Modèle d'apprentissage ou IA : la différence

Un modèle d'apprentissage, c'est un objet précis : un ensemble de paramètres ajustés sur des données, qui transforme une entrée en sortie. L'IA, c'est le domaine entier dans lequel cet objet se trouve, et il couvre aussi les algorithmes de recherche, les moteurs de règles, les planificateurs, et des systèmes qui n'apprennent strictement rien. La façon la plus courte de garder les deux séparés : « IA » nomme une ambition, « modèle d'apprentissage » nomme l'artefact qui fait le travail.

La différence en un tableau

Question	Modèle d'apprentissage	IA
Que désigne le mot ?	Un artefact entraîné : une architecture, ses poids, et l'objectif sur lequel il a été ajusté	Un champ de recherche et un but, nommé dans la proposition de recherche de Dartmouth en 1955 par McCarthy, Minsky, Rochester et Shannon
Peut-on le montrer du doigt ?	Oui. C'est un fichier qu'on peut versionner, charger, remplacer, supprimer	Pas directement. On montre un système, et ce système contient peut-être des modèles
Qui emploie le mot ?	Ingénieurs, chercheurs, fiches techniques de modèles, documentation	Pages produit, presse, présentations de levée de fonds, et aussi les chercheurs
Implique-t-il un apprentissage ?	Oui, par définition	Non. Un système de règles écrit à la main reste de l'IA
Renseigne-t-il sur la qualité ?	Un peu. On peut demander sur quoi il a été entraîné et comment il a été évalué	Presque rien. « Propulsé par l'IA » est compatible avec n'importe quoi

La définition que donne Tom Mitchell dans son manuel de 1997 reste le test le plus propre pour la colonne de gauche : un programme apprend d'une expérience E pour des tâches T et une mesure de performance P si sa performance sur T, mesurée par P, s'améliore avec E. Si rien dans le système ne s'améliore avec l'expérience, tu as de l'IA sans modèle d'apprentissage. Si quelque chose s'améliore, ce qui s'est amélioré, c'est le modèle.

Deux choses différentes s'appellent « modèle d'apprentissage »

C'est là que l'expression crée une vraie confusion, parce que les sciences de l'éducation l'ont employée en premier.

En apprentissage automatique, un modèle d'apprentissage est l'artefact entraîné décrit plus haut. En pédagogie et en ingénierie de formation, un modèle d'apprentissage est une théorie de la façon dont les gens apprennent : le cycle d'apprentissage expérientiel de Kolb, le modèle 5E, ou l'idée des styles d'apprentissage VARK. Ce sont des cadres pour concevoir un enseignement, pas des logiciels.

Les deux sens n'ont aucun rapport, et les mélanger produit des phrases qui sonnent bien et ne veulent rien dire. Quelques repères rapides pour savoir de quel sens parle une page : si les mots autour sont paramètres, données d'entraînement, inférence ou fine-tuning, c'est le sens informatique. Si ce sont apprenants, enseignement, classe ou engagement, c'est le sens pédagogique.

Une remarque honnête sur le sens pédagogique, puisque beaucoup arrivent sur cette comparaison en cherchant des conseils de révision : tous les modèles d'apprentissage nommés n'ont pas tenu le choc. Pashler et ses collègues ont passé en revue la littérature sur les styles d'apprentissage en 2008 et ont constaté que les études nécessaires pour soutenir l'affirmation centrale, à savoir qu'adapter l'enseignement au style d'un élève améliore ses résultats, étaient largement absentes. La revue de Dunlosky et ses collègues en 2013 a pris un autre chemin : classer des pratiques concrètes selon les preuves disponibles, avec le test de rappel et l'étalement des révisions en tête. Si tu veux un modèle de l'apprentissage sur lequel agir, la deuxième famille est le pari le plus sûr.

Quel mot employer, et quand

Emploie modèle d'apprentissage quand l'identité de l'artefact compte : quel modèle, entraîné sur quoi, évalué comment, exécuté où. C'est le bon mot dans un cahier des charges, une question d'achat de logiciel ou une revue de confidentialité.

Emploie IA quand tu parles de la capacité ou du domaine, et que le mécanisme précis n'est vraiment pas le sujet. « On utilise l'IA pour rédiger le résumé » est une phrase parfaitement correcte sur une page produit. Exiger « on utilise un modèle de langage à base de transformeurs » à cet endroit, c'est une précision que personne n'a demandée, et le pédantisme là-dessus te rend plus difficile à lire, pas plus juste.

N'emploie ni l'un ni l'autre quand tu peux nommer le comportement à la place. « Il lit l'écriture manuscrite sur ta page » en dit plus au lecteur que les deux termes réunis.

