Faragiri
Français

Apprendre le machine learning l'IA

Un modèle qui ne signalerait aucune panne obtient presque le même score que celui qui marche. Séparer les deux erreurs est l'endroit où ce sujet commence.

6Sections
7Min de lecture
2Profondeur

Une chaudière sur vingt tombe en panne dans l'hiver, et un modèle qui n'en signalerait aucune obtiendrait 94,0 % de bonnes réponses. Celui qui a été payé pour les prévoir en obtient 94,1 %. Tant que la mesure est ce seul nombre, les deux se valent, et c'est par là que ce sujet commence.

Sonia Rey suit le patrimoine d'un bailleur social à Saint-Étienne, 4 200 logements et autant de chaudières individuelles. Une panne en janvier, c'est une famille sans chauffage et une intervention en urgence le soir. Une visite préventive pour rien, c'est un technicien immobilisé une heure. Les deux sont des erreurs et elles ne se paient pas dans la même monnaie.

Les deux erreurs, comptées à part

Sur les 900 chaudières que le modèle a examinées pendant une saison de chauffe, 812 étaient saines et n'ont pas été signalées, 34 étaient saines et ont été signalées, 19 allaient tomber en panne et sont passées inaperçues, et 35 allaient tomber en panne et ont été signalées.

Une saison de chauffe

Les mêmes 900 chaudières, rangées par l'erreur commise

Trois cases coûtent peu et une coûte cher. Un taux de réussite unique additionne les quatre et publie la somme.

le modèle a laissé passerle modèle a signalé

la chaudière était saine

812 saines, laissées passerLe gros de chaque saison, et la raison pour laquelle le taux flatte
34 saines, signaléesUne heure de technicien pour rien. L'erreur bon marché

la chaudière allait tomber

19 en panne, laissées passerUn dimanche soir, une urgence, une famille sans chauffage. L'erreur chère
35 en panne, signaléesCe pour quoi le modèle a été payé

La case en bas à gauche est la seule qui appelle une décision, et c'est le plus petit nombre du dessin. Tout ce qui rend un score unique l'a fait disparaître dans une moyenne.

Le nombre unique qui résume tout cela additionne les quatre cases et rend 94,1 %. Le modèle qui ne signale jamais rien se trompe uniquement sur les 54 chaudières qui allaient tomber en panne, ce qui lui fait 846 bonnes réponses sur 900, soit 94,0 %. Un dixième de point sépare le travail de six mois de l'absence de travail. Sur un événement rare, ne rien signaler donne presque le même taux de réussite, et c'est une propriété de l'arithmétique, pas un défaut du modèle.

Comptez les deux erreurs séparément, parce qu'elles ne coûtent pas la même chose. Les 34 visites inutiles se chiffrent en heures de technicien. Les 19 pannes non vues se chiffrent en interventions d'urgence, en nuits sans chauffage et en réclamations. Un tableau qui pose les quatre cases côte à côte permet à Sonia Rey de dire au conseil d'administration ce qu'elle achète et ce qu'elle vend, ce qu'un pourcentage unique ne permet jamais.

Le réglage qui suit est une décision de gestion et non une décision technique. Faire descendre le seuil de signalement fait tomber les pannes ratées et monter les visites inutiles, et il existe un point où l'échange cesse d'être bon. Personne dans un service informatique n'a l'information pour situer ce point : elle est chez celui qui connaît le coût d'une intervention en urgence un dimanche.

Le modèle apprend l'étiquette qu'on a tapée

Un modèle apprend l'étiquette qu'on a tapée, pas la chose qu'on visait. Le fichier d'apprentissage de Sonia Rey vient du logiciel de gestion, où chaque intervention porte un motif choisi dans une liste déroulante par la personne qui a pris l'appel.

La saisie

Ce qui est enregistré contre ce qui s'est passé

Le modèle apprend le libellé choisi dans la liste déroulante, pas la réalité technique observée dans le logement.

  • Panne de chaudièreChoisi quand l'usager signale manquer d'eau chaude, même si seul le ballon fuit
  • Absence de chauffageSaisi indifféremment pour une chaudière à l'arrêt ou un radiateur non purgé
  • Entretien annuelCoche obligatoire, y compris si le technicien a changé une pièce maîtresse
  • AutreRecouvre un tiers du fichier et concentre les situations atypiques
La ligne saisie à l'accueil
  • La pièce défaillante réelleInvisible dans la catégorie administrative retenue au téléphone
  • La révision de nomenclatureCoupe l'historique en deux et apprend au modèle la date de changement du formulaire

La correction ne relève d'aucun algorithme : elle exige de vérifier ce que chaque libellé recouvre auprès de ceux qui saisissent.

