# Qu'est-ce que l'apprentissage supervisé ? Définition et différence avec le non supervisé

> L'apprentissage supervisé est une méthode d'apprentissage automatique dans laquelle un modèle s'entraîne sur des exemples dont la bonne réponse est connue (une « étiquette »), afin de prédire cette réponse pour des cas nouveaux. On le retrouve dans des usages prédictifs courants en entreprise : scoring de clients, détection de fraude, tri automatique des demandes.

## Définition
La CNIL définit l'apprentissage supervisé comme un procédé d'apprentissage automatique dans lequel l'algorithme s'entraîne à une tâche déterminée à partir d'un jeu de données dont chaque élément porte une annotation indiquant le résultat attendu. Concrètement, on montre au modèle un grand nombre d'exemples : un e-mail et sa catégorie (« réclamation », « devis », « résiliation »), une transaction et la mention « frauduleuse » ou « normale », une facture et son compte comptable. Le modèle ajuste ses paramètres pour réduire l'écart entre ses prédictions et ces réponses connues. On mesure ensuite sa performance sur des exemples annotés qu'il n'a jamais vus, avant de l'utiliser sur de vrais cas. Deux familles de tâches dominent : la **classification**, qui attribue une catégorie, et la **régression**, qui prédit une valeur chiffrée (un délai, un montant, une probabilité de défaut). L'apprentissage supervisé est l'un des trois grands paradigmes de l'apprentissage automatique, avec l'apprentissage non supervisé, qui travaille sur des données sans étiquette, et l'apprentissage par renforcement, qui apprend par essais et récompenses. Sa force est aussi sa limite : tout dépend des étiquettes. Elles coûtent du temps d'expert et reproduisent les erreurs ou les biais de ceux qui les ont posées. Le règlement européen sur l'IA en tient compte : pour les systèmes à haut risque, son article 10 exige une gouvernance des données d'entraînement, de validation et de test, y compris des opérations d'annotation et d'étiquetage. Les grands modèles de langage y recourent aussi : dans InstructGPT (OpenAI, 2022), un ajustement supervisé sur des réponses rédigées par des humains précède l'étape de RLHF.

## Exemple
Cas illustratifs (entreprises fictives). Une mutuelle régionale de 300 salariés reçoit plusieurs milliers d'e-mails d'adhérents par mois. Elle dispose de deux ans d'historique déjà classés par ses conseillers (remboursement, adhésion, résiliation, réclamation). Elle entraîne un modèle de classification qui propose une catégorie et une file de traitement pour chaque nouveau message. Les conseillers corrigent les erreurs, et ces corrections deviennent de nouvelles étiquettes pour le prochain entraînement. Dans un autre registre, un grossiste alimentaire utilise son historique d'impayés pour entraîner un modèle qui estime le risque de retard de paiement de chaque client professionnel. Le service crédit garde la décision : le score sert à prioriser les relances et à ajuster les conditions de paiement.

## Pour un dirigeant
Un projet d'apprentissage supervisé se juge d'abord sur ses étiquettes, bien avant l'algorithme. Trois implications pour le dirigeant. Premièrement, votre historique a de la valeur s'il est propre. Des tickets mal catégorisés ou des fraudes jamais qualifiées produisent un modèle qui apprend les mêmes erreurs. Avant de financer un modèle, faites vérifier un échantillon d'étiquettes par les métiers. Deuxièmement, la performance se mesure sur des cas que le modèle n'a pas vus et par catégorie. Un taux de réussite global élevé peut cacher un modèle qui rate presque toutes les fraudes, parce qu'elles sont rares. Exigez le détail des erreurs, et leur coût métier. Troisièmement, certains usages sont réglementés. Évaluer la solvabilité de particuliers ou établir leur score de crédit figure à l'annexe III de l'AI Act (haut risque), la détection de fraude financière en étant exclue ; depuis l'Omnibus numérique, ces obligations s'appliquent à partir du 2 décembre 2027. Préparez dès maintenant la traçabilité des données d'entraînement.

