Machine learning : apprendre sans être programmé
La programmation traditionnelle est explicite : vous écrivez des règles précises ("si l'email contient le mot 'loterie', c'est du spam"). Le machine learning est différent : vous donnez des milliers d'exemples d'emails spam et non-spam, et l'algorithme apprend les règles lui-même.
Cette distinction est fondamentale. Les règles manuelles ne peuvent pas capturer la complexité du monde réel. Le ML peut identifier des patterns dans des millions de dimensions que l'humain ne pourrait jamais coder à la main.
Les trois types d'apprentissage
Supervisé — vous fournissez des paires entrée/sortie étiquetées. L'algorithme apprend à mapper les entrées vers les sorties. Exemple : classification de CVs (entrée = CV, sortie = embauché / non embauché).
Non supervisé — vous fournissez des données sans étiquettes. L'algorithme découvre des structures cachées. Exemple : segmentation client (l'algorithme découvre des groupes naturels dans votre base).
Par renforcement — l'algorithme apprend par essais-erreurs, avec des récompenses pour les bonnes actions. Utilisé pour entraîner les LLM (RLHF) et les systèmes de recommandation.
Exemple pratique step-by-step
Prédiction du turnover avec le ML :
Étape 1 — Collecter les données historiques : données RH des 3-5 dernières années (ancienneté, évaluations de performance, absentéisme, promotions, formations, département, données salariales anonymisées, statut final : resté / parti).
Étape 2 — Préparer les données : nettoyer, encoder les variables catégorielles, gérer les valeurs manquantes.
Étape 3 — Entraîner un modèle : avec Python et scikit-learn (Random Forest, XGBoost) ou via une plateforme AutoML.
Étape 4 — Évaluer : précision sur un jeu de test réservé (typiquement 20% des données).
Étape 5 — Déployer : intégrer le modèle dans votre SIRH pour mettre à jour le score de risque de chaque collaborateur mensuellement.
Résultat : identifier 6-12 mois à l'avance les collaborateurs à risque de départ pour engager des actions de rétention ciblées. ROI mesuré : réduction du turnover de 15-25% dans les entreprises qui déploient ce type de solution.