Le machine learning, ou apprentissage automatique, est souvent présenté comme une technologie complexe réservée aux experts. En réalité, son principe de base est simple : au lieu de programmer des règles une par une, on laisse une machine apprendre à partir de données. C’est ce changement de logique qui explique pourquoi tant d’outils d’intelligence artificielle sont devenus utiles pour les entreprises, du tri d’e-mails à la prévision commerciale, en passant par l’automatisation du service client.
Pour une PME, comprendre cette définition n’est pas un luxe théorique. C’est un avantage concret. Si vous savez comment un système apprend, ce qu’il peut faire, et surtout ce qu’il ne peut pas faire, vous prenez de meilleures décisions pour vos achats logiciels, vos projets internes et vos gains de productivité. Derrière les promesses marketing, il existe une mécanique précise, des familles d’approches distinctes et des limites qu’il vaut mieux connaître avant d’investir du temps ou du budget.
En bref
- Le machine learning permet à un système d’apprendre à partir d’exemples plutôt que de règles codées à la main.
- Il repose sur des algorithmes, des données et un modèle capable de faire des prédictions sur des cas nouveaux.
- Les trois grandes familles sont le supervisé, le non supervisé et l’apprentissage par renforcement.
- Le deep learning fait partie du machine learning, notamment via les réseaux neuronaux.
- Les usages les plus concrets concernent la fraude, la recommandation, la prévision, le langage et l’analyse de données.
- La qualité des résultats dépend surtout de la qualité des jeux de données et de la capacité à contrôler les biais.
Machine learning définition : ce que recouvre réellement l’apprentissage automatique
La meilleure façon de définir le machine learning consiste à partir d’une comparaison simple. En programmation classique, un humain écrit explicitement les règles. Si un e-mail contient tel mot, alors il est classé dans telle catégorie. En apprentissage automatique, on montre au système des milliers d’exemples déjà classés. Il observe les régularités, repère des motifs, puis construit lui-même une règle statistique capable de décider sur de nouveaux cas. Le cœur de l’idée est là : apprendre à partir de l’expérience accumulée dans les données.
Cette approche appartient au grand ensemble de l’intelligence artificielle. Plus précisément, c’est une branche qui vise à donner aux machines la capacité d’améliorer leurs performances sans reprogrammation détaillée pour chaque scénario. Le résultat de cet apprentissage s’appelle un modèle prédictif. Ce modèle n’est pas une intuition magique ni une conscience numérique. C’est un objet mathématique qui associe une entrée à une sortie probable, par exemple un message à la probabilité qu’il soit un spam, ou un historique client à la probabilité d’achat.
Il est utile d’insister sur ce point, car beaucoup de dirigeants confondent encore automatisation simple et machine learning. Un formulaire qui applique toujours la même règle n’apprend rien. Un système qui ajuste ses décisions à partir d’exemples historiques, lui, entre bien dans le champ de l’apprentissage. Cette nuance change tout. Elle explique pourquoi un modèle peut s’améliorer quand vous lui fournissez de nouvelles observations, et pourquoi il peut aussi se tromper si ses données de départ sont incomplètes, déséquilibrées ou biaisées.
Point clé : le machine learning ne “pense” pas comme un humain. Il repère des corrélations utiles pour prédire ou classer.
On parle parfois d’apprentissage statistique, et cette expression est très juste. Le but n’est pas de mémoriser les exemples par cœur, mais de construire un système qui réduit son erreur moyenne. En clair, il doit bien fonctionner sur des situations nouvelles, pas seulement sur les cas déjà vus. C’est ce qu’on appelle la capacité de généralisation. Une entreprise peut ainsi entraîner un outil sur les demandes clients passées, puis l’utiliser pour orienter les nouvelles demandes qui arrivent chaque jour.
Pour aller plus loin dans une explication pédagogique, vous pouvez consulter cette définition du machine learning par IBM ou encore la définition de l’apprentissage automatique proposée par la CNIL. Ces ressources ont le mérite de rappeler que le sujet n’est pas réservé aux laboratoires de recherche. Il concerne déjà les usages métiers du quotidien.