  • Panne de chaudière, tapé quand le locataire dit qu'il n'a plus d'eau chaude, que la cause soit la chaudière ou le ballon.
  • Absence de chauffage, tapé pour le même appel par une autre personne, ou pour un radiateur purgé.
  • Entretien annuel, tapé pour une visite obligatoire, y compris quand le technicien a remplacé une pièce sur place.
  • Autre, qui recouvre un tiers du fichier et où se trouve à peu près tout ce qui est intéressant.

Le modèle a donc appris à prévoir dans quel cas un agent d'accueil tape une certaine ligne. C'est une chose réelle et elle est corrélée aux pannes, ce qui suffit à produire un résultat honorable et à masquer complètement le problème. La correction n'est pas un algorithme, c'est un après-midi passé avec la personne qui saisit, à écrire ce que chaque libellé recouvre.

Le piège suivant est français et il ne figure sur aucune page anglaise. Les fichiers publics et de gestion sont rangés par nomenclatures, et les nomenclatures sont révisées. Une nomenclature qui change en cours de route coupe l'historique en deux, et le modèle apprend alors la date de la révision aussi bien que le phénomène. Avant tout entraînement sur une série longue, cherchez la version de la nomenclature année par année.

Sur un tableau, les méthodes anciennes gagnent encore

Les données de Sonia Rey sont un tableau : une ligne par chaudière, l'année de pose, la marque, le nombre d'interventions passées, la surface du logement, l'altitude de la résidence. Sur un tableau de lignes, le gradient boosting bat encore un réseau de neurones, et cela reste vrai en 2026 malgré tout ce qui s'écrit par ailleurs sur les réseaux.

Le bon outil

Gradient boosting contre réseaux de neurones sur tableau

Sur des lignes et des colonnes, les méthodes classiques restent plus rapides, moins coûteuses et plus performantes en 2026.

Gradient boostingIdéal pour les données tabulaires chiffrées
Réseau de neuronesPertinent pour texte libre, son et image
Nature des entréesTableau structuré de lignes et colonnesTexte libre de commentaire, son ou image
Ressources requisesQuelques minutes sur un ordinateur portable ordinaireCartes graphiques dédiées et facturation à l'heure
Souveraineté des donnéesRien ne quitte la machine localeTransferts fréquents vers des infrastructures distantes
Bibliothèque standardscikit-learn, issue de la recherche publiqueFrameworks spécialisés d'apprentissage profond

Le gradient boosting bat encore les réseaux de neurones sur les tableaux en 2026, sans investissement matériel ni dépendance externe.

C'est aussi la bonne nouvelle budgétaire, et elle est concrète. Un modèle de ce type s'entraîne en quelques minutes sur un ordinateur portable, sans carte graphique et sans facture au fournisseur. La bibliothèque qui le fait, scikit-learn, est sortie d'un projet de recherche français et se pose avec une ligne de commande. La question de l'hébergement, du transfert de données et de la souveraineté ne se pose même pas, parce que rien ne quitte la machine.

Le réseau de neurones devient le bon outil quand l'entrée cesse d'être un tableau, c'est-à-dire pour une image, un son ou du texte libre. Le champ commentaire des interventions est du texte libre, et c'est le seul endroit du fichier de Sonia Rey où la question se pose sérieusement.

La découpe décide si quoi que ce soit était vrai

Le dernier point est celui qui invalide le plus de projets et il tient en une ligne. Découpez par date et non au hasard dès que vous prédisez demain. Un découpage au hasard met des interventions de février dans l'apprentissage et des interventions de janvier dans le test, donc le modèle est jugé sur un passé qu'il a déjà lu.

La validation

Comment découper vos données pour prédire demain

Un découpage aléatoire mélange passé et futur et produit un score flatteur mais trompeur.

Comment scinder votre historique pour évaluer honnêtement le modèle ?
  • Découpage aléatoire au hasard
    Fuite temporelle et score facticeMélange les mois d'un même hiver entre apprentissage et test ; le modèle est évalué sur un passé qu'il a déjà mémorisé.
  • Découpage chronologique par saison
    Mesure honnête sur l'hiver suivantEntraîne sur les saisons passées et teste sur la suivante ; le résultat est plus bas mais correspond à la réalité.

Un modèle qui n'est pas réentraîné chaque saison devient rapidement obsolète car le parc et les prestataires changent.

