Apprentissage supervisé, non supervisé et par renforcement
Comment un système d'IA apprend : exemples étiquetés, données sans étiquette, essais et récompenses. Et pourquoi les données d'entraînement comptent.
Sur cette page
En 30 secondes
- Où ça arrive
- Dans les outils qui classent des messages, repèrent des activités suspectes ou pilotent un agent, c'est-à-dire un programme qui apprend par essais et reçoit un retour sur ses actions[1][2].
- Ce que veut l'attaquant
- Fausser l'entraînement en insérant ou en modifiant des exemples, ce que le NIST appelle l'empoisonnement des données[2].
- Le réflexe
- Se demander d'où viennent les données qui ont servi à entraîner un outil avant de se fier à son résultat, car un modèle n'est souvent aussi bon que les données qu'on lui donne[1].
De quoi parle-t-on
Un système d'IA courant n'a pas été programmé règle par règle. Selon Google[1], l'apprentissage automatique (machine learning) permet à un système d'apprendre et de s'améliorer seul, sans être explicitement programmé, en lui fournissant de grandes quantités de données. La façon dont on lui fournit ces données change ce qu'il apprend.
Google[1] présente quatre types de modèles. Trois sont décrits ici : l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement. Le quatrième, dit semi-supervisé, est une approche mixte où une partie seulement des données est étiquetée[1]. Pour un salarié, un point compte : un modèle dépend des données qui l'ont entraîné[1], et un attaquant peut chercher à les fausser[2].
Questions directes
Quelle est la différence entre les trois façons d'apprendre ?
Tout tient à ce que le système reçoit pendant l'entraînement. En apprentissage supervisé, il reçoit des exemples étiquetés[1]. En apprentissage non supervisé, il reçoit des données sans étiquette[1]. En apprentissage par renforcement, un agent interagit avec un environnement et apprend une politique, c'est-à-dire une façon d'agir, qui maximise sa récompense[2].
Un outil d'IA continue-t-il d'apprendre une fois en service ?
Le NCSC (Royaume-Uni)[3] définit l'apprentissage continu comme l'ensemble des méthodes qui ajustent ou prolongent l'entraînement d'un modèle une fois déployé, à partir des interactions et des retours d'usage. Google[1] indique de son côté qu'un modèle peut être réentraîné avec de nouvelles données et recevoir des retours d'utilisateurs réels. Le NIST[2] note que des détecteurs d'attaques sur des systèmes industriels sont souvent réentraînés avec des données collectées pendant leur fonctionnement, ce qui ouvre à un attaquant la possibilité de les empoisonner.
Qu'est-ce que l'empoisonnement des données ?
Le NIST[2] définit les attaques par empoisonnement comme des attaques menées pendant la phase d'entraînement. Dans un empoisonnement de données, l'adversaire contrôle une partie des données d'entraînement en insérant ou en modifiant des exemples[2]. L'ENISA[4] range l'empoisonnement des données parmi les menaces qui visent les systèmes d'apprentissage automatique, avec les attaques adversariales et l'exfiltration de données.
Comment ça marche
Apprentissage supervisé : apprendre avec des exemples corrigés
Le modèle reçoit des données étiquetées et apprend à relier une caractéristique à une étiquette[1]. Google[1] donne l'exemple de la reconnaissance de pommes : pour entraîner l'algorithme, on lui montre des images étiquetées comme des pommes. La réponse attendue est connue d'avance[1].
Le NIST[2] distingue deux familles de techniques supervisées : la classification, où les étiquettes prédites sont discrètes, et la régression, où elles sont continues. Microsoft[5] note que la sortie d'un modèle d'apprentissage automatique est le plus souvent une valeur numérique, comme un score ou une classification.
Le NIST[2] cite des classificateurs de spam entraînés sur des exemples d'e-mails. Il décrit aussi le cas de la classification de logiciels malveillants, où des fichiers peuvent être soumis par des attaquants à des plateformes de renseignement sur les menaces et où l'étiquetage est fait avec des signatures d'antivirus ou d'autres méthodes externes[2].
Apprentissage non supervisé : trouver des groupes sans consigne
Le modèle apprend des motifs à partir de données non étiquetées[1]. La « correctness » de la sortie n'est pas connue à l'avance : l'algorithme apprend des données sans intervention humaine et les classe en groupes selon leurs attributs[1]. Si on lui donne des images de pommes et de bananes, il les sépare tout seul[1]. Google[1] le juge efficace pour la modélisation descriptive et la recherche de motifs, et cite le regroupement par K-means parmi les algorithmes courants.
En sécurité, le NIST[2] mentionne des modèles non supervisés utilisés pour le regroupement de logiciels malveillants et pour la détection d'anomalies dans le trafic réseau. Il relève que leur empoisonnement a été démontré dans ces deux usages[2].
