Machine Learning

Définition simple du machine learning : l'apprentissage automatique en français

Le machine learning, ou apprentissage automatique en français, désigne la capacité d'un ordinateur à apprendre par lui-même à partir de données, sans qu'un humain ait besoin de lui programmer chaque règle une par une. L'objectif principal est de permettre à une machine de repérer des régularités dans des informations et d'utiliser ces observations pour faire des prédictions, des classements ou des décisions sur de nouvelles situations qu'elle n'a jamais rencontrées.

Pour bien comprendre le principe, prenons une analogie simple : imaginez que vous voulez apprendre à un enfant à reconnaître des fruits. Plutôt que de lui expliquer « une pomme est ronde, rouge ou verte, avec une petite queue », vous lui montrez des dizaines d'exemples de pommes, de bananes, d'oranges. Progressivement, l'enfant va identifier lui-même un ensemble de règles qui lui permettront de reconnaître un fruit qu'il n'a jamais vu auparavant. Le machine learning fonctionne de la même façon : on fournit des exemples à un ordinateur, et celui-ci apprend à en extraire des schémas pour généraliser à d'autres cas.

Cette approche est au cœur de l'intelligence artificielle moderne et trouve aujourd'hui des applications dans de nombreux domaines du quotidien. On la retrouve dans les systèmes de recommandation de contenus, la détection automatique de fraudes bancaires, la reconnaissance vocale de nos assistants virtuels, l'analyse d'images médicales pour aider au diagnostic, ou encore la prévision de la demande dans les transports publics.

Pour les collectivités françaises, Plusieurs communes l'utilisent déjà pour optimiser la collecte des déchets, anticiper l'affluence dans les équipements publics ou encore prioriser les demandes administratives. Le deep learning, qui constitue une forme plus avancée d'apprentissage automatique, permet quant à lui de traiter des problèmes encore plus complexes, notamment en matière de reconnaissance d'images ou de traitement du langage naturel.

Définition technique : algorithmes et modèles de machine learning

Sur le plan technique, le machine learning consiste à entraîner un modèle sur un jeu de données pour qu'il apprenne des relations utiles entre des entrées et des sorties. Une fois cette phase d'apprentissage terminée, le modèle est utilisé en production pour faire une inférence, c'est-à-dire produire une prédiction ou une décision sur des données qu'il n'a jamais vues auparavant.

Le cycle classique comprend plusieurs étapes : préparation des données, choix d'un algorithme, entraînement, évaluation, puis déploiement et amélioration continue. La qualité du résultat dépend fortement de la qualité des données, du bon choix de l'algorithme, ainsi que des paramètres retenus pendant l'apprentissage.

Les algorithmes de machine learning les plus courants incluent la régression linéaire pour les prédictions numériques, les arbres de décision pour la classification, les forêts aléatoires qui combinent plusieurs arbres pour améliorer la robustesse, ou encore les machines à vecteurs de support (SVM) pour séparer des catégories complexes. Les réseaux de neurones constituent une famille d'algorithmes particulièrement puissante pour traiter des données non structurées.

Le machine learning regroupe plusieurs grandes familles d'apprentissage :

Le deep learning constitue un sous-ensemble du machine learning. Il repose sur des réseaux de neurones artificiels profonds capables de traiter des problèmes plus complexes, notamment en image, en audio ou en langage naturel. Le deep learning se distingue par sa capacité à apprendre automatiquement des représentations hiérarchiques des données, mais nécessite généralement plus de puissance de calcul et de données d'entraînement.

Définition juridique et réglementaire du machine learning

Lorsque des données personnelles sont utilisées dans le cadre du machine learning, le RGPD s'applique pleinement. Les recommandations de la CNIL, publiées en juillet 2025, rappellent que tout système d'IA fondé sur l'apprentissage automatique doit respecter plusieurs obligations : identifier clairement les finalités du traitement, choisir une base légale appropriée, documenter les choix algorithmiques, limiter les données utilisées au strict nécessaire, sécuriser les modèles et, si nécessaire, conduire une analyse d'impact relative à la protection des données. Les jeux de données d'entraînement et les modèles peuvent en effet intégrer ou mémoriser des informations relatives à des personnes physiques, ce qui nécessite une vigilance accrue sur la conformité.

Depuis 2024, l'AI Act européen complète ce cadre en classant les systèmes d'IA selon leur niveau de risque. Ce règlement impose des exigences renforcées pour les usages à risque élevé, notamment en matière d'explicabilité, de robustesse et de supervision humaine. Les collectivités et entreprises qui déploient des solutions de machine learning doivent désormais documenter leurs processus, garantir la transparence des décisions administratives et maintenir une gouvernance adaptée. En France, la loi pour une République numérique impose également aux administrations de plus de 50 agents de publier un inventaire de leurs principaux traitements algorithmiques et d'informer les personnes concernées par une décision algorithmique individuelle.

Le principal risque juridique concerne les biais algorithmiques. Si les données d'entraînement sont incomplètes, biaisées ou mal étiquetées, le modèle apprendra de mauvaises régularités et produira des résultats dégradés, voire discriminatoires. Le Défenseur des droits et la CNIL ont appelé à une mobilisation collective pour prévenir ces discriminations. Les data scientists jouent un rôle clé dans la conformité des modèles : ils doivent veiller à la qualité des données, évaluer la généralisation des modèles et assurer leur interprétabilité, notamment lorsque les décisions ont un impact sur des personnes. Cette responsabilité technique s'inscrit dans un cadre réglementaire qui place la transparence et l'égalité de traitement au cœur de l'analyse prédictive.

Cas d'usage : comment utiliser le machine learning dans les collectivités

Dans une collectivité ou une administration, les modèles de machine learning peuvent être utilisés pour automatiser des tâches répétitives et exploiter efficacement les données. Les agents publics bénéficient d'outils capables de classer automatiquement des courriers entrants, de prioriser des demandes citoyennes selon leur degré d'urgence, de détecter des anomalies dans les flux financiers ou de données métiers, ou encore d'anticiper certains besoins à partir de séries historiques. Grâce au machine learning, dès qu'il s'agit d'identifier des schémas dans des volumes importants de données répétitives, l'apprentissage automatique libère du temps pour les utilisateurs et améliore la qualité du service public.

Plusieurs collectivités françaises expérimentent concrètement ces technologies. Par exemple, certaines optimisent la gestion des déchets en prévoyant les volumes à collecter, d'autres anticipent l'affluence dans les transports en commun pour adapter l'offre en temps réel, ou encore développent la maintenance prédictive des infrastructures publiques (bâtiments, équipements techniques) en analysant les données de capteurs pour prévenir les pannes. Ces applications reposent sur différents types de machine learning (supervisé, non supervisé, semi-supervisé ou par renforcement) et permettent d'améliorer l'efficacité opérationnelle tout en maîtrisant les coûts. Au-delà du secteur public, le machine learning est également utilisé dans la finance (détection d fraude), le commerce (recommandations), l'industrie (maintenance prédictive), la santé (analyse d'images médicales) ou encore la vision par ordinateur et le traitement automatique du langage.