Machine learning, deep learning, LLM : ces trois mots ne désignent pas trois technologies rivales entre lesquelles il faudrait choisir. Ils désignent trois niveaux emboîtés, du plus large au plus étroit. Le machine learning est une manière de fabriquer de l'intelligence artificielle, le deep learning est une famille de méthodes à l'intérieur du machine learning, et un LLM est un objet particulier construit avec ces méthodes.
Tant que cet emboîtement n'est pas clair, une bonne partie des discussions sur le sujet reste incompréhensible, et pour une raison simple : deux personnes emploient le même mot pour parler de choses de tailles très différentes. Cet article remet les trois termes à leur place, explique pourquoi on les confond, et donne quatre questions qui permettent de savoir de quoi on vous parle.
Sommaire
- Trois termes, trois niveaux emboîtés
- Ce que chaque terme désigne réellement
- Pourquoi on les confond, et ce que ça coûte
- Comment reconnaître de quoi on vous parle
- Comment utiliser ces distinctions en pratique
- Questions fréquentes
Trois termes, trois niveaux emboîtés
La bonne image n'est pas celle de trois cases côte à côte, c'est celle de trois cercles rangés les uns dans les autres. Tout LLM relève du deep learning, tout deep learning relève du machine learning, tout machine learning relève de l'intelligence artificielle. L'inverse n'est jamais vrai, et c'est là que les malentendus commencent.
L'intelligence artificielle, le grand ensemble
C'est le terme le plus ancien et le plus vague des quatre. Il recouvre toute tentative de faire exécuter à une machine une tâche que l'on associe habituellement à l'intelligence humaine : reconnaître, classer, décider, planifier, traduire. Un système de règles écrites à la main par des experts, sans le moindre apprentissage, appartient à cette catégorie. C'est ainsi qu'on a longtemps procédé.
Autrement dit, « intelligence artificielle » ne dit rien de la méthode employée. C'est une catégorie d'objectifs, pas une technique.
Le machine learning, une façon de fabriquer cette intelligence
Le machine learning, que l'on traduit par apprentissage automatique, désigne une manière précise d'y arriver : au lieu d'écrire les règles, on montre des exemples et on laisse le système en dégager les régularités. Ce basculement est le sujet central de notre article sur comment fonctionne l'intelligence artificielle, et il suffit à lui seul à expliquer la plupart des comportements surprenants de ces outils.
Un filtre anti-spam entraîné sur des messages déjà étiquetés, un système qui prédit une consommation à partir d'historiques, un moteur de recommandation : tout cela est du machine learning, et rien de tout cela n'est un LLM.
Le deep learning, une famille de méthodes à l'intérieur
Le deep learning, ou apprentissage profond, est un sous-ensemble du machine learning caractérisé par l'architecture utilisée : des réseaux de neurones artificiels organisés en couches successives, d'où l'adjectif « profond ». Chaque couche transforme ce que la précédente lui a transmis.
Sa particularité tient en une phrase : il apprend lui-même quelles caractéristiques du signal sont pertinentes, au lieu qu'on les lui indique. Dans les approches antérieures, un humain devait décider à l'avance ce qu'il fallait mesurer. Avec l'apprentissage profond, cette étape est absorbée par le modèle. Cela explique ses réussites sur l'image et le son, où personne ne sait vraiment décrire à l'avance ce qui distingue une chose d'une autre.
Le LLM, un objet particulier construit ainsi
Un LLM, pour « large language model », est un modèle de langage de grande taille : un modèle entraîné par apprentissage profond sur d'énormes quantités de texte, avec un objectif d'entraînement d'une simplicité déconcertante, prédire la suite d'une séquence. C'est le plus récent des quatre termes, c'est celui que le public a rencontré en premier, et c'est précisément pour cette raison qu'il a fini par absorber les trois autres dans le langage courant.
