top of page

Machine learning, deep learning ou IA générative : quelle intelligence artificielle choisir ?

Oct 20
7 min read

« On veut mettre de l’IA dans nos process. » C’est la phrase que nos formateurs entendent le plus souvent en début de mission. Depuis l’arrivée de ChatGPT, le mot IA désigne tout et n’importe quoi : un modèle qui prévoit des ventes, un assistant qui répond aux clients, un outil qui classe des factures. Or ces projets ne reposent pas sur la même technologie, n’exigent pas les mêmes données et n’ont pas du tout le même coût.

Dans cet article, on remet de l’ordre : ce qu’est vraiment le machine learning, ce qu’apporte l’IA générative, les différences entre les deux, et surtout une grille simple pour choisir la bonne approche selon votre projet. Les exemples sont en Python, le langage de référence pour les deux mondes.


Intelligence artificielle, apprentissage automatique, apprentissage profond : qui contient quoi ?

Le plus simple est de se représenter des poupées russes.

L’intelligence artificielle est le niveau le plus large : un ensemble de techniques qui visent à simuler l’intelligence humaine — raisonner, reconnaître, décider, dialoguer. Un système à base de règles « si… alors… » écrites à la main en fait partie, même s’il n’apprend rien.

Le machine learning (ou apprentissage automatique) est un sous-ensemble de l’IA : au lieu de coder les règles, on laisse un algorithme les déduire à partir d’exemples. On lui fournit un jeu de données, il en extrait des régularités, puis il applique ce qu’il a appris à des cas nouveaux. Pour une première vue d’ensemble, voyez notre introduction au machine learning.

Le deep learning (apprentissage profond) est une famille de méthodes d’apprentissage automatique qui repose sur les réseaux de neurones artificiels : des couches successives de « neurones » mathématiques, vaguement inspirées du cerveau humain, capables d’apprendre seules les caractéristiques utiles d’une image, d’un son ou d’un texte.

L’IA générative, enfin, est une spécialisation de cette dernière famille, tournée vers la création de nouveaux contenus : texte, images, code, audio. Les LLM (Large Language Models), comme GPT, Claude ou Mistral, en sont les représentants les plus connus.



Conséquence pratique : tout modèle génératif est du machine learning, mais l’inverse est faux. Et la majorité des projets data en entreprise relèvent encore du machine learning « classique », bien plus simple à déployer. Les applications de l’IA couvrent un large éventail de besoins, de la résolution de problèmes logistiques à la rédaction de rapports : tout l’enjeu est de choisir le bon étage de la poupée.


Le machine learning (IA classique) : apprendre des données pour prédire

C’est ce que l’on appelle aujourd’hui l’IA classique, par opposition aux modèles génératifs. Elle sert avant tout à faire des prédictions sur des données structurées : des tableaux avec des lignes et des colonnes, comme un export d’ERP, un fichier clients ou un historique de ventes.


Le mode supervisé : on montre la bonne réponse

Dans l’apprentissage supervisé, le modèle apprend à partir de données d’entraînement étiquetées : chaque ligne contient la réponse attendue (le client est-il parti ? à quel prix le bien s’est-il vendu ?). Il faut donc étiqueter l’historique avant tout. On distingue deux grandes familles de problèmes (régression ou classification) :

  • la régression prédit une valeur numérique : chiffre d’affaires du mois prochain, délai de livraison, consommation d’énergie ;

  • la classification prédit une catégorie : résiliation probable ou non, e-mail frauduleux ou légitime, ticket urgent ou non. Les algorithmes de classification les plus courants (arbres de décision, k-NN, forêts aléatoires) sont présentés dans notre article sur les méthodes de classification.


Le mode non supervisé : on laisse les données parler

Sans étiquettes, l’apprentissage non supervisé cherche des structures cachées : segmenter une clientèle en groupes homogènes (clustering, avec k-means par exemple) ou détecter des anomalies dans des transactions ou des relevés de capteurs. Les nuances entre les deux modes sont résumées dans notre fiche lexique dédiée.