Une autre confusion fréquente concerne la place du deep learning. Il ne remplace pas le machine learning, il en fait partie. Les réseaux neuronaux profonds constituent simplement une famille particulière, très efficace pour traiter des images, de l’audio ou du texte. Pour beaucoup de besoins en PME, notamment sur des tableaux de chiffres, des historiques commerciaux ou des données CRM, des approches plus classiques restent très pertinentes, parfois même plus rapides à déployer et plus simples à expliquer.
Vous vous demandez comment relier cette notion à des outils accessibles, gratuits ou freemium ? Parcourez notre guide sur la définition de l’intelligence artificielle pour situer clairement le machine learning dans l’écosystème plus large de l’IA.
À retenir : comprendre la définition du machine learning, c’est déjà mieux distinguer une promesse réelle d’un simple argument commercial.
Comment fonctionne le machine learning : données, entraînement et prédictions
Le fonctionnement du machine learning suit presque toujours une logique en deux temps. D’abord, la machine apprend à partir d’un jeu de données d’entraînement. Ensuite, elle applique ce qu’elle a appris à de nouvelles informations qu’elle n’a jamais vues. Cela peut sembler abstrait, mais le principe est très proche de l’expérience humaine. Vous observez des cas, vous identifiez des régularités, puis vous anticipez ce qui va se passer dans une situation similaire.
Dans un projet concret, la première étape consiste à rassembler des exemples fiables. Une entreprise qui veut prévoir ses ventes devra collecter l’historique commercial, la saisonnalité, les promotions, peut-être même la météo ou les jours fériés selon son activité. Une société qui veut automatiser le tri des demandes clients utilisera des messages passés, leurs catégories, et parfois les délais de traitement associés. Sans matière première de qualité, même les meilleurs algorithmes resteront décevants.
Le processus complet suit généralement cette séquence :
- Définir le problème : que cherchez-vous à prévoir, détecter ou classer ?
- Collecter et nettoyer les données : supprimer les doublons, gérer les champs manquants, harmoniser les formats.
- Entraîner le modèle : ajuster ses paramètres pour réduire ses erreurs.
- Évaluer : tester sur des cas mis de côté pour vérifier la performance réelle.
- Déployer : utiliser le modèle dans un outil métier ou un processus opérationnel.
La phase d’entraînement est souvent décrite comme une optimisation. En pratique, le système modifie progressivement ses réglages internes pour mieux coller aux exemples fournis. Dans certains cas, il utilise des méthodes comme la descente de gradient. Vous n’avez pas besoin d’entrer dans les détails mathématiques pour en comprendre l’intérêt : le modèle essaie, mesure son erreur, corrige, puis recommence jusqu’à obtenir un niveau satisfaisant.
Quand on parle de réseaux neuronaux, cette logique devient plus puissante mais aussi plus coûteuse. Les modèles comportent de nombreuses couches de calcul, chacune ajustée grâce à un mécanisme de correction appelé rétropropagation. C’est ce qui a permis l’accélération spectaculaire de l’IA moderne depuis les années 2010, puis l’essor des transformeurs à partir de 2017, aujourd’hui au cœur des grands modèles de langage. Pourtant, dans beaucoup de projets business, la sophistication maximale n’est pas l’objectif. Ce qui compte, c’est un bon niveau de fiabilité, un délai de mise en œuvre raisonnable et une lecture claire des résultats.
| Étape | Objectif | Exemple PME |
|---|---|---|
| Préparation | Fiabiliser les données | Nettoyer un export CRM avant prévision commerciale |
| Entraînement | Apprendre à partir des exemples | Identifier les motifs d’un client qui renouvelle son contrat |
| Évaluation | Mesurer la précision réelle | Vérifier si le score de churn reste fiable sur des clients récents |
| Production | Utiliser le modèle au quotidien | Déclencher une alerte pour les comptes à risque |
Il faut aussi comprendre qu’un modèle peut continuer à évoluer. Certains systèmes sont incrémentaux : ils apprennent encore en production à partir de nouveaux signaux. Cela ouvre des perspectives fortes pour les outils conversationnels, les moteurs de recommandation ou les assistants de service client. C’est aussi pour cela que la surveillance du modèle devient essentielle. Un système qui fonctionnait bien l’an dernier peut perdre en performance si les comportements clients changent.
Si votre enjeu porte sur les conversations automatisées, les appels entrants ou la qualification des demandes, voyez comment une solution de voicebot IA peut s’intégrer à vos flux : découvrez la solution.
