Apprentissage automatique

Machine learning : apprendre à partir d’exemples plutôt que de règles écrites

L’apprentissage automatique regroupe les méthodes qui permettent à un programme d’améliorer ses résultats à partir d’exemples, sans qu’on lui écrive chaque règle. C’est la famille dont relèvent l’apprentissage profond et l’apprentissage par renforcement.

Une idée de 1959

Le terme apparaît dans le titre d’un article qu’Arthur Samuel, chercheur chez IBM, publie en 1959 sur un programme de jeu de dames. Ce programme, raconte-t-il, a appris en quelques heures de parties à mieux jouer que celui qui l’avait écrit. L’idée est restée la même : plutôt que de dicter chaque règle, on fournit des exemples, et la machine en tire elle-même la règle.

Trois manières d’apprendre

Avec des exemples déjà classés, le modèle apprend à reconnaître la bonne catégorie : courriel légitime ou indésirable, fichier sain ou malveillant. Sans aucune étiquette, il regroupe ce qui se ressemble et fait ressortir ce qui ne ressemble à rien. Par essais et récompenses enfin, il découvre une stratégie. L’apprentissage profond, qui empile des niveaux de calcul successifs, est une manière de réaliser chacune de ces trois approches.

Ce qu’il change en sécurité

Les filtres de messagerie l’emploient depuis longtemps. Les outils de détection s’en servent pour apprendre ce qui est habituel sur un réseau ou un poste, et signaler ce qui s’en écarte, même quand aucune signature d’attaque connue ne correspond. C’est ce qui permet de voir une connexion nocturne inhabituelle ou un compte qui se met soudain à lire des milliers de fichiers.

Il apprend aussi ce qu’on lui montre de faux

Un modèle ne vaut que par ses exemples. Des données incomplètes lui apprennent des angles morts ; des données trafiquées, un comportement voulu par quelqu’un d’autre. Et ce qu’il a déduit, il ne sait pas toujours l’expliquer : le résultat se vérifie, il ne se lit pas.

Mise à jour : 26 octobre 2026