En clair
L'entraînement est l'étape où un modèle d'intelligence artificielle apprend à partir de données. On lui montre des exemples. Ce peut être des mesures de fleurs avec leur espèce ou bien l'âge, le sexe et la taille de personnes dont on veut prédire le poids. Le modèle ajuste peu à peu ses paramètres internes pour que ses prédictions collent mieux à la réalité.
On mesure l'écart entre prédiction et réalité avec une fonction de coût et l'entraînement cherche à le réduire. Tout cela est automatique. Les bibliothèques de machine learning trouvent elles-mêmes les meilleurs coefficients.
Pourquoi c'est important
Sans entraînement un modèle ne sait rien. C'est cette phase qui lui permet de généraliser, c'est-à-dire de bien prédire sur des données qu'il n'a jamais vues. Tout dépend beaucoup des données. Si elles sont biaisées ou incomplètes le modèle reproduira leurs défauts. L'entraînement coûte aussi du temps et des ressources, surtout pour les grands modèles.
On sépare souvent les données en deux. L'ensemble d'entraînement sert à apprendre et l'ensemble de test sert à évaluer. On vérifie ainsi que le modèle ne se contente pas de mémoriser les exemples. L'entraînement ne fait pas tout pour autant. La préparation des données, le choix du modèle et l'évaluation comptent autant.
Dans la pratique
On prépare d'abord les données : les entrées (X) et la cible (y). Il reste à choisir un algorithme (régression linéaire, k-means, réseau de neurones) et à lancer l'entraînement. Dans un guide sur la régression linéaire la ligne reg.fit(X_train, y_train) fait apprendre ses coefficients au modèle. Une fois entraîné il est évalué sur les données de test avec des métriques comme la racine de l'erreur quadratique moyenne (RMSE) ou l'erreur moyenne en pourcentage (MAPE).
L'entraînement prend aussi d'autres formes. Dans l'apprentissage par renforcement le modèle apprend en recevant des récompenses. Les voitures autonomes s'entraînent en partie dans des simulateurs.
À ne pas confondre avec
- L'inférence est l'usage du modèle une fois entraîné. Il prédit sur de nouvelles données sans que ses paramètres changent.
- L'apprentissage est un terme plus général qui englobe l'entraînement et d'autres façons de s'adapter.
- Le fine-tuning est un entraînement complémentaire. On reprend un modèle déjà pré-entraîné et on l'ajuste sur des données spécifiques.