Pour approfondir la mécanique générale, notre dossier sur le fonctionnement de l’intelligence artificielle aide à replacer l’apprentissage automatique dans une logique plus globale. La bonne question n’est donc pas “est-ce compliqué ?”, mais plutôt “quelle décision voulez-vous fiabiliser grâce aux données ?”
Bon à savoir : dans la majorité des projets, la préparation des données prend plus de temps que l’entraînement lui-même.
Une démonstration visuelle permet souvent de mieux comprendre cette chaîne de valeur entre données, entraînement et prédiction.
Les grands types d’apprentissage automatique : supervisé, non supervisé et renforcement
Il existe plusieurs familles de machine learning, et cette distinction est décisive pour bien choisir un outil ou comprendre un cas d’usage. La première, et de loin la plus répandue en entreprise, est l’apprentissage supervisé. Ici, les exemples sont accompagnés de la bonne réponse. Vous montrez au système des e-mails déjà marqués comme spam ou non spam, des factures déjà classées, ou des dossiers clients déjà étiquetés selon leur niveau de risque. Le modèle apprend alors à reproduire ce jugement sur de nouveaux cas.
Le supervisé couvre deux grands besoins. D’un côté, la classification, quand il faut choisir une catégorie : fraude ou non fraude, client chaud ou froid, document prioritaire ou non prioritaire. De l’autre, la régression, quand il faut prédire une valeur numérique comme un chiffre d’affaires, un délai ou un prix. C’est la forme la plus concrète pour les décideurs, car on connaît la cible et on peut mesurer le résultat avec précision.
La deuxième grande famille est l’apprentissage non supervisé. Cette fois, vous ne fournissez pas la bonne réponse. Le système cherche seul des structures cachées dans les données. Il peut par exemple regrouper des clients aux comportements proches, révéler des segments inattendus ou détecter des anomalies. C’est utile quand vous ne savez pas encore exactement ce que vous cherchez, mais que vous voulez mieux comprendre votre base clients, vos usages internes ou des signaux inhabituels.
Le clustering, ou partitionnement, en est l’exemple le plus connu. Imaginez une PME e-commerce qui possède plusieurs milliers de clients mais aucune segmentation marketing robuste. Un algorithme peut faire apparaître des groupes distincts : acheteurs impulsifs, clients fidèles à forte marge, comptes inactifs à réactiver, ou profils très sensibles aux promotions. L’intérêt n’est pas seulement analytique. Il devient commercial, car ces groupes permettent de personnaliser les offres et les relances.
Idée forte : le non supervisé ne remplace pas le jugement métier, il l’éclaire en révélant des structures que l’œil humain ne voit pas immédiatement.
La troisième famille est l’apprentissage par renforcement. Ici, un agent agit dans un environnement, reçoit des récompenses ou des pénalités, puis ajuste sa stratégie. C’est le modèle utilisé dans certains jeux, dans la robotique ou dans des systèmes d’optimisation dynamique. Le cas le plus parlant reste celui d’une machine qui apprend par essais et erreurs, comme un robot qui affine progressivement sa manière de marcher ou un programme qui améliore sa stratégie coup après coup.
Depuis quelques années, d’autres approches ont pris de l’importance, notamment l’auto-supervisé. C’est l’un des moteurs des grands modèles de langage modernes. Le principe est élégant : on part de contenus non étiquetés, puis on crée soi-même une tâche d’apprentissage, comme deviner un mot masqué dans une phrase ou reconstituer une partie manquante d’une image. Cette logique a largement contribué à l’essor des modèles génératifs utilisés dans la rédaction, la recherche d’information ou les assistants professionnels.
- Supervisé : idéal pour prédire une réponse connue.
- Non supervisé : utile pour découvrir des groupes, des structures ou des anomalies.
- Renforcement : adapté aux environnements où l’on apprend par essais et récompenses.
- Auto-supervisé : très présent dans les modèles de langage et la génération de contenu.
Vous souhaitez comparer ces formes d’IA avec d’autres catégories plus larges ? Consultez notre panorama des types d’intelligence artificielle pour mieux relier théorie et usages métiers.
Dans la pratique, une PME n’a pas besoin de maîtriser toutes ces subtilités pour avancer. En revanche, savoir si votre sujet relève du supervisé ou du non supervisé vous évite déjà de perdre des semaines sur un mauvais cadrage. Et c’est souvent là que se joue le ROI d’un projet.