Le score obtenu ainsi est excellent et il ne veut rien dire. La règle honnête consiste à entraîner sur les hivers précédents et à mesurer sur le suivant, ce qui donne un chiffre plus bas et qui est le chiffre vrai. C'est aussi ce qui rend visible la dernière propriété du sujet : un modèle qui n'est pas réentraîné est un modèle de l'an dernier. Le parc change, les chaudières vieillissent, un fournisseur est remplacé, et la relation apprise se défait sans que rien ne l'annonce.

Le blocage est le carnet qui a marché, et les camps ne sont pas à égale distance

Les gens cessent de progresser ici au moment où un carnet de calcul donne un bon score. Le carnet tourne sur un poste, avec un fichier téléchargé une fois, et il n'y a aucune différence visible entre cet objet et un service qui rendrait des prévisions chaque semaine. La différence tient en des mois de travail et elle n'a rien à voir avec la modélisation.

L'ordre d'apprentissage

Le dernier camp est plus loin que les trois premiers réunis

Un après-midi, une semaine, un mois, puis une saison, puis des années. Les listes de lecture dessinent cinq chapitres égaux, et le terrain ne l'est pas.

  1. 01Les trois famillesLaquelle des trois est votre problème. Un après-midi
  2. 02Un modèle classique sur un tableauUne semaine, et très souvent la fin correcte du projet
  3. 03Les réseaux de neuronesUn mois, surtout pour savoir quand ne pas s'en servir
  4. 04Les images, ou les mots et le sonUne saison chacun, et un artisanat différent de chaque côté
  5. 05La mise en servicePlus long que tous les autres, et presque rien n'y est de la modélisation

La pente est l'affirmation, et rien d'autre ici n'en est une. Les camps ne sont pas des étapes obligées : une équipe peut s'arrêter au deuxième et avoir terminé.

D'où l'ordre. Les trois familles se règlent en un après-midi et évitent de traiter en apprentissage un problème qui était une requête. Les modèles classiques demandent une semaine, et c'est très souvent là que le projet s'arrête à juste titre. Les réseaux de neurones prennent un mois, surtout pour savoir quand ne pas s'en servir, et les bibliothèques s'apprennent chemin faisant plutôt que d'avance.

Ensuite les deux artisanats. La vision par ordinateur et le langage et la parole demandent une saison chacun et ne se ressemblent pas. Le dernier camp est plus loin que les trois premiers réunis, et presque rien de ce qu'on y fait n'est de la modélisation : c'est là que les données reviennent, sous forme de canalisations qu'il faut entretenir.

Ce qu'on ouvre en 2026, et ce que chacun a remplacé

scikit-learn reste la première chose à installer, et elle est issue de la recherche publique française. Elle a remplacé l'écriture à la main des algorithmes classiques, elle est libre et gratuite, elle tourne sur un portable, et elle couvre entièrement le cas de Sonia Rey, matrice des deux erreurs comprise. Une bibliothèque de gradient boosting s'ajoute à côté quand le tableau devient gros.

L'outillage sobre

Trois piliers pour travailler en France en 2026

Ce qu'on installe pour débuter sans dépendre d'infrastructures étrangères ni engager de frais inutiles.

Pratique sobre du machine learning
  • scikit-learn en localRemplace l'écriture manuelle des algorithmes classiques sur portable.
  • data.gouv.fr et InseeRemplacent les jeux de démonstration nettoyés par des données publiques réelles.
  • OVHcloud et ScalewayRemplacent l'achat de serveurs pour louer des cartes graphiques en France.

Données locales et hébergement souverain

Pour une collectivité ou un bailleur social, garder les données sur le territoire français est une condition d'existence du projet.

Pour des données françaises réelles plutôt qu'un jeu d'exercice américain, data.gouv.fr et les fichiers de l'Insee sont gratuits et téléchargeables. Ils ont remplacé les tableaux de démonstration où tout est déjà propre, et ils apprennent en une soirée pourquoi les nomenclatures comptent, puisqu'on y rencontre une révision au premier fichier ouvert.

Quand une carte graphique devient nécessaire, ce qui arrive tard, OVHcloud et Scaleway la louent à l'heure et facturent en euros. Cela a remplacé l'achat d'une machine, et pour un bailleur social, un hôpital ou une collectivité c'est aussi la seule voie qui garde les données en France, ce qui n'est pas un argument commercial mais une condition d'existence du projet.

Reste la question que ce sujet ouvre et ne referme pas. Le modèle de Sonia Rey vaut ce que vaut son fichier, et son fichier a été rempli par des gens pressés au téléphone. La mise en service d'un modèle traite ce qui vient après le carnet, et l'IA au travail traite l'autre moitié, celle où le technicien qui reçoit la liste des chaudières à visiter décide s'il y croit.

À côté

Au-dessus