Un jour, un client m'appelle, franchement agacé : « Vous mettez de l'IA partout dans votre devis, mais concrètement, vous faites quoi ? Du machine learning ou de l'intelligence artificielle ? » J'ai mis dix secondes à répondre. Dix secondes de trop. Parce que la vraie réponse, c'est qu'il me demandait de distinguer le contenant du contenu, et que la plupart des articles sur le sujet entretiennent la confusion au lieu de la lever.
Alors clarifions. L'intelligence artificielle et le machine learning ne sont pas deux technologies concurrentes. L'une est un objectif, l'autre est une méthode pour l'atteindre. Et si vous confondez les deux, vous vous tromperez sur les compétences à recruter, le budget à prévoir et les délais à annoncer.
Points clés à retenir
- L'IA est le domaine global ; le machine learning n'en est qu'une famille d'approches parmi d'autres.
- Tout machine learning est de l'IA, mais toute IA n'est pas du machine learning. Cette asymétrie est le cœur du sujet.
- Un système à base de règles reste de l'IA, même s'il n'apprend rien.
- Le deep learning est un sous-ensemble du machine learning, pas un synonyme.
- Le choix entre règles et apprentissage se joue sur la quantité de données et le besoin d'explicabilité.
IA et machine learning : la différence en une phrase
L'intelligence artificielle désigne l'ensemble des techniques qui permettent à une machine de réaliser des tâches qu'on associe normalement à l'intelligence humaine : comprendre une phrase, reconnaître un visage, choisir un coup aux échecs, traduire un texte.
Le machine learning, ou apprentissage automatique, est une manière précise d'y parvenir : au lieu d'écrire les règles à la main, on montre des exemples à un programme et il en extrait lui-même les régularités.
Voilà. C'est tout. Le reste n'est que déclinaison.
Pourquoi tout le monde confond les deux
Parce que depuis quelques années, la quasi-totalité des avancées médiatisées en IA sont des avancées en machine learning. Les modèles de langage, la reconnaissance d'images, les recommandations de contenu : tout cela repose sur de l'apprentissage à partir de données. Le mot « IA » est devenu un raccourci commercial, et le raccourci a mangé la nuance.
Résultat : on parle d'« IA » pour vendre un logiciel qui fait tourner une régression logistique, et on parle de « machine learning » pour désigner un simple filtre de règles. Les deux sont faux.
Ce qui est de l'IA sans être du machine learning
Il faut remonter un peu. En 1956, la conférence de Dartmouth pose le terme « intelligence artificielle » et l'ambition qui va avec : simuler le raisonnement. À l'époque, on code des règles. Beaucoup de règles. Et ça marche, sur des périmètres étroits.
Ces systèmes existent toujours, et ils ne sont pas des reliques.
Les systèmes experts et l'IA symbolique
Un système expert, c'est une base de connaissances écrite par des humains plus un moteur qui en déduit des conclusions. Un logiciel de diagnostic médical des années 80 posait des questions, croisait les réponses avec des règles du type « si fièvre ET douleur abdominale à droite ALORS suspicion d'appendicite », et proposait une piste.
Aucune donnée d'entraînement. Aucun apprentissage. Et pourtant, c'est de l'IA au sens plein.
Les algorithmes de recherche et de planification
L'algorithme minimax, qui évalue les coups possibles aux échecs en explorant un arbre de décisions, n'apprend rien. Il calcule. Il a battu des joueurs humains bien avant l'arrivée des réseaux de neurones modernes.
Pareil pour les moteurs de planification, les solveurs de contraintes, les systèmes de navigation par plus court chemin. Règles, heuristiques, exploration. Pas un gramme d'apprentissage statistique.
- Un planificateur logistique qui optimise des tournées avec des règles fixes.
- Un chatbot à arbre de décision, avec des branches écrites à la main.
- Un moteur de recommandation basé sur des filtres explicites : « si l'utilisateur a acheté X, proposer Y ».
- Et les fameux systèmes experts dont je viens de parler.
Sur mon propre projet, j'ai longtemps maintenu un moteur de détection de fraude à base de règles. Vingt-trois règles, écrites en trois semaines, avec un expert métier dans la pièce. Il attrapait environ 70 % des cas litigieux. On est ensuite passé à un modèle supervisé : on est monté à 88 %, mais il a fallu huit mois, deux data scientists et une base d'historique propre. Le gain existait. Il coûtait cher.
