La révolution du machine learning expliquée par Gérard Biau, statisticien
Depuis le lancement de ChatGPT en novembre 2022, le grand public se trouve confronté à une profusion de termes techniques : machine learning, deep learning, LLM, dont les frontières restent souvent floues. Cette familiarité de façade avec le vocabulaire de l'intelligence artificielle masque, le plus souvent, une méconnaissance réelle des mécanismes qui la sous-tendent. L'intelligence artificielle n'est pourtant pas une invention récente : elle s'inscrit dans une histoire scientifique longue, jalonnée d'avancées décisives et de périodes de désillusion. Parmi ces avancées, le machine learning, ou apprentissage automatique, représente un tournant majeur. Héritier de la statistique, il s'est imposé comme paradigme dominant à partir des années 2000, porté par la conjonction de trois facteurs : l'essor d'Internet, l'explosion des données disponibles et la montée en puissance des capacités de calcul. Gérard Biau, agrégé de mathématiques, spécialiste des statistiques et du machine learning, professeur à Sorbonne Université et membre de l'Académie des sciences, explique comment cette innovation a transformé en profondeur la manière dont les algorithmes sont conçus et entraînés.
Des règles aux données : la révolution du machine learning
Longtemps, l’intelligence artificielle a reposé sur un principe de règles explicites : pour reconnaître un chat sur une image, il fallait en décrire précisément les caractéristiques : oreilles, moustaches, pattes. Héritée des années 1950, cette approche dite « symbolique » s’est rapidement heurtée à ses limites face à la complexité du réel. Le machine learning introduit une rupture décisive dans les années 2000 : plutôt que de programmer des règles, il consiste à exposer la machine à des données et à la laisser en extraire elle-même les régularités. Au cœur de cette transformation, les réseaux de neurones (des fonctions mathématiques composées d’opérations simples) ajustent leurs paramètres pour associer correctement des données à des résultats. Cette inversion de logique constitue une révolution méthodologique dont les effets irriguent aujourd’hui l’ensemble des secteurs.
L’IA au service de la recherche scientifique
Au-delà des usages grand public, l’intelligence artificielle transforme en profondeur les pratiques de recherche. Elle permet d’explorer des masses de données considérables, de formuler des hypothèses et d’accélérer certaines étapes du travail scientifique. Gérard Biau en témoigne : il mobilise des outils comme ChatGPT ou Claude comme des partenaires de travail, pour interroger la littérature, préciser une problématique ou ouvrir de nouvelles pistes. Cette interaction reste toutefois exigeante : sans maîtrise du domaine, l’outil perd toute pertinence. Le rôle du chercheur demeure central, il formule les questions, évalue les réponses, les critique et les met en perspective. L’intelligence artificielle assiste ; elle ne se substitue pas.
Former à l’IA : un enjeu qui dépasse l’université
L’essor rapide de ces technologies pose enfin la question de leur transmission. Former à l’intelligence artificielle ne se limite pas à l’apprentissage d’outils : il s’agit de développer une compréhension des mécanismes en jeu, de leurs limites, ainsi qu’un esprit critique face à leurs résultats. Les enjeux sont multiples : fiabilité des modèles, capacité de généralisation, coût énergétique, impact sur les pratiques professionnelles et scientifiques.
L'intelligence artificielle pour les sciences est un événement de l'Académie des sciences. Pour visionner la conférence, cliquez ici.
Pour en savoir plus sur l'intelligence artificielle, Gérard Biau recommande :
- Le pôle de la Sorbonne dédié à l'intelligence artificielle
- La chaîne YouTube 3Blue1Brown
- Les cours en ligne "Elements of AI"