Apprentissage par renforcement : apprendre en essayant
Google[1] le décrit comme un apprentissage « learn by doing », par essais et erreurs. Un agent apprend une tâche à travers une boucle de retour, jusqu'à ce que sa performance atteigne un niveau souhaitable. Il reçoit un renforcement positif quand il réussit et négatif quand il échoue[1]. Dans l'exemple de Google[1], des chercheurs ont appris à un algorithme à jouer au go : sans connaître les règles, il a déplacé des pièces au hasard et a fini par battre un joueur humain.
Le NCSC (Royaume-Uni)[3] précise que ses principes de sécurité ne couvrent pas spécifiquement l'apprentissage par renforcement, car cette technique se développe différemment. Ils peuvent servir de base, mais des précautions de sécurité supplémentaires sont probablement nécessaires[3].
Les pièges
Des données de mauvaise qualité
Selon Google[1], si l'on suppose des données d'entraînement de bonne qualité, plus l'algorithme reçoit d'exemples, plus le modèle devient précis. À l'inverse, un algorithme alimenté avec un jeu de données biaisé produit des résultats biaisés[1]. L'obtention et le nettoyage de données structurées sont une première étape importante pour l'apprentissage supervisé, et ils peuvent être difficiles quand les données sont dispersées dans plusieurs endroits de l'organisation[1].
Des données empoisonnées
Le NIST[2] écrit que l'empoisonnement peut être organisé à grande échelle : un adversaire aux moyens financiers limités pourrait contrôler une fraction des jeux de données publics utilisés pour l'entraînement. Il peut dégrader le modèle sur tous les exemples, ou provoquer des erreurs sur un petit nombre d'exemples ciblés[2]. Une méthode simple, le retournement d'étiquettes, consiste à fournir des exemples d'entraînement dont l'étiquette est fausse ou modifiée[2].
Les défenses sont inégales. Les attaques qui dégradent le modèle sur tous les exemples sont en général détectables en surveillant les mesures de performance usuelles, comme la précision ou le rappel[2]. Les attaques ciblées sont à l'inverse « notoriously challenging to defend against » selon le NIST[2], qui cite comme mesures le contrôle d'accès aux données d'entraînement, le nettoyage et la validation des données, et l'attestation de leur provenance et de leur intégrité.
Le NCSC (Royaume-Uni)[3] rappelle que les systèmes d'IA et d'apprentissage automatique sont soumis à des vulnérabilités nouvelles, à considérer en plus des menaces classiques, et que la sécurité doit être une exigence tout au long du cycle de vie du système.
Un modèle peut être trompé sans toucher à son entraînement
Une attaque d'évasion modifie les exemples présentés à un modèle déjà entraîné pour changer sa prédiction[2]. Le NIST[2] cite l'étude d'un détecteur commercial de pages d'hameçonnage : sur 4 600 échantillons que le système jugeait incertains, les auteurs ont identifié 100 exemples adversariaux. Les attaquants n'y utilisaient pas de méthodes d'optimisation, mais des techniques simples comme le rognage, le masquage ou le flou d'image[2].
Le NIST[2] ajoute que concevoir des modèles qui résistent à l'évasion tout en gardant leur précision reste un problème ouvert. Certaines évasions contre des détecteurs de logiciels malveillants et contre un système de protection du courrier ont été démontrées par des chercheurs, mais elles n'ont pas donné lieu à des attaques dans la nature[2].
Des besoins en données variables
Microsoft[5] indique que l'apprentissage automatique peut fonctionner avec de petites quantités de données, alors que l'apprentissage profond a besoin de grandes quantités de données d'entraînement.
Sources
- Google, « What is Machine Learning? Types and uses ». https://cloud.google.com/learn/what-is-machine-learning (consulté le 14 novembre 2026)
- NIST, « Adversarial Machine Learning: A Taxonomy and Terminology of Attacks and Mitigations ». https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-2e2025.pdf (consulté le 14 novembre 2026)
- NCSC (Royaume-Uni), « Principles for security of Machine learning ML », 22 mai 2024. https://www.ncsc.gov.uk/collection/machine-learning-principles (consulté le 14 novembre 2026)
- ENISA, « Securing Machine Learning Algorithms | ENISA », 14 décembre 2021. https://www.enisa.europa.eu/publications/securing-machine-learning-algorithms (consulté le 14 novembre 2026)
- Microsoft, « Deep Learning vs. Machine Learning - Azure Machine Learning ». https://learn.microsoft.com/en-us/azure/machine-learning/concept-deep-learning-vs-machine-learning?view=azureml-api-2 (consulté le 14 novembre 2026)
Citer cet article
Brain, « Apprentissage supervisé, non supervisé et par renforcement », Cyberpedia, 2026. https:/
BibTeX
@misc{brain_cp502_fr_2026,
author = {Brain},
title = {Apprentissage supervisé, non supervisé et par renforcement},
year = {2026},
howpublished = {Cyberpedia},
url = {https://startbrain.io/cyberpedia/fr/articles/apprentissage-supervise-non-supervise-renforcement/},
note = {CC BY 4.0}
}