L’apprentissage automatique consiste à ajuster un modèle sur des exemples pour qu’il produise une réponse utile sur des cas qu’il n’a pas vus. Vous ne rédigez pas la règle. Vous fournissez des données, un objectif, et une procédure qui cherche les réglages internes du modèle.
La définition opérationnelle, celle qu’on attend en entretien : un système dont le comportement est fixé par des données plutôt que par un code qui énumère les cas. Si vous savez déjà écrire la règle en dix lignes claires, ce n’est pas un problème d’apprentissage automatique — c’est un problème de logiciel.
Il ne veut pas « c’est de l’intelligence artificielle ». Il veut entendre trois choses, dans cet ordre.
Ce qui entre. Des exemples : une ligne, un dossier, une image, un historique. Chaque exemple porte des variables, et parfois une réponse connue.
Ce qui sort. Une prédiction, un score, un regroupement, une action recommandée. Quelque chose dont quelqu’un se sert pour décider.
Ce qui prouve que ça marche. Une mesure sur des cas réservés, pas sur ceux qui ont servi à ajuster. Sans cette réserve, vous avez seulement montré que le modèle sait recopier ce qu’on lui a montré.
Ce n’est pas un algorithme particulier. Une régression, un arbre, un réseau : ce sont des familles de modèles. L’apprentissage automatique est la méthode : collecter, cadrer, ajuster, mesurer, servir.
Ce n’est pas non plus « faire parler un modèle de langage ». Un grand modèle est un cas d’apprentissage automatique. La plupart des projets d’entreprise n’en sont pas : une table, une cible, une décision répétée.
« Et si je n’ai pas d’exemples étiquetés ? »
Alors vous n’êtes plus dans le cas le plus simple. Vous pouvez chercher une structure, fabriquer une tâche à partir des données brutes, ou décider que le bon outil n’est pas un modèle. La définition tient : sans données représentatives du problème, il n’y a rien à apprendre.
La phrase qui clôt bien : le machine learning remplace une règle trop coûteuse à écrire, pas une décision trop coûteuse à assumer.