Où se situe le machine learning dans l'ensemble
Reprenons l'image. L'IA est le domaine. À l'intérieur, plusieurs familles vivent côte à côte :
| Famille | Principe | Apprend des données ? |
|---|---|---|
| IA symbolique | Règles écrites par des humains | Non |
| Recherche et planification | Exploration d'un espace de solutions | Non |
| Machine learning | Régularités extraites d'exemples | Oui |
| Deep learning | Réseaux de neurones profonds, sous-ensemble du ML | Oui |
Ne vous laissez pas piéger par le mot « deep learning » : c'est une technique de machine learning, pas un troisième concept au-dessus des deux autres. Un réseau de neurones à dix couches et une régression linéaire appartiennent à la même famille ; ils diffèrent par la complexité et par le volume de données nécessaires.
Quand utiliser l'un plutôt que l'autre ?
Question pratique, et c'est là que la plupart des discussions tournent court. Voici comment je tranche, après quelques années à faire ce choix :
- Si la règle est stable, connue et vérifiable, écrivez-la. Un système à règles se débogue en cinq minutes.
- Si le phénomène évolue et que vous avez des exemples historiques en quantité, l'apprentissage devient rentable.
- Si l'explicabilité est une obligation légale ou contractuelle, méfiez-vous des modèles opaques. Une règle se défend devant un juge ; un réseau à 200 millions de paramètres, beaucoup moins.
- Et si vous n'avez pas de données propres, ne lancez rien.
Le point 4, je le répète parce qu'on me l'a souvent reproché : sans données labellisées, un projet de machine learning part en fumée. J'ai vu une équipe y consacrer onze mois et livrer un prototype inutilisable, faute d'historique exploitable. Les règles auraient fait mieux, plus vite.
Deep learning, IA symbolique : ce qu'il faut retenir
Une bonne façon de fixer les idées, c'est de regarder les poupées russes :
L'IA symbolique, elle, n'est pas dans la lignée du machine learning. Elle occupe une autre pièce de la même maison. On l'a parfois considérée comme dépassée, ce qui est une erreur : quand vous devez garantir qu'un système ne prendra jamais une décision interdite, une règle explicite fait mieux qu'un modèle probabiliste.
Machine learning, IA : quelle différence pour votre projet ?
Concrètement, la question à se poser n'est pas « quelle technologie est la plus avancée », mais « quelle technologie est la plus adaptée à mon problème ». Le machine learning apporte de la souplesse face à des phénomènes mouvants. L'IA à base de règles apporte de la lisibilité et de la prévisibilité. Et dans beaucoup de systèmes réels, les deux cohabitent : un moteur de règles pour la validation et les garde-fous, un modèle statistique pour le cœur du traitement.
C'est exactement le montage que nous avons retenu sur le projet de détection de fraude. Les vingt-trois règles d'origine n'ont pas disparu : elles servent aujourd'hui à bloquer certaines transactions avant même que le modèle soit consulté. Elles sont devenues le filtre d'entrée.
La frontière est plus floue qu'elle n'y paraît
J'aimerais vous dire que la séparation est nette. Elle l'est dans les définitions, moins dans les faits.
Un système de recommandation qui combine un score appris et des règles de filtrage : IA ou ML ? Les deux. Un assistant vocal qui transcrit avec un réseau de neurones puis applique une grammaire écrite à la main : idem.
Cette hybridation est la norme, pas l'exception. Et elle explique pourquoi les débats sur « est-ce vraiment de l'IA ? » finissent souvent en discussions de sémantique. Ce qui compte, sur le terrain, c'est de savoir ce que le système fait, avec quelles données, et avec quel niveau de contrôle humain. Le vocabulaire ne résout rien, il sert surtout à vendre.
Le jour où ce client m'a posé sa question, j'aurais dû répondre quelque chose comme : « On a mis de l'apprentissage automatique au centre, et des règles autour, parce qu'il faut pouvoir justifier certaines décisions ». C'était la vérité. C'était aussi moins vendeur que de dire « on fait de l'IA ».
Il n'empêche : une règle que vous comprenez vaut souvent mieux qu'un modèle que personne, y compris son auteur, ne sait expliquer. Le tout est de savoir quand franchir le pas — et ce jour-là, d'avoir les données pour le faire.