Conseil : si vous débutez, commencez par un cas supervisé simple, avec une cible claire et des données déjà structurées.
Cas d’usage concrets du machine learning en entreprise : service client, ventes, fraude et prévision
Le machine learning devient réellement intéressant quand on le sort du discours théorique pour l’ancrer dans les opérations. Son terrain naturel, ce sont les décisions répétitives prises à partir d’un historique abondant. Chaque fois qu’une entreprise doit classer, prévoir, détecter ou recommander, elle entre potentiellement dans une zone favorable à l’apprentissage automatique. Voilà pourquoi cette technologie n’est plus réservée aux grands groupes.
Prenons le cas d’un service client. Une PME reçoit chaque semaine des centaines de messages : support technique, réclamations, demandes commerciales, urgence de facturation. Sans assistance, l’équipe passe un temps considérable à trier avant même de répondre. Un modèle peut automatiquement qualifier le sujet, estimer le niveau d’urgence et orienter le message vers la bonne personne. Résultat : un meilleur délai de réponse, moins de surcharge et une expérience client plus fluide.
Le même raisonnement s’applique aux ventes. Un directeur commercial veut savoir quels prospects méritent un rappel prioritaire. En analysant les comportements passés, le système peut estimer une probabilité de conversion. On obtient alors un classement utile pour concentrer les efforts au bon endroit. Ce n’est pas de la divination. C’est de l’analyse de données transformée en arbitrage opérationnel. Quand une équipe terrain dispose enfin d’un ordre de priorité crédible, la productivité change de niveau.
Les usages les plus fréquents incluent :
- Détection de fraude : repérer des comportements inhabituels dans des paiements ou des comptes.
- Prévision de demande : anticiper les ventes, la charge SAV ou les besoins en stock.
- Segmentation client : identifier des groupes pour personnaliser les actions marketing.
- Recommandation : suggérer un produit, un contenu ou une action suivante.
- Traitement du langage : trier, résumer, classifier ou générer des réponses.
- Maintenance prédictive : détecter les signes avant-coureurs d’une panne.
Dans l’industrie, les applications sont tout aussi parlantes. Une ligne de production peut utiliser la vision par ordinateur pour repérer des défauts qualité. Dans la santé, les systèmes d’aide au diagnostic exploitent des motifs détectés dans les images ou les historiques médicaux. En finance, les modèles servent à identifier une transaction anormale ou à estimer un risque. En logistique, ils aident à optimiser les tournées et à prévoir les retards. Le point commun reste toujours le même : transformer un historique diffus en décision plus rapide et plus cohérente.
Les outils conversationnels méritent une attention particulière, car ils rapprochent le machine learning des besoins concrets des PME. Un agent vocal ou textuel peut comprendre l’intention d’un appelant, collecter les bonnes informations, puis transmettre un dossier déjà qualifié. Si votre standard reçoit des appels répétitifs, voyez comment AirAgent gère ça pour réduire la charge sur vos équipes.
Beaucoup d’entreprises pensent encore qu’il faut un énorme budget pour profiter de ces usages. C’est faux. De nombreux outils gratuits ou freemium permettent déjà de tester des cas simples, de comparer des solutions et de valider un besoin. Pour cela, vous pouvez consulter notre comparatif d’IA gratuites ou explorer les meilleurs outils IA gratuits selon vos priorités métier.
La vraie question n’est donc plus “à quoi sert le machine learning ?” mais “quelle décision répétitive dans votre entreprise mérite enfin d’être assistée intelligemment ?” C’est souvent là que naît le premier projet rentable.
Attention : un usage impressionnant en démonstration n’est pas forcément un bon usage métier. Vérifiez toujours le gain concret, pas seulement l’effet “wow”.
Une autre vidéo utile permet de voir comment ces usages se traduisent dans des exemples simples et visuels.
Différences entre intelligence artificielle, machine learning, deep learning et data science
Ces termes sont souvent mélangés, ce qui entretient une confusion dommageable pour les dirigeants. Pourtant, bien les distinguer vous aide à mieux choisir vos outils, vos prestataires et vos priorités. L’intelligence artificielle est la catégorie la plus large. Elle désigne l’ensemble des systèmes capables d’imiter une capacité humaine comme reconnaître, décider, recommander, converser ou planifier. Le machine learning est un sous-ensemble de cette IA. Il concerne les systèmes qui apprennent à partir de données.