Un exemple en quelques lignes de Python

Avec la bibliothèque scikit-learn, un modèle prédictif tient en un court script :

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

df = pd.read_csv("clients.csv")
X = df.drop(columns="resilie")
y = df["resilie"]  # la colonne étiquetée : 1 = client parti, 0 = resté

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
modele = RandomForestClassifier(random_state=42).fit(X_train, y_train)
print(classification_report(y_test, modele.predict(X_test)))

Ce modèle de machine learning s’entraîne en quelques secondes sur un ordinateur portable, et son rapport de classification indique immédiatement la précision des résultats sur des clients qu’il n’a jamais vus. Le déroulé complet — choix de l’algorithme, séparation des données, entraînement, prédiction, évaluation — est détaillé dans notre article sur les cinq grandes étapes de l’application d’un algorithme. Pour bien lire les scores obtenus, voyez aussi les métriques de performance et la validation croisée.


L’IA générative et les LLM : créer du contenu

L’intelligence artificielle générative ne cherche pas à prédire une étiquette dans un tableau : elle produit quelque chose qui n’existait pas. Un LLM génère du texte token par token, en calculant à chaque étape la suite la plus probable compte tenu de ce qui précède.

Ce qui change tout, c’est l’échelle. Les modèles de langage actuels sont entraînés à grande échelle sur des milliards de pages de données non structurées — textes, code, documents — avec une puissance de calcul que seules quelques entreprises au monde peuvent mobiliser. Résultat : un modèle généraliste qui comprend le langage naturel et sait déjà rédiger, résumer, traduire, classer ou extraire, sans que vous ayez à le former vous-même.


Concrètement, ces modèles servent à :

  • créer du contenu : brouillons d’e-mails, fiches produit, comptes rendus de réunion, code ;

  • dialoguer : les chatbots de support client, les assistants internes qui répondent à partir de la documentation de l’entreprise ;

  • transformer du texte : traduction automatique, reformulation, extraction d’informations dans des contrats ou des factures ;

  • analyser du non-structuré : classer des avis clients, repérer le sujet d’un ticket, synthétiser des verbatims.

Côté Python, il suffit d’appeler l’API d’un fournisseur ou un modèle open source pour intégrer ces capacités dans une application.


Machine learning vs IA générative : 6 différences entre les deux approches

Les deux approches ne s’opposent pas sur la technique, l’une découle de l’autre, mais sur presque tout le reste :


Critère

Machine learning

IA générative

Ce qu’il produit

Une prédiction : un chiffre, une catégorie, un score

Un contenu nouveau : texte, image, code

Données d’entrée

Tableaux de lignes et de colonnes, souvent issus de vos bases

Texte libre, documents, images, conversations

Données à fournir

Votre propre historique, souvent à étiqueter

Aucune pour démarrer : le modèle est pré-entraîné

Volume de données

Quelques milliers de lignes suffisent souvent

Des milliards de documents pour l’entraînement initial, fourni par l’éditeur

Coût et infrastructure

Un ordinateur portable, coût d’exécution quasi nul

GPU ou API facturée au token, coût proportionnel à l’usage

Fiabilité et contrôle

Score mesurable sur un jeu de test, résultat reproductible

Réponses variables, risque d’« hallucination », évaluation plus délicate


Retenez surtout ceci : le modèle classique répond à une question précise que vous lui avez apprise ; l’IA générative répond à presque tout, mais sans garantie que la réponse soit juste.


Préparation des données et intervention humaine : ce que chaque approche exige

Le coût caché d’un projet d’IA n’est presque jamais le modèle : c’est le travail humain autour.

En machine learning, l’effort se concentre en amont. Il faut collecter l’historique, le nettoyer, le structurer (une ligne par observation, une colonne par variable), puis souvent étiqueter des milliers d’exemples à la main. Il faut aussi superviser le modèle dans le temps : un modèle de churn calibré avant une hausse de tarifs peut se dégrader sans que personne ne s’en aperçoive. En revanche, une fois en production, il tourne sans intervention humaine sur des millions de lignes.

