Apprentissage supervisé ou non supervisé ? Les deux méthodes du machine learning

Prévoir les ventes du mois prochain. Savoir si un devis a des chances d'être signé. Ces deux questions relèvent de l'apprentissage supervisé. Découvrir quels groupes de clients se ressemblent, sans les avoir définis à l'avance, relève au contraire de l'apprentissage non supervisé. Toutes appartiennent au machine learning, l'apprentissage automatique, mais elles n'utilisent pas la même méthode.

La distinction paraît technique. Elle est pourtant très utile à comprendre pour un dirigeant. Elle permet de savoir quelle question un modèle peut traiter, de quelles données il a besoin, et ce qu'il faut vérifier avant de lui faire confiance. Bien la comprendre évite de lancer un projet d'IA sans les bonnes données, ou sur la mauvaise question.

Ce guide vous explique ce que recouvrent ces deux familles, avec des applications concrètes en PME. Puis il vous aide à choisir la bonne approche, et à préparer les données qui la feront fonctionner. Pour une vue d'ensemble, voyez aussi notre guide de l'IA en PME et ETI.

Qu'est-ce que l'apprentissage supervisé ?

Le modèle apprend à partir de données étiquetées, c'est-à-dire d'exemples dont on connaît déjà la bonne réponse. Il en déduit une règle, qu'il applique ensuite à de nouveaux cas. Deux grandes tâches existent : classer, par exemple « ce devis sera-t-il signé ? », et estimer un chiffre, comme les ventes du mois prochain.

Selon IBM, les étiquettes jouent le rôle de « vérité terrain » : elles disent au modèle quelle était la bonne réponse pour chaque exemple passé. Wikipédia résume l'objectif : généraliser à des cas inconnus ce que le modèle a appris sur un jeu de données déjà annoté.

Dans le cadre de l'apprentissage supervisé, chaque point de données associe des données d'entrée à un résultat connu. Pour une facture, ce sont le client, le montant et l'échéance ; le résultat est la date réelle de paiement. Chaque variable qui décrit le cas sert à estimer ce résultat.

On distingue deux familles de tâches :

• La classification range chaque cas dans une catégorie. Un client paiera-t-il à temps ou en retard ? Une commande est-elle normale ou suspecte ? On parle alors de détection de fraude. Les arbres de décision ou la régression logistique sont des méthodes courantes, disponibles dans des bibliothèques libres comme scikit-learn. La reconnaissance d'images, la reconnaissance faciale ou la vision par ordinateur reposent sur le même principe.
• La régression estime une valeur chiffrée. Combien de pièces vendrons-nous en mars ? Quel délai de livraison prévoir pour cette commande ? La régression linéaire est la plus connue.

Les algorithmes d'apprentissage supervisé sont souvent les plus précis, car on peut mesurer leurs erreurs. Mais la méthode a ses limites, qu'IBM détaille. Il faut d'abord étiqueter des exemples en quantité, ce qui prend du temps. Un historique déséquilibré produit un modèle biaisé. Et les modèles d'apprentissage supervisé ont tendance à coller trop fidèlement à leurs exemples, au point de se tromper sur les cas nouveaux : c'est le surapprentissage.

Qu'est-ce que l'apprentissage non supervisé ?

Le modèle reçoit des données non étiquetées et cherche lui-même des structures. Il peut regrouper des clients qui se ressemblent, repérer des produits souvent achetés ensemble ou signaler des valeurs anormales. Personne ne lui dit ce qu'il doit trouver : c'est à l'humain d'interpréter ce qu'il découvre.

Les algorithmes d'apprentissage non supervisé travaillent sur des données brutes, sans signaux de supervision. IBM distingue trois grandes tâches :

• Le regroupement, ou clustering, rassemble les points de données qui se ressemblent. La méthode des k-moyennes (k-means) peut ainsi répartir vos clients en quelques profils d'achat. Chaque cluster de données correspond alors à un profil, que vous n'aviez pas défini à l'avance.
• Les règles d'association repèrent ce qui va ensemble et font ressortir les corrélations. Quels articles sont souvent commandés en même temps ? De quoi préparer des offres groupées ou mieux organiser un entrepôt.
• La réduction de la dimensionnalité résume les variables très nombreuses en quelques axes lisibles, utiles pour la visualisation. L'analyse en composantes principales (ACP) en est la technique non supervisée la plus connue, avec les auto-encodeurs pour les données plus complexes.

L'apprentissage non supervisé peut aussi servir à la détection d'anomalies. Une facture qui ne ressemble à aucune autre, un temps de fabrication hors norme, une commande inhabituelle remontent d'eux-mêmes. De quoi diagnostiquer un problème avant qu'il ne coûte cher.

Les limites sont différentes. Les modèles non supervisés produisent des groupes sans nom : il faut un humain pour dire ce qu'ils signifient. Leurs résultats sont aussi plus difficiles à vérifier, puisqu'il n'existe pas de « bonne réponse » de référence.