Ce que chaque terme désigne réellement
Le test qui départage les trois n'est pas la performance, c'est le niveau de généralité. Un même système peut légitimement être décrit par les quatre mots, comme une truite peut être décrite comme un poisson, un vertébré et un animal. Ce qui n'est pas légitime, c'est d'employer le terme étroit pour parler du large.
| Terme | Ce que c'est | Ce qui le caractérise | Exemple qui en relève |
|---|---|---|---|
| Intelligence artificielle | Une catégorie d'objectifs | Faire exécuter une tâche cognitive à une machine | Un système de règles écrites à la main |
| Machine learning | Une manière d'y parvenir | Apprendre des régularités à partir d'exemples | Un filtre anti-spam entraîné sur des messages étiquetés |
| Deep learning | Une famille de méthodes du machine learning | Des couches successives qui apprennent seules quoi mesurer | La reconnaissance d'objets dans une photo |
| LLM | Un type de modèle construit par deep learning | Entraîné sur du texte, prédit la suite d'une séquence | Un assistant de rédaction |
Le machine learning n'a pas attendu les LLM
C'est le point que la confusion actuelle fait le plus disparaître. Des systèmes d'apprentissage automatique fonctionnent depuis longtemps dans des domaines où ils ne portent aucun nom commercial : détection de fraude, maintenance prédictive, tri de documents, estimation de risques. Ils n'ont rien d'un modèle de langage, ils ne produisent pas de texte, et ce sont eux qui prennent le plus de décisions vous concernant.
Un LLM est un cas particulier, pas un aboutissement
Présenter le LLM comme l'étape la plus avancée d'une progression donne une image fausse. C'est une architecture spécialisée dans le traitement de séquences, remarquablement efficace sur le langage, et sans pertinence particulière pour beaucoup de problèmes qui restent mieux traités par des méthodes plus anciennes, plus légères et plus explicables.
Pourquoi on les confond, et ce que ça coûte
La confusion ne vient pas d'un manque de curiosité du public : elle vient de ce que le vocabulaire commercial a intérêt à l'entretenir. Un terme large se vend mieux qu'un terme exact, parce qu'il permet de promettre davantage.
Le terme le plus récent absorbe les précédents
C'est un mécanisme classique du langage. Le mot qui arrive avec la nouveauté visible devient le mot par défaut pour tout le domaine, et les termes qui existaient avant sont réinterprétés à travers lui. « IA » aujourd'hui, dans la plupart des conversations, veut dire « assistant conversationnel », ce qui est un rétrécissement considérable du sens d'origine.
L'emballage marketing efface les niveaux
Un produit annoncé comme « propulsé par l'intelligence artificielle » n'a rien dit de sa méthode. La formule est compatible avec un modèle de langage sophistiqué comme avec une poignée de règles conditionnelles écrites en une après-midi. L'absence de précision n'est pas un hasard de rédaction : c'est ce que la formule permet.
Ce que la confusion vous coûte concrètement
Trois effets, et ils sont tous pratiques. Vous ne savez pas quelles questions poser à un fournisseur, donc vous ne pouvez pas comparer deux offres. Vous appliquez à un système la méfiance qui conviendrait à un autre, ce qui vous rend soit trop inquiet, soit trop confiant. Et vous n'arrivez pas à situer les débats publics, parce que les questions que soulève un modèle de langage ne sont pas celles que soulève un système de scoring, sujet que nous abordons dans notre article sur l'IA éthique.
Comment reconnaître de quoi on vous parle
Quatre questions suffisent, et aucune ne demande de compétence technique. Elles fonctionnent aussi bien face à un commercial que devant un article de presse.
Question 1 : d'où viennent les règles ? Si quelqu'un les a écrites, vous êtes devant un système classique, quel que soit le nom qu'on lui donne. Si elles ont été déduites d'exemples, vous êtes dans le machine learning.
Question 2 : quelles données sont entrées dans l'apprentissage ? La réponse détermine tout le reste : ce que le système sait, ce qu'il ignore, et sur quoi il se trompera. Une question sans réponse claire est en elle-même une information.
Question 3 : que produit-il en sortie ? Une étiquette, un score, une prédiction chiffrée, ou du texte en langue naturelle ? Les trois premiers cas ne relèvent pas des modèles de langage, même si le fournisseur emploie le même vocabulaire pour tout.
Question 4 : peut-on expliquer une décision particulière ? Certains systèmes d'apprentissage automatique, notamment les plus simples, permettent de retracer ce qui a pesé dans un résultat. Les architectures profondes le permettent beaucoup moins. C'est la question décisive dès qu'une décision concerne une personne.