En IA générative, c’est l’inverse : démarrer prend une heure, mais fiabiliser prend des semaines. Il faut structurer les instructions (le prompt), fournir le bon contexte (vos documents, via une approche RAG), puis superviser les réponses : relecture humaine des contenus sensibles, tests sur des questions pièges, garde-fous contre les informations inventées.


Chatbots, traduction automatique, prévisions : quelle utilisation pour quelle IA ?

Voici les cas que nous rencontrons le plus souvent chez nos clients, classés selon l’approche la plus adaptée.


Projet

Approche recommandée

Pourquoi

Prévoir les ventes ou les stocks

Régression

Historique chiffré disponible, besoin d’une erreur mesurable

Anticiper le départ d’un client

Classification supervisée

Historique étiqueté, score directement actionnable

Repérer des fraudes ou des pannes

Détection d’anomalies ou classification

Peu d’exemples connus, il faut repérer l’inhabituel

Segmenter une base clients

Clustering (k-means)

Pas d’étiquette, on cherche des groupes

Répondre aux questions des équipes sur la documentation interne

Modèle génératif + RAG

Texte libre, réponse rédigée à partir de vos documents

Rédiger, résumer, traduire des documents

Modèle génératif

Production de texte, aucune donnée à préparer


La grille en 4 questions

  1. Votre sortie est-elle un chiffre ou une catégorie ? Si oui, une approche prédictive classique est presque toujours plus fiable et moins chère.

  2. Vos données sont-elles des tableaux ou du texte libre ? Tableaux : modèle classique. Texte, documents, images : modèle génératif.

  3. Disposez-vous d’un historique étiqueté ? Si oui, un modèle supervisé sera plus précis. Sinon, un modèle génératif peut démarrer sans aucune donnée préparée.

  4. L’erreur coûte-t-elle cher ? Pour une décision de crédit ou un diagnostic, privilégiez un modèle mesurable et explicable ; pour un brouillon qu’un humain relira, la souplesse du génératif suffit.


Coûts et optimisation : le machine learning garde l’avantage

Quand les deux approches peuvent répondre au même besoin, le calcul économique tranche souvent. Classer 500 000 tickets par an avec une API générative, c’est 500 000 appels facturés et une latence de plusieurs secondes à chaque fois. Un classifieur calibré sur un ensemble de données de quelques milliers de tickets passés fait le même travail en quelques minutes, sur un serveur ordinaire.

L’optimisation passe donc souvent par un réflexe simple : réserver l’utilisation du modèle génératif au prototypage, puis, si le volume grimpe, développer un modèle classique dédié pour automatiser la tâche en production. On peut même se servir du modèle génératif pour étiqueter les premiers exemples d’apprentissage, et ainsi optimiser le temps passé à préparer les données.


Combiner les deux : quand l’IA générative alimente le machine learning

Les projets les plus efficaces que nous accompagnons mélangent souvent les deux briques. Exemple typique : un service achats reçoit des centaines de devis en PDF. Un modèle génératif extrait les montants, fournisseurs et délais de ces documents (du texte libre vers un tableau), puis un modèle de scoring classique prédit le risque de retard de chaque commande. L’un lit, l’autre calcule. Cette chaîne d’automatisation exploite le meilleur de chaque monde : la souplesse de la compréhension du texte, la rigueur statistique de la prédiction.

C’est aussi là que les données retrouvent toute leur importance : l’IA peut rédiger, mais elle ne connaît ni vos clients ni votre historique. Ce sont vos données, bien préparées, qui font la différence.


Se former au machine learning et à l’IA générative avec Python

Que votre projet relève de l’une ou de l’autre approche, Python est le langage commun. Chez Expert Python, la marque Python de MYPE, nous proposons :




 
 
bottom of page