Extrait court
Branche de l’intelligence artificielle (IA) qui permet aux machines d’évaluer et d’améliorer leurs performances en acquérant de nouvelles connaissances à partir de données sans avoir été explicitement programmé pour le faire.
Définition courte
Technologie fondamentale de l’intelligence artificielle (IA) qui consiste à programmer un algorithme pour qu’il apprenne par lui-même (autoapprentissage) en analysant de grandes quantités de données et en identifiant des modèles, ce qui lui permet d’améliorer ses performances et d’extrapoler des résultats futurs.
Définition longue
L’Apprentissage automatique (AA, Machine learning) est une branche de l’intelligence artificielle (IA) qui permet aux systèmes informatiques d’améliorer continuellement leurs performances [d] et d’acquérir de nouvelles aptitudes à partir de l’analyse de vastes ensembles de données. L’AA est un domaine qui analyse de grandes quantités de données pour identifier des modèles et construire un modèle mathématique complexe [b], lequel est ensuite utilisé pour extrapoler des données futures. Il est parfois appelé apprentissage statistique.
L’AA est le domaine d’étude où l’on programme un algorithme pour qu’il apprenne par lui-même (autoapprentissage), sans avoir été explicitement programmé pour chaque tâche spécifique. Cette approche est cruciale, car elle est à la base de nombreuses avancées récentes en IA, notamment le traitement du langage naturel et les voitures autonomes. Il existe plusieurs types d’AA, dont l’apprentissage supervisé, non supervisé, par renforcement et l’apprentissage profond (Deep learning), ce dernier étant la technologie sous-jacente aux systèmes d’IA générative modernes.
Dans le contexte de l’enseignement supérieur, bien que l’AA soit une technologie automatisée, elle dépend entièrement de l’intervention humaine pour sélectionner, nettoyer et étiqueter les données. Il est important de noter que si les données d’entraînement contiennent des biais humains, les algorithmes d’AA risquent de reproduire, d’amplifier et de systématiser ces biais et stéréotypes, soulevant d’importantes questions d’équité et d’éthique dans son déploiement.
Éléments clés
- Branche de l’intelligence artificielle (IA)
- Apprentissage par analyse de données massives
- Permet l’amélioration automatique des performances (autoapprentissage)
- Comprend l’apprentissage profond (Deep learning)
- Processus nécessitant l’intervention humaine (sélection et étiquetage des données)
- Risque de reproduction et d’amplification des biais sociétaux
Exemple d’application
L’administration d’un établissement implante un système qui analyse les données historiques d’inscription pour prédire les périodes de forte affluence. Le système apprend de lui-même à partir des données fournies, sans que les informaticiens aient eu à programmer des règles strictes sur ce qui cause l’affluence.
Sources d’inspiration
- Observatoire international sur les impacts sociétaux de l’intelligence artificielle et du numérique (Obvia). (2025). Glossaire de l’Obvia.
- Comité école et société (FNEEQ-CSN). (2023). Intelligence artificielle en éducation : De la mission à la démission sociale : replaçons l’humain au cœur de l’enseignement.
- Ministère de la Cybersécurité et du Numérique (MCN). (2024). Stratégie d’intégration de l’intelligence artificielle dans l’administration publique 2021-2026.
- Conseil supérieur de l’éducation et Commission de l’éthique en science et en technologie (CSE et CEST). (2024). Intelligence artificielle générative en enseignement supérieur : enjeux pédagogiques et éthiques.
- Organisation des Nations Unies pour l’éducation, la science et la culture (UNESCO). (2021). IA et éducation : guide pour les décideurs politiques.