IA, machine learning, deep learning : les poupées russes expliquées simplement

Introduction

Trois termes, souvent utilisés comme synonymes, qui en réalité ne désignent pas du tout la même chose : intelligence artificielle, machine learning, deep learning. Cette confusion n'est pas anodine : elle conduit régulièrement les dirigeants de PME à acheter (ou à refuser) des solutions sur de mauvais critères.

L'objectif de cet article est de poser les distinctions une bonne fois pour toutes, avec des exemples concrets et l'impact pratique pour votre entreprise.

La hiérarchie en une image

L'IA est un grand sac. Le machine learning est un sac plus petit dans l'IA. Le deep learning est un sac encore plus petit dans le machine learning. Trois poupées russes emboîtées.

Tout deep learning est du machine learning. Tout machine learning est de l'IA. Mais l'inverse n'est pas vrai : il existe de l'IA sans machine learning, et il existe du machine learning sans deep learning.

Qu'est-ce que l'intelligence artificielle ?

L'IA est le domaine global qui cherche à faire imiter à une machine des comportements considérés comme intelligents. C'est une définition large, et c'est volontaire : elle date des années 1950, à une époque où on ne savait pas encore très bien comment s'y prendre.

L'IA inclut des approches très diverses. Les systèmes experts (un ensemble de règles « si... alors... » codées par des experts) sont de l'IA. Les algorithmes de recherche (comme A*, qui trouve le plus court chemin dans un labyrinthe) sont de l'IA. Les modèles de langage comme ChatGPT sont de l'IA. Les moteurs de jeu d'échecs classiques sont de l'IA.

Pour une PME, retenir ceci : « faire de l'IA » peut désigner des choses très différentes en termes de coût, de complexité et de maintenance. Précisez toujours de quoi vous parlez exactement quand un prestataire vous propose « une solution IA ».

Qu'est-ce que le machine learning ?

Le machine learning est une sous-discipline de l'IA, où l'on n'écrit plus les règles à la main : on laisse l'ordinateur les déduire à partir d'exemples.

Imaginez que vous voulez classer des emails entre « important » et « spam ». L'approche classique consiste à coder des règles : « si l'email contient le mot 'gratuit' et provient d'une adresse inconnue, alors spam ». Ça marche au début, mais c'est pénible à maintenir et ça rate beaucoup de cas.

L'approche machine learning consiste à montrer à un algorithme des milliers d'exemples étiquetés (cet email = important, cet email = spam) et à le laisser découvrir tout seul les règles qui marchent. C'est plus puissant, c'est plus robuste, et c'est ce qui a rendu l'IA utile à grande échelle à partir des années 2000.

Le machine learning regroupe plusieurs familles : la régression linéaire (prédire une valeur), la classification (ranger en catégories), le clustering (grouper des éléments similaires), les arbres de décision, les forêts aléatoires, le gradient boosting (XGBoost), etc. La plupart de ces algorithmes sont apparus avant 2010 et continuent de tourner massivement en production aujourd'hui.

Qu'est-ce que le deep learning ?

Le deep learning est une sous-discipline du machine learning, qui utilise un type particulier de modèle : les réseaux de neurones profonds, c'est-à-dire avec beaucoup de couches superposées.

Un réseau de neurones est inspiré (très lointainement) du cerveau humain : des unités de calcul connectées entre elles, qui se passent l'information de couche en couche, et qui ajustent leurs paramètres au fil de l'entraînement. « Profond » veut juste dire qu'il y a beaucoup de couches : entre quelques dizaines et plusieurs centaines, parfois milliers.

Pourquoi le deep learning a explosé après 2012 ? Trois raisons : la puissance des cartes graphiques (GPU) est devenue suffisante pour entraîner ces gros modèles, les datasets ont grossi (ImageNet pour la vision, Common Crawl pour le texte), et on a découvert des architectures particulièrement efficaces (CNN pour la vision, transformer pour le langage).

Le deep learning excelle là où les approches classiques échouaient : reconnaissance d'images, traduction automatique, génération de texte, génération d'images, voix. Tous les LLM modernes (GPT, Claude, Gemini, Mistral) sont du deep learning.

Pourquoi cette distinction change-t-elle quelque chose pour votre PME ?

Premièrement, les coûts ne sont pas comparables. Une régression linéaire entraînée sur quelques milliers de lignes Excel peut coûter quelques centaines d'euros et tourner sur n'importe quel ordinateur. Un modèle de deep learning peut coûter plusieurs dizaines de milliers d'euros à entraîner et nécessiter du matériel spécifique. Pour beaucoup de cas d'usage en PME, du machine learning classique suffit largement.

Deuxièmement, l'interprétabilité n'est pas la même. Un arbre de décision permet d'expliquer chaque prédiction (« cet email est marqué spam parce qu'il contient X et provient de Y »). Un réseau de neurones profond est typiquement une boîte noire : il sort une réponse sans explication détaillée. Pour des cas d'usage régulés (banque, santé, RH), cette différence est fondamentale.

Troisièmement, la dépendance technologique est différente. Un modèle de machine learning classique peut être tracé, audité, et reconstruit en interne avec des compétences accessibles. Un LLM ou un modèle de deep learning sophistiqué dépend souvent d'un fournisseur (OpenAI, Anthropic, Google) ou d'un savoir-faire pointu rare sur le marché.

Comment choisir pour votre cas d'usage ?

La bonne question n'est pas « j'ai besoin de quoi : IA, ML ou deep learning ? ». C'est : « quel est mon problème, et quelle approche le résout le plus simplement ? ».

Si vous voulez prédire un chiffre d'affaires mensuel à partir de séries temporelles : commencez par une régression linéaire ou un modèle de séries temporelles classique. Pas besoin de deep learning.

Si vous voulez classer automatiquement des photos de produits par catégorie : un réseau de neurones convolutionnel (CNN) est l'approche standard. C'est du deep learning, mais c'est désormais accessible avec des outils prêts à l'emploi.

Si vous voulez analyser des comptes rendus textuels et en extraire des informations : un LLM avec du RAG est probablement la voie la plus rapide. C'est encore du deep learning, mais à un niveau de complexité que vous n'avez pas à internaliser.

Notre rôle, en tant qu'agence IA, c'est précisément de cadrer cette question en amont, pour que votre PME ne paie pas une Ferrari quand un vélo électrique suffit. C'est l'objet de notre diagnostic hIAppy Vision.

Ce qu'il faut retenir

L'IA est le grand sac, le machine learning est dedans, le deep learning encore dedans. Plus on descend, plus c'est puissant pour des problèmes complexes (texte, image, voix), mais plus c'est cher, plus c'est opaque et plus ça dépend de fournisseurs externes.

Pour 70 % des cas d'usage en PME, du machine learning classique suffit largement. Pour les 30 % restants (typiquement liés au texte, à l'image, ou à la conversation), le deep learning ou les LLM sont nécessaires.

La clé, c'est de ne pas confondre les niveaux quand on prend une décision d'investissement.