Ce que la distinction change quand tu choisis un outil de révision

« Propulsé par l'IA » sur une fiche d'application est un argument marketing, pas une information technique. La distinction devient utile au moment où tu la transformes en questions dont la réponse est vérifiable :

1. Qu'est-ce qui tourne sur l'appareil et qu'est-ce qui en sort ? La reconnaissance de texte et la transcription audio peuvent tourner en local ; les gros modèles de génération, généralement pas.
2. Le modèle apprend-il de mon cours, ou se contente-t-il de le lire ? Presque toujours la deuxième réponse. Un modèle livré fait de l'inférence, pas de l'entraînement, et c'est la différence expliquée dans apprentissage vs inférence en IA.
3. D'où viennent les questions ? Générées depuis tes propres notes, ou tirées d'une banque de questions partagée ? Les séances de révision qui en sortent n'ont rien à voir.
4. Que se passe-t-il quand il se trompe ? Il faut pouvoir remonter au passage du cours d'où vient la question.

Ces quatre questions font l'essentiel de ce qui sépare un outil qui mérite qu'on paie d'un outil avec une jolie page d'accueil, et ce sont les mêmes questions à poser avant de choisir une appli qui transforme les notes en quiz. Qora est construit autour de la deuxième et de la troisième : la photo et l'audio ne quittent jamais le téléphone, seul le texte extrait est envoyé pour générer la leçon et les questions, et chaque question vient du document que tu as fourni, pas d'une banque.

Là où la distinction cesse de compter

Pour la plupart des gens, la plupart du temps, ça n'a aucune importance. Si tu révises pour un partiel de jeudi, savoir que l'outil utilise un modèle affiné plutôt que de l'« IA » générique ne changera pas ta note, et aucun vocabulaire ne remplacera le fait de répondre réellement à des questions de mémoire. Le vocabulaire compte dans trois cas précis : quand tu achètes un logiciel et que tu dois comparer des promesses, quand tu écris ou relis un texte technique, et quand une question de confidentialité dépend de l'endroit où le calcul se fait.

La frontière est aussi floue sur les bords. Les systèmes actuels sont rarement un seul modèle. Une même fonctionnalité peut enchaîner une reconnaissance de texte, un modèle de langage, une étape de recherche documentaire et des règles écrites à la main, et appeler cet empilement « un modèle d'apprentissage » est faux d'une façon dont « de l'IA » ne l'est pas. Quand quelqu'un dit « IA » à propos d'un produit entier, il est en général exact, pas vague.

Questions fréquentes

Un modèle d'apprentissage et un modèle d'IA, c'est pareil ?

En pratique oui, parce que presque tout ce qu'on appelle aujourd'hui un modèle d'IA est appris à partir de données. Au sens strict, « modèle d'IA » est plus large : le terme peut recouvrir la modélisation formelle d'un problème que nul apprentissage n'a touchée, comme la représentation d'un plateau de jeu par un planificateur.

Est-ce que toute l'IA, c'est de l'apprentissage automatique ?

Non. La recherche arborescente, les solveurs de contraintes, les systèmes experts et les planificateurs symboliques sont tous de l'IA, et aucun n'apprend. L'apprentissage automatique est devenu assez dominant après 2012 environ pour que les deux mots se mettent à s'employer l'un pour l'autre, et c'est là que la confusion a commencé.

Est-ce que le modèle continue d'apprendre pendant que je l'utilise ?

En général non. L'entraînement et la mise en service sont deux étapes séparées, et les poids avec lesquels tu interagis sont figés. Les améliorations arrivent quand le fournisseur entraîne une nouvelle version et la met en ligne, ce qui explique pourquoi entraînement et apprentissage ne sont pas le même mot en pratique.

Quel modèle d'apprentissage utiliser pour réviser ?

Cette question porte presque sûrement sur le sens pédagogique, et la réponse honnête est de choisir une pratique plutôt qu'un cadre théorique. Le test de rappel, dont les expériences de Roediger et Karpicke en 2006 ont montré qu'il produit une mémorisation à long terme nettement meilleure que la relecture, est celui qui a le plus de preuves derrière lui et le coût de mise en place le plus faible.

Un modèle d'apprentissage est un composant, l'IA est la catégorie. Les garder séparés te rapporte surtout de meilleures questions : au lieu de demander si un outil « fait de l'IA », tu peux demander ce que son modèle voit, où ce calcul se fait, et d'où vient ce qu'il te sort. La prochaine fois que tu lis « propulsé par l'IA » sur une appli de révision, essaie de répondre à ces trois questions avant de l'installer. Si les réponses ne sont pas sur la page, c'est déjà une réponse.