Supervisé, non supervisé et par renforcement : la vraie différence

L'apprentissage automatique est souvent divisé en trois familles : supervisé, non supervisé et par renforcement. La distinction utile n'est pas le nom de l'algorithme mais le type de signal dont vous disposez pour apprendre. Faire correspondre la famille à vos données évite l'erreur courante de forcer une approche supervisée sur des données sans étiquettes.

Supervisé : vous avez des cibles étiquetées

En apprentissage supervisé, chaque exemple est accompagné d'une étiquette — ce que vous voulez prédire. Vous entraînez un modèle à associer les entrées à cette étiquette, puis à prédire l'étiquette pour de nouvelles entrées. L'exemple d'urgence des billets de soutien vu plus tôt est supervisé : chaque billet a une étiquette d'urgence oui/non, et vous prédisez l'urgence pour les nouveaux billets. L'apprentissage supervisé nécessite des données étiquetées, ce qui est souvent le goulot d'étranglement. Le guide de scikit-learn sur les estimateurs supervisés est une référence utile (scikit-learn : apprentissage supervisé).

Non supervisé : vous avez de la structure, pas d'étiquettes

En apprentissage non supervisé, vous avez des exemples mais pas d'étiquette cible. Le but est de trouver de la structure : des regroupements d'éléments similaires, des dimensions qui expliquent la variance, ou des anomalies qui se détachent. Par exemple, regrouper un catalogue de pistes en regroupements de profils audio similaires est non supervisé — vous n'avez pas d'étiquette de « regroupement correct ». Les méthodes non supervisées sont utiles pour l'exploration et l'ingénierie de variables, mais leur résultat est plus difficile à évaluer parce qu'il n'y a pas de vérité de référence pour comparer.

Par renforcement : vous avez une récompense issue d'actions

En apprentissage par renforcement, un agent prend des actions dans un environnement et reçoit des récompenses (ou des pénalités) au fil du temps. Le but est d'apprendre une politique qui maximise la récompense cumulée. Cela convient aux problèmes de décision séquentielle — comme un jeu ou une stratégie de recommandation — où les actions affectent les états futurs. Cela ne convient pas à une prédiction unique avec une étiquette fixe, et cela exige un environnement et un signal de récompense définis, ce que beaucoup de problèmes d'affaires n'ont pas.

Un exemple concret : choisir la famille

Supposons que vous ayez un catalogue de 5 000 pistes avec des caractéristiques audio mais sans étiquettes. Si vous demandez « quelles pistes sont similaires ? » vous êtes en territoire non supervisé — regroupement. Si vous étiquetez ensuite 500 d'entre elles comme « fort succès » ou « faible succès » d'après les performances passées, vous pouvez formuler un problème supervisé sur ces 500. Si vous voulez un système qui choisit séquentiellement quelle piste promouvoir chaque semaine et apprend des comptes d'écoutes, cela relève du renforcement — mais cela nécessite une récompense et une définition d'environnement claires. Les mêmes données peuvent soutenir différentes familles selon la question.

Erreurs courantes

Une erreur est de forcer l'apprentissage supervisé sur des données non étiquetées en inventant de faibles étiquettes. Une autre est de s'attendre à ce que des regroupements non supervisés soient significatifs sans les vérifier contre la connaissance du domaine. Une troisième est de tenter le renforcement là où une approche supervisée ou basée sur des règles plus simple résoudrait le problème avec bien moins de complexité.

Un exercice

Prenez un ensemble de données et écrivez trois questions à son sujet — une supervisée, une non supervisée, une par renforcement. Pour chacune, notez le signal dont vous auriez besoin (étiquettes, structure, récompense) et si vous l'avez réellement. Pour le parcours d'apprentissage plus large, voir les aperçus du programme d'IA appliquée ou le programme d'analyse de données.