Le deep learning, lui, est un sous-ensemble du machine learning. Il repose sur des réseaux neuronaux comportant plusieurs couches. Cette architecture a permis les grandes percées des années 2010, notamment en vision, en reconnaissance vocale et en traitement du langage. Les transformeurs, qui ont rendu possibles les assistants rédactionnels modernes, appartiennent à cette famille. Ils sont puissants, mais aussi plus gourmands en données, en calcul et parfois en énergie.
La data science, enfin, n’est pas synonyme de machine learning. C’est une discipline plus large qui vise à extraire de la valeur à partir des données. Elle inclut la collecte, la visualisation, l’exploration, la qualité, la modélisation statistique et, bien sûr, le machine learning quand il est pertinent. Pour une entreprise, cela signifie qu’un bon projet de données ne commence pas par le choix d’un algorithme. Il commence par une question métier claire, une base exploitable et des indicateurs utiles.
| Terme | Définition simple | Relation |
|---|---|---|
| Intelligence artificielle | Ensemble de techniques qui simulent certaines capacités humaines | Le périmètre le plus large |
| Machine learning | Apprentissage à partir de données | Sous-ensemble de l’IA |
| Deep learning | Machine learning fondé sur des réseaux neuronaux profonds | Sous-ensemble du machine learning |
| Data science | Discipline d’exploitation et d’analyse des données | Utilise parfois le machine learning |
Pourquoi cette distinction vous aide-t-elle vraiment ? Parce qu’elle évite les mauvais achats. Une solution peut promettre de “faire de l’IA” alors qu’elle applique seulement quelques règles fixes. À l’inverse, un outil peut faire du machine learning très efficacement sans avoir besoin d’un modèle géant. Pour une base clients tabulaire de taille modeste, un arbre de décision, une régression logistique ou une méthode de boosting peuvent donner d’excellents résultats, parfois meilleurs qu’un système profond beaucoup plus complexe.
Il faut aussi parler des performances selon le type de données. Les approches classiques restent souvent très compétitives sur des tableaux de moins de 10 000 exemples. En revanche, pour des images, du texte massif ou des séquences audio, les modèles profonds dominent nettement. Cette réalité est importante en 2026, car le marché pousse souvent les entreprises vers des solutions surdimensionnées. Or la meilleure technologie n’est pas la plus spectaculaire. C’est celle qui répond vite, clairement et à coût maîtrisé à votre cas d’usage.
Si vous cherchez à vulgariser ces notions pour votre équipe, commencez par notre guide IA pour les débutants puis complétez avec notre définition de l’IA générative. Vous aurez ainsi une base claire pour distinguer ce qui relève de l’automatisation prédictive, de la génération de contenu ou des simples assistants logiciels.
Entre l’IA au sens large et l’usage métier concret, le machine learning joue donc le rôle de pont décisif. Bien le positionner, c’est éviter l’effet de mode et revenir à l’essentiel : créer de la valeur à partir des données disponibles.
Notre recommandation
Si vous comparez plusieurs solutions conversationnelles ou vocales, ne vous arrêtez pas au mot “IA”. Vérifiez plutôt :
- la qualité de compréhension des demandes réelles,
- la capacité d’intégration dans vos processus,
- le gain de temps pour vos équipes.
Demandez une démo personnalisée
Les limites du machine learning : biais, qualité des données, explicabilité et bonnes pratiques
Comprendre la définition du machine learning sans parler de ses limites reviendrait à présenter seulement la moitié du sujet. Un modèle apprend à partir de données. Si ces données sont mauvaises, incomplètes, déséquilibrées ou biaisées, les résultats le seront aussi. C’est une règle simple, mais souvent oubliée dans l’enthousiasme autour de l’intelligence artificielle. Une machine n’invente pas la neutralité. Elle reproduit ce qu’on lui donne à voir.
Le premier risque est donc le biais. Si un historique commercial sous-représente certains types de clients, le modèle peut mal évaluer leur potentiel. Si un système RH apprend à partir de décisions passées déjà discutables, il peut reconduire ces inégalités. C’est précisément pour cette raison que les exigences européennes en matière d’IA digne de confiance insistent sur la transparence, la gouvernance des données, l’équité et la responsabilité. Pour une PME, cela ne signifie pas créer une cellule de recherche. Cela signifie au minimum auditer ses sources, documenter ses critères et vérifier les effets réels du système.