*Supervisé, non supervisé, par renforcement : les trois façons d'apprendre d'une IA*

| Critère | Supervisé | Non supervisé | Par renforcement |
| --- | --- | --- | --- |
| Données de départ | Exemples annotés avec la bonne réponse | Données brutes, sans réponse attendue | Pas de jeu de données fixe : des essais dans un environnement |
| Question traitée | « Quelle catégorie, quelle valeur ? » | « Quels groupes, quelles anomalies ? » | « Quelle action choisir pour obtenir le meilleur résultat ? » |
| Exemples en entreprise | Scoring, détection de fraude, classification de tickets | Segmentation client, détection d'anomalies, regroupement de verbatims | Optimisation logistique, publicité en ligne, ajustement des assistants IA (RLHF) |
| Principal coût | Constituer et vérifier les étiquettes | Interpréter les résultats avec les métiers | Construire un environnement ou une récompense fiable |
| Principal risque | Reproduire les erreurs et les biais des étiquettes | Trouver des groupes sans signification métier | Optimiser la récompense au détriment de l'intention réelle |

## Questions fréquentes

**L'apprentissage supervisé, c'est quoi en termes simples ?**
C'est apprendre par l'exemple corrigé. On fournit au modèle des cas passés accompagnés de la bonne réponse (ce ticket était une réclamation, cette transaction était une fraude). Il en déduit des règles statistiques qu'il applique ensuite aux cas nouveaux.

**Quelle est la différence entre apprentissage supervisé et non supervisé ?**
L'apprentissage supervisé part de données étiquetées et apprend à prédire une réponse connue à l'avance. L'apprentissage non supervisé part de données brutes, sans réponse attendue, et cherche des regroupements ou des anomalies. Le premier répond à « quelle catégorie ? », le second à « quels groupes se dessinent ? ».

**Quels sont des exemples d'apprentissage supervisé en entreprise ?**
Classification des tickets ou des e-mails entrants, détection de fraude sur les paiements, scoring du risque client, prévision des ventes ou des délais de livraison, lecture automatique de factures, contrôle qualité par image sur une ligne de production. Dans chaque cas, un historique annoté existe ou peut être constitué.

**Faut-il beaucoup de données étiquetées ?**
Cela dépend de la difficulté de la tâche et du nombre de catégories. Une tâche simple avec peu de catégories bien distinctes demande moins d'exemples qu'une tâche fine avec des cas rares. Pour du texte, on peut aussi partir d'un modèle de langage déjà entraîné et l'ajuster sur un volume réduit d'exemples maison (fine-tuning), ou tester d'abord une simple consigne avec quelques exemples.

**ChatGPT utilise-t-il l'apprentissage supervisé ?**
En partie. Les modèles de langage sont d'abord pré-entraînés sur de grands volumes de texte brut à prédire le mot suivant. Puis, comme le décrit l'article InstructGPT d'OpenAI (2022), ils sont ajustés de façon supervisée sur des réponses rédigées par des humains, avant une étape d'apprentissage par renforcement à partir de retours humains (RLHF).

**L'apprentissage supervisé est-il encadré par l'AI Act ?**
La technique en elle-même ne l'est pas ; ce sont les usages qui le sont. Un modèle supervisé qui évalue la solvabilité de particuliers, trie des candidatures ou décide de l'accès à certains services peut relever du haut risque (annexe III). Il doit alors respecter l'article 10 sur la qualité et la gouvernance des données, obligations applicables à partir du 2 décembre 2027 depuis l'Omnibus numérique.

## À lire aussi

- [Apprentissage non supervisé](https://wyp.agency/glossaire/apprentissage-non-supervise/)
- [Apprentissage par renforcement](https://wyp.agency/glossaire/apprentissage-par-renforcement/)
- [Données d'entraînement](https://wyp.agency/glossaire/donnees-entrainement/)
- [Entraînement](https://wyp.agency/glossaire/entrainement/)
- [Biais algorithmique](https://wyp.agency/glossaire/biais-algorithmique/)
- [Fine-tuning](https://wyp.agency/glossaire/fine-tuning/)

## Sources

- Apprentissage supervisé, définition, CNIL (https://www.cnil.fr/fr/definition/apprentissage-supervise)
- Supervised learning, cours Introduction to Machine Learning, Google for Developers (https://developers.google.com/machine-learning/intro-to-ml/supervised)
- Règlement (UE) 2024/1689 sur l'intelligence artificielle (AI Act), article 10 et annexe III, EUR-Lex (https://eur-lex.europa.eu/eli/reg/2024/1689/oj)
- Ouyang et al., Training language models to follow instructions with human feedback (InstructGPT), OpenAI, arXiv, 4 mars 2022 (https://arxiv.org/abs/2203.02155)

---
Fiche du glossaire IA de WYP.agency · https://wyp.agency/glossaire/apprentissage-supervise/ · Dernière mise à jour : 2026-10-14