Apprentissage supervisé et non supervisé : quelle différence ?

Le supervisé répond à une question précise en s'appuyant sur le passé, dont on connaît les résultats. Le non supervisé explore les données pour en faire émerger des groupes, des liens ou des anomalies. Le premier prédit, le second découvre. Ces deux techniques de machine learning se complètent plus qu'elles ne s'opposent.

L'apprentissage semi-supervisé et par renforcement

Comme le rappelle AWS, il existe aussi des approches intermédiaires. Le semi-supervisé combine quelques jeux de données étiquetés et beaucoup d'exemples qui ne le sont pas. Il sert quand il coûte trop cher d'étiqueter toutes les données. L'apprentissage par renforcement, lui, apprend par essais et erreurs, en recevant une récompense quand il agit bien. Cette technique d'apprentissage sert surtout à piloter les robots ou à jouer.

Ces méthodes sont l'une des façons de classer l'intelligence artificielle, détaillées dans notre article sur les types d'IA. Les réseaux de neurones peuvent servir les deux approches. Le deep learning en est la version la plus puissante, que nous traiterons à part.

Comment choisir entre les deux approches en PME

Partez de la décision à prendre, pas de la technique. Si vous voulez prédire un résultat que vous connaissez pour le passé, le supervisé s'impose : ventes, retards de paiement, signature des devis. Si vous voulez comprendre votre clientèle ou repérer l'inhabituel, le non supervisé est plus adapté.

Vérifiez ensuite une condition simple. Pour du supervisé, disposez-vous d'un historique où le résultat est connu pour chaque cas ? Bonne nouvelle : souvent, nul besoin d'étiqueter à la main. Les factures disent déjà si un client a payé à temps, les commandes combien vous avez vendu. Les données d'un projet supervisé peuvent donc provenir directement de l'ERP. Si cet historique n'existe pas, ou s'il est incomplet, le projet commence par le constituer.

Gardez aussi en tête qu'un modèle n'est pas toujours nécessaire. Beaucoup de questions de PME se règlent avec des règles explicites, plus simples à comprendre et à maintenir. Pour anticiper les ruptures, par exemple, un calcul de couverture de stock et de délai fournisseur suffit souvent. Un modèle devient utile quand les règles ne suffisent plus à décrire la réalité.

Ces outils se diffusent vite, mais surtout dans les grandes structures. Selon l'Insee, les entreprises qui utilisent l'apprentissage automatique pour analyser leurs données emploient 39 % des salariés en 2025, contre 19 % en 2023. Pour une PME, le bon point d'entrée reste une question précise, au service de la prise de décision. Il faut aussi un cadre de data science adapté à sa taille.

Quelles données faut-il pour entraîner un modèle d'IA ?

Un historique propre et assez long, et pour le supervisé, des données d'entraînement étiquetées de façon fiable : le vrai résultat de chaque cas passé. Sans cela, le modèle apprend les erreurs du fichier. Un client en double, une date fausse ou une commande annulée mal enregistrée suffisent à fausser ce qu'il retient.

Selon la CNIL, ces méthodes donnent aux machines la capacité d'apprendre à partir de données. Elles ne peuvent donc pas valoir mieux que ces données. Dans le cycle de développement de l'IA, le prétraitement des données vient en premier, et le nettoyage des données en est le cœur : doublons fusionnés, formats uniformisés, valeurs aberrantes traitées. Les ensembles de données mal tenus donnent des modèles fragiles.

Trois questions à se poser avant de démarrer :

1. Les données couvrent-elles assez de cas ? Quelques dizaines d'exemples ne suffisent pas pour apprendre une règle fiable, ni pour classer de nouvelles données avec assurance.
2. Les étiquettes sont-elles justes ? Un devis « perdu » l'est-il vraiment, ou simplement jamais relancé ? Mieux vaut étiqueter moins de cas, mais bien.
3. Les données reflètent-elles la situation actuelle ? Un historique antérieur à un changement de gamme ou de clientèle peut induire en erreur.

Enfin, un modèle se surveille dans la durée. Les habitudes des clients changent, les prix aussi, et les performances se dégradent peu à peu. Le travail est itératif : chaque itération compare les prédictions aux résultats réels, puis réentraîne les modèles de machine learning si besoin. C'est tout l'objet du MLOps, qui fait durer les applications d'IA une fois en production.

Conclusion : partir de la question, pas de l'algorithme

Les deux approches répondent à deux besoins différents. Retenez trois idées :

• le supervisé prédit un résultat connu pour le passé : ventes, retards de paiement, devis signés ;
• le non supervisé découvre des groupes ou des anomalies dans des données sans réponse ;
• dans les deux cas, la qualité de l'historique compte davantage que le choix de l'algorithme.

Le machine learning supervisé et son cousin non supervisé ne se choisissent pas dans un catalogue de méthodes. Le bon choix se fait en partant de la décision que vous voulez mieux prendre, puis en vérifiant que vos données savent y répondre.