Le second enjeu concerne la quantité d’exemples. On ne peut pas fixer un seuil universel, mais une règle pratique veut qu’un problème tabulaire ait souvent besoin d’un nombre d’observations nettement supérieur au nombre de variables. Dans certains cas simples, dix fois plus peut suffire. Pour des sujets plus complexes, il faut parfois cent ou mille fois davantage. En image, partir de zéro demande souvent un volume bien plus élevé, alors que l’apprentissage par transfert permet de réduire fortement ce besoin. C’est d’ailleurs l’une des raisons pour lesquelles tant de solutions modernes réutilisent des modèles déjà préentraînés.
Le troisième point critique est l’explicabilité. Certains modèles, comme la régression linéaire ou les arbres de décision, se lisent assez bien. D’autres ressemblent davantage à une boîte grise. Vous voyez ce qui entre, vous mesurez ce qui sort, et vous pouvez auditer certains comportements, mais vous n’obtenez pas toujours une justification simple au cas par cas. Pour des usages sensibles, cette limite compte énormément. Un directeur financier, un DRH ou un responsable conformité ne se satisfera pas d’un “le score dit non” sans raison intelligible.
Vigilance essentielle : un bon score global ne garantit pas une décision juste dans tous les cas particuliers.
Heureusement, il existe des bonnes pratiques très concrètes :
- Définir clairement l’objectif métier avant tout choix d’outil.
- Nettoyer les données et traiter les valeurs manquantes avec méthode.
- Séparer entraînement et test pour éviter l’illusion de performance.
- Contrôler les biais sur différents segments d’utilisateurs ou de clients.
- Surveiller le modèle en production pour détecter les dérives dans le temps.
- Prévoir une reprise humaine sur les cas sensibles ou ambigus.
Il faut aussi garder une limite intellectuelle en tête : le machine learning capte surtout des corrélations. Or dans la vraie vie, vous cherchez souvent des causes. Deux variables peuvent évoluer ensemble sans que l’une explique réellement l’autre. Cette confusion peut coûter cher si vous prenez une corrélation pour une certitude stratégique. Le rôle du management reste donc central : interpréter, challenger, remettre les résultats dans leur contexte métier.
Si vous préparez un projet opérationnel, vous pouvez lire ce guide sur le cycle de vie d’un projet de machine learning pour mieux comprendre la logique de suivi, d’évaluation et de mise en production. Et si votre objectif est d’aller vers des outils plus accessibles, ce guide pour utiliser l’intelligence artificielle gratuite vous aidera à avancer de façon pragmatique.
Vous voulez passer d’un test gratuit à un dispositif plus robuste pour la relation client ?
Passez du gratuit au professionnel avec AirAgent
Le message final est simple : le machine learning est puissant, mais il exige de la méthode. Ce n’est pas un raccourci vers une vérité automatique. C’est un levier de décision, à condition de rester exigeant sur la qualité, l’éthique et l’usage réel.
Quelle est la définition simple du machine learning ?
Le machine learning est une méthode d’intelligence artificielle qui permet à une machine d’apprendre à partir de données, sans être programmée règle par règle pour chaque situation.
Quelle différence entre machine learning et intelligence artificielle ?
L’intelligence artificielle est la catégorie la plus large. Le machine learning en est une sous-partie, centrée sur l’apprentissage à partir d’exemples et de données historiques.
Quels sont les principaux types d’apprentissage automatique ?
Les trois familles majeures sont l’apprentissage supervisé, le non supervisé et l’apprentissage par renforcement. L’auto-supervisé joue aussi un rôle croissant dans les modèles modernes.
Le machine learning a-t-il besoin de beaucoup de données ?
Souvent oui, mais tout dépend de la complexité du problème, de la qualité des données et du type de modèle utilisé. Des approches comme l’apprentissage par transfert réduisent parfois ce besoin.
Pourquoi un modèle de machine learning peut-il se tromper ?
Il peut se tromper à cause de données incomplètes, biaisées, trop peu nombreuses, mal préparées ou parce que le contexte réel a changé depuis la phase d’entraînement.