jeudi 6 août 2026
Le grand retour du Machine Learning comme créateur de valeur
Pourquoi le Machine Learning compte encore
Il est tentant de voir l'IA agentique, les workflows et les bots comme l'aboutissement pour toute organisation. La réalité est plus pragmatique : étiqueter des données et en tirer des prédictions restent des besoins métier majeurs, et le machine learning traditionnel (ML) reste souvent le moyen le plus efficace d'y répondre.
Pour les données structurées, les cas d'usage sont connus et créateurs de valeur : décider d'accorder un prêt et à quel taux, identifier les équipements susceptibles de nécessiter une mise à niveau, ou détecter des schémas révélateurs d'un risque. Pour les données non structurées, le machine learning et le deep learning restent également efficaces pour des tâches comme la classification de documents ou l'identification de comportements suspects dans des images vidéo.
L'IA générative et l'IA agentique ont élargi le champ des possibles, mais elles n'ont pas remplacé la valeur éprouvée du machine learning : la boîte à outils IA de l'entreprise s'est enrichie, elle ne s'est pas réduite..
Là où le Machine Learning garde l'avantage
Le Machine Learning reste particulièrement performant pour la prédiction à partir de données tabulaires. Dans ce contexte, des modèles plus simples et plus explicables offrent une vision plus claire des facteurs qui déterminent un résultat. Cette interprétabilité peut compter autant que la performance prédictive brute, surtout lorsque les décisions doivent pouvoir être comprises et remises en question.
L'automatisation garde toute sa place. L'AutoML peut fournir un benchmark utile et permettre d'identifier un modèle nettement plus précis. L'enjeu n'est pas de choisir entre code et automatisation par principe, mais de comprendre l'arbitrage et de retenir l'approche qui sert le mieux le cas d'usage.
Python reste également un pilier de la boîte à outils data science. Même lorsque le code est généré avec assistance, celui qui en assure la qualité doit comprendre ce qui s'exécute, pourquoi cela fonctionne, et comment le diagnostiquer quand ce n'est pas le cas.
Le jugement humain reste indispensable
Le feature engineering illustre particulièrement bien pourquoi le jugement humain continue de compter. Combiner des variables, ajuster des distributions, simplifier une information bruitée ou identifier un nouveau prédicteur : tout cela repose sur une compréhension fine du problème métier.
Le contexte change d'un cas d'usage à l'autre. Une date enregistrée sous la forme « 190624 », par exemple, peut s'interpréter de plusieurs façons. Sans le bon contexte, un système ne peut pas déterminer avec certitude s'il s'agit du 19 juin 2024, du 24 juin 2019, ou simplement d'un nombre entier. C'est la supervision humaine qui lève cette ambiguïté et garantit une préparation adéquate des données.
Les différentes étapes du pipeline appellent donc des niveaux d'autonomie différents. Le chargement et le profilage des données peuvent souvent être automatisés. Le feature engineering se prête mieux à une collaboration homme-machine. Définir le problème et choisir les bonnes données doivent rester des décisions humaines. Le rôle n'est pas de rivaliser avec l'IA, mais d'être le pilote qui accompagne le copilote.
Moderniser le Machine Learning historique
Dans les services financiers, le machine learning n'a rien de nouveau : les modèles de risque de crédit et les techniques de détection de fraude sont utilisés depuis des années. Le problème, c'est que beaucoup tournent encore dans des environnements legacy, s'appuient sur des outils datés, ou fonctionnent dans une forme de pseudo-production, où quelqu'un exécute manuellement un modèle sur de nouvelles données selon un cycle fixe.
C'est là que la modernisation crée de la valeur. Les plateformes cloud peuvent rendre les modèles existants plus rapides et plus sécurisés, tandis que le MLOps automatise le déploiement, la supervision, la maintenance et le réentraînement. La surveillance du concept drift permet aux équipes de savoir quand la relation entre les données et les résultats a évolué, afin de rafraîchir les modèles et de les maintenir pertinents.
Comparé aux pratiques émergentes d'AgentOps, le MLOps est beaucoup plus mature. Le machine learning peut aussi nécessiter moins de puissance de calcul que les approches génératives ou agentiques, car il ne dépend pas d'un traitement basé sur les tokens.
Choisir la bonne technologie pour le bon problème
L'objectif est de résoudre un problème métier, pas de forcer la technologie la plus récente dans un cas d'usage. Partir de l'outil plutôt que du besoin ajoute de la complexité sans créer de valeur durable.
Une approche plus solide consiste à sensibiliser les parties prenantes aux options disponibles, à identifier et prioriser les cas d'usage, puis à choisir la solution la plus adaptée. Cela peut être de l'IA agentique, un workflow, de l'IA générative, du machine learning, un dashboard, ou une automatisation sans IA. Dans certains cas, la réponse combinera plusieurs de ces approches au sein d'une même solution.
La palette complète compte. Elle inclut l'IA agentique et générative, d'autres techniques génératives, le machine learning, les dashboards, l'analytics web et l'automatisation traditionnelle. De nombreuses organisations sont encore en train de développer leur maturité data, et des techniques éprouvées peuvent donc libérer une valeur considérable, même lorsqu'elles ne sont plus considérées comme nouvelles.
Echangeons ensemble
Thématiques en lien