Extrait court
L’apprentissage supervisé est un type d’apprentissage automatique. La machine apprend en se basant sur des données étiquetées.
Définition courte
Type d’apprentissage automatique (AA) dans lequel un algorithme est entraîné à partir d’un ensemble de données déjà annotées (étiquetées) ou d’un modèle de classement prédéterminé. L’objectif est d’établir une relation entre les données et les étiquettes, permettant au système de prédire ou de classer automatiquement de nouvelles données non étiquetées.
Définition longue
L’apprentissage supervisé est l’une des trois principales approches de l’apprentissage automatique (AA), une branche de l’intelligence artificielle (IA). Dans cette approche, l’apprentissage repose sur la fourniture à l’algorithme d’une grande quantité de données d’entraînement qui ont été préalablement identifiées et décrites par des humains (étiquetées).
Le processus implique l’intervention d’ingénieures ou d’ingénieurs humains qui fournissent à l’ordinateur des données étiquetées. L’algorithme d’apprentissage, ou “apprenant”, est entraîné sur ces exemples pour construire un modèle capable de déterminer la meilleure façon d’analyser les nouveaux intrants et de produire l’extrant souhaité (prédire ou classifier) [l, 2263]. Pour que le modèle soit efficace, il nécessite une bonne quantité de données de qualité et bien étiquetées. Le processus d’étiquetage consiste à associer une information descriptive à une donnée brute pour en éclairer la nature et les caractéristiques.
En contexte d’enseignement supérieur au Québec et en général, l’apprentissage supervisé est une technique fondamentale utilisée pour les systèmes d’IA traditionnels et est appliqué dans l’extraction et la gestion de connaissances (EGC) à des fins de prévision. Par exemple, les systèmes de reconnaissance vocale s’entraînent sur de grandes quantités de paroles encodées et associées aux mots correspondants (étiquettes) pour améliorer leur capacité à reconnaître la parole d’une diversité de locuteurs.
Éléments clés
- Type d’apprentissage automatique (AA)
- Nécessite des données d’entraînement préalablement étiquetées/classifiées
- L’humain est essentiel pour identifier et annoter les données d’entrée
- Objectif : construire un modèle pour prédire ou classifier de nouvelles données
- Est un pilier des SIA traditionnels
Exemple d’application
Pour développer un outil d’aide à la correction, une équipe technopédagogique fournit à la machine des milliers de textes d’étudiants qui ont été préalablement corrigés et étiquetés par des personnes enseignantes, afin que l’algorithme apprenne à associer les bonnes corrections aux erreurs.
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.
- Organisation des Nations Unies pour l’éducation, la science et la culture (UNESCO). (2021). IA et éducation : guide pour les décideurs politiques.
- Nations Unies. (2024). Gouverner l’IA au bénéfice de l’humanité : Rapport final.
- Organisation des Nations Unies pour l’éducation, la science et la culture (UNESCO) & Mila – Institut québécois d’intelligence artificielle. (2023). Angles morts de la gouvernance de l’IA.