Les limites de ce tri
Il vous dit de quelle famille relève un outil, pas s'il est bon. Un LLM correctement employé peut valoir mieux qu'un modèle plus simple mal entraîné, et l'inverse est tout aussi vrai. Ce tri ne dit rien non plus des systèmes composites, très courants en pratique, où plusieurs briques de natures différentes sont assemblées derrière une seule interface. Dans ce cas, la bonne question n'est plus « qu'est-ce que c'est » mais « quelle brique a produit ce résultat précis », et il n'est pas toujours possible d'obtenir la réponse.
Comment utiliser ces distinctions en pratique
Avant d'évaluer un outil, dessinez les trois ensembles imbriqués : intelligence artificielle, machine learning, deep learning. Placez ensuite l'outil au niveau le plus précis que vous pouvez justifier et notez ce qui reste inconnu. Cet exercice n'établit pas sa qualité, mais il évite d'attribuer à un modèle de langage les propriétés de tous les systèmes d'IA. Il transforme aussi une question vague — « est-ce de l'IA ? » — en questions vérifiables sur les données, la tâche et les erreurs possibles.
Les conférences et ateliers d'IA Innovateurs sont gratuits et ouverts à tous les niveaux, débutants compris. L'adhésion est distincte et facultative, à 25 € par an, avec un tarif solidaire à 10 €.
Questions fréquentes
Faut-il connaître ces distinctions pour se servir d'un outil d'IA ?
Non pour l'usage quotidien le plus simple, oui dès que vous devez juger un résultat ou choisir entre deux solutions. Savoir de quelle famille relève un outil vous indique où porter votre attention : sur les données d'entraînement pour un système de classement, sur la vérification des faits pour un modèle de langage. C'est une économie de méfiance, en quelque sorte : vous cessez de vous inquiéter partout pour vous inquiéter au bon endroit. Notre article sur comment utiliser l'intelligence artificielle développe cette manière de trier les tâches.
Un LLM est-il plus « intelligent » qu'un modèle de machine learning classique ?
La question est mal posée, et c'est justement ce que l'emboîtement permet de voir. Un modèle de langage traite des séquences de mots avec une souplesse qu'aucune méthode antérieure n'atteignait, et il est totalement inadapté à des problèmes que résout très bien un modèle plus ancien, plus rapide et plus léger. Comparer les deux revient à demander si un camion est plus rapide qu'un vélo : cela dépend entièrement de ce que vous transportez et de la distance. La bonne question porte sur l'adéquation à la tâche, jamais sur une supériorité générale.
Pourquoi entend-on parler de « réseaux de neurones » à propos de tout cela ?
Parce que c'est l'architecture sur laquelle repose l'apprentissage profond. Le terme est une analogie ancienne, et elle est trompeuse si on la prend au pied de la lettre : il n'y a pas de neurone là-dedans, seulement des unités de calcul organisées en couches, qui combinent des nombres et transmettent le résultat à la couche suivante. L'analogie a survécu parce qu'elle est commode, pas parce qu'elle est exacte. Nous la reprenons dans notre vocabulaire de l'IA expliqué sans jargon, avec les autres mots dont la traduction courante induit en erreur.
Est-ce que ces catégories vont continuer à bouger ?
Oui, et il faut s'y attendre plutôt que de chercher un vocabulaire définitif. Ces termes sont apparus à des moments différents, portés par des communautés différentes, et leur usage se déplace à mesure que les techniques dominantes changent. Ce qui bouge peu, en revanche, c'est la logique d'emboîtement : une méthode particulière restera un cas particulier d'une famille plus large, quel que soit le nom que prendra cette famille. Retenir la structure plutôt que les étiquettes vous protège du vieillissement du vocabulaire.
Envie de poser vos questions à voix haute plutôt que de lire ? Consultez les prochaines rencontres, découvrez qui nous sommes, ou écrivez-nous. Deux articles prolongent celui-ci : les confusions les plus tenaces sont reprises une par une dans cinq idées fausses sur l'intelligence artificielle, et ce que ces systèmes ne parviennent toujours pas à faire est détaillé dans ce que l'IA ne sait toujours pas faire.