Quand il ne faut pas utiliser l'apprentissage automatique

L'apprentissage automatique est puissant, et cela pousse à y recourir en premier. Mais un modèle n'est pas toujours le bon outil. Certains problèmes se résolvent mieux avec des règles explicites, des heuristiques ou de simples statistiques — des approches moins coûteuses, plus transparentes et plus faciles à maintenir. Reconnaître ces cas avant de construire un modèle économise des efforts et évite des systèmes plus difficiles à expliquer que la règle qu'ils remplacent.

Quand les règles sont meilleures

Si la logique de décision est entièrement connue et stable, encodez-la en règles. Une règle de fraude comme « bloquer les transactions de plus de 10 000 $ depuis de nouveaux appareils dans un nouveau pays » est explicite, auditable et facile à mettre à jour. Un modèle entraîné pour approximer cette règle serait moins transparent et ajouterait du coût de maintenance sans valeur. Les règles gagnent aussi quand le coût d'une mauvaise prédiction est élevé et la logique est critique pour la sécurité : on veut pouvoir expliquer exactement pourquoi une décision a été prise.

Quand de simples statistiques sont meilleures

Si la question est « quel est le compte moyen d'écoutes sur 14 jours pour les pistes pop ? » vous n'avez pas besoin d'un modèle — vous avez besoin d'une moyenne par groupe. Un modèle ajouterait de la complexité pour répondre à une question qu'une seule requête SQL ou un groupby pandas répond directement. Le guide de scikit-learn note qu'un modèle de référence difficile à battre est un signal qu'un modèle peut ne pas être nécessaire (scikit-learn : apprentissage supervisé).

Quand les données sont trop rares ou trop bruitées

Un modèle a besoin d'assez d'exemples pour trouver une régularité qui généralise. Avec 50 lignes et une cible bruitée, un modèle surapprendra et ses prédictions seront peu fiables ; une simple moyenne ou la règle d'un expert du domaine sera plus digne de confiance. Si l'étiquette est peu fiable — par exemple, un indicateur affecté par de nombreux facteurs confondants — le modèle apprend l'indicateur, pas le signal sous-jacent.

Un exemple concret

Supposons qu'une équipe veuille prédire quels billets de soutien dépasseront leur cible de temps de réponse. Elle a 80 billets. Une règle basée sur l'âge du billet et la longueur de la file attrape 60 % des dépassements et est facile à expliquer. Un modèle de boosting sur les mêmes 80 billets pourrait atteindre 62 % en validation mais est plus difficile à expliquer et peut ne pas généraliser. Ici, la règle est le meilleur choix : le gain marginal du modèle ne justifie pas la complexité, et l'équipe peut raisonner sur la règle quand elle échoue.

Erreurs courantes

Une erreur est d'utiliser un modèle là où une règle existe déjà et fonctionne. Une autre est d'utiliser un modèle pour répondre à une question que de simples statistiques répondent directement. Une troisième est de construire un modèle sur des données rares et bruitées et de faire confiance à ses prédictions sans tenir compte de leur incertitude.

Un exercice

Prenez un problème que vous supposiez nécessiter un modèle. Notez la règle ou statistique la plus simple qui pourrait le traiter. Mesurez ce modèle de référence. Ce n'est que si un modèle le bat clairement — d'assez pour justifier la complexité — que vous passez au modèle. Pour le parcours d'apprentissage plus large, voir les aperçus du programme d'IA appliquée ou le programme d'analyse de données.