Meta, startups spécialisées), personnalisables avec vos propres données ou via une base de connaissances (RAG — nous y reviendrons dans le module 2).
Amazon SageMaker — la gamme complète pour construire, entraîner et déployer des modèles personnalisés, avec des modèles open source pré-entraînés disponibles via SageMaker JumpStart comme point de départ.

Points clés à retenir

L’IA est pertinente pour les gros volumes de données, les tâches répétitives et la détection de schémas — mais un système basé sur des règles reste préférable quand le déterminisme ou une explicabilité totale sont exigés.
Reconnaître le type de problème (classification, régression, clustering, détection d’anomalies) oriente directement le choix de technique.
Avant d’entraîner un modèle personnalisé, vérifiez si un service d’IA managé AWS (Rekognition, Comprehend, Textract, Lex, Transcribe, Translate, Polly, Kendra, Personalize, Fraud Detector) couvre déjà le besoin.
Amazon Bedrock (IA générative pré-entraînée personnalisable) et Amazon SageMaker (modèles sur-mesure) sont les étapes suivantes si les services pré-entraînés ne suffisent pas.

Glossaire

Terme	Définition
Déterministe	Une même entrée produit toujours la même sortie (système basé sur des règles).
Probabiliste	Le résultat est une estimation qui peut varier ; caractéristique des modèles de ML.
PII	Informations personnelles identifiables (nom, adresse, numéro de carte…).
RAG	Retrieval Augmented Generation — enrichir un modèle génératif avec des données externes (voir module 3).

Prochain chapitre

Une fois le bon cas d’usage identifié, comment construit-on réellement un modèle, de la collecte de données jusqu’à sa surveillance en production ?

👉 Chapitre 3 : Le cycle de vie du Machine Learning — du pipeline au MLOps

Junior TSAFACK – 11/09/2026