Double Espresso : Entraînement et inférence
Canonical episode: https://move37.app/cafe/fr/episodes/double-espresso-training-inference-fr/
Published: 2026-08-18T00:00:57Z
Language: fr

TRANSCRIPT

Bienvenue chez Andy's Café, où les machines préparent le café et les humains le savourent. Aujourd’hui, nous servons un Double Espresso. Bonne écoute.

Entraînement et inférence : deux moments dans la vie d'un modèle

Deux phrases reviennent sans cesse dès qu'on parle d'intelligence artificielle. La première : telle entreprise vient d'entraîner un nouveau modèle. La seconde : l'inférence coûte de moins en moins cher. On les entend, on hoche la tête, et on passe. Pourtant, ces deux mots désignent deux activités profondément différentes, et une fois qu'on les tient bien, une bonne partie du discours sur l'intelligence artificielle devient tout à coup lisible.

Commençons par les définitions, sans détour.

L'entraînement, c'est l'opération qui fabrique le modèle, ou qui le transforme. Un modèle, au fond, c'est un gigantesque assemblage de nombres internes, qu'on appelle des paramètres, ou des poids. Pendant l'entraînement, un programme fait défiler des exemples devant le modèle, mesure à quel point il se trompe, puis ajuste ces nombres, un tout petit peu à la fois, un nombre faramineux de fois. En anglais, on dit training, et c'est souvent sous ce nom-là que vous le croiserez. Le grand entraînement initial, les affinages qui suivent, les réglages plus tardifs : ce sont autant d'étapes et de variantes de la même opération.

L'inférence, c'est l'autre versant : le moment où l'on se sert du modèle une fois qu'il est entraîné. Une entrée nouvelle arrive, le modèle fait son calcul avec les paramètres qu'il possède à cet instant, et il produit un résultat : une note, une étiquette, une réponse. En anglais, on dit inference. C'est ce qui se passe chaque fois que quelqu'un appuie sur la touche entrée.

Dit brutalement : l'entraînement change le modèle, l'inférence le met au travail.

Une précision de vocabulaire au passage, parce que le mot peut prêter à confusion. En statistique, l'inférence a un sens technique bien plus large et bien plus ancien. Ici, nous parlons de l'usage courant dans le monde de l'apprentissage automatique, ce qu'on appelle en anglais le machine learning, où inférence veut presque toujours dire une seule chose : appliquer un modèle déjà entraîné à un cas nouveau.

Prenons l'exemple le moins spectaculaire qui soit : un filtre antispam pour le courrier électronique.

Pendant l'entraînement, ce petit modèle voit passer une montagne de messages, chacun déjà étiqueté : celui-ci est indésirable, celui-là ne l'est pas. Pour chaque message, il tente une estimation, on la compare à la bonne réponse, et ses paramètres sont corrigés d'un cheveu dans la direction qui aurait donné une meilleure estimation. Répétez l'opération suffisamment longtemps, et ces paramètres finissent par encoder quelque chose d'authentiquement utile sur ce à quoi ressemble le courrier indésirable. Puis l'entraînement s'arrête.

Le filtre entre alors en service. Un message inédit arrive, jamais vu pendant l'entraînement. Le modèle le lit et rend une note : la probabilité qu'il s'agisse de spam. Voilà l'inférence. Cela prend une fraction de seconde, cela recommence au message suivant, et cela peut se reproduire des millions de fois sans que le modèle apprenne quoi que ce soit de neuf.

Remarquez au passage tout ce qui, dans votre expérience du filtre, n'est pas le modèle. Le seuil au-delà duquel un message part en quarantaine, le choix du dossier, la demande de confirmation : ce sont des règles décidées par des personnes et installées autour du modèle. On peut déplacer le seuil, et le filtre se comporte autrement sans qu'on ait touché au modèle lui-même. Énormément de produits d'intelligence artificielle sont construits comme cela.

Et si vous signalez qu'un message n'était pas du spam ? Votre correction peut être enregistrée, puis servir plus tard, dans un futur entraînement, aux côtés de milliers d'autres signalements. Ce que chaque service fait réellement de ces données varie d'un cas à l'autre. Mais sur l'instant, le modèle n'a rien appris : ses paramètres sont exactement ceux d'avant.

Nous voilà au cœur du malentendu le plus répandu : l'impression que le modèle apprend pendant qu'il vous parle.

Quand vous écrivez une consigne à un assistant conversationnel, ce qu'on appelle en anglais un prompt, la réponse change du tout au tout. Demandez des mots simples, vous obtenez des mots simples. Collez un document, la réponse parle de votre document. On jurerait que le modèle vient d'apprendre quelque chose. Or ce qui a changé, c'est l'entrée, pas le modèle. Les mêmes poids, rigoureusement inchangés, ont simplement travaillé sur une matière différente.

Il en va de même pour toute la machinerie construite autour. L'historique de conversation ? Le produit renvoie discrètement les échanges précédents avec votre nouveau message. La recherche de documents ? Le système va piocher les passages pertinents et les glisse dans l'entrée avant même que le modèle ne la voie. La mémoire enregistrée ? Des notes conservées dans un stockage ordinaire, à l'extérieur du modèle, et réinjectées plus tard. Tout cela est réel, tout cela est utile, et rien de tout cela ne revient à modifier les paramètres appris.

D'où deux conséquences très concrètes. Une consigne plus longue, c'est davantage de calcul d'inférence pour cette requête-là, pas de l'entraînement en miniature. Et si vous dites au modèle qu'il se trompe, il peut fort bien s'excuser et faire mieux, parce que votre correction figure désormais dans l'entrée. Ouvrez une conversation toute neuve, et la leçon, en général, s'est envolée.

Une réserve honnête, tout de même, pour ne pas transformer une règle pratique en loi de la nature. Des systèmes conçus pour continuer d'apprendre en cours de fonctionnement existent bel et bien. La séparation entre entraîner d'abord et utiliser ensuite est l'arrangement habituel, pas une fatalité. Autre nuance : l'entraînement n'est pas forcément un événement unique. Un modèle peut passer par un immense entraînement préalable, puis par des affinages successifs, version après version.

Reste la question de l'argent, parce que c'est souvent par là que ces deux mots refont surface. Entraîner un grand modèle, c'est un chantier de calcul colossal, concentré, très visible. L'inférence, elle, est minuscule à l'échelle d'une requête, mais elle se produit à chaque requête, pour chaque personne, tous les jours, aussi longtemps que le modèle est en service. Additionnée sur des mois, la facture peut devenir tout aussi vertigineuse. Laquelle des deux pèse le plus lourd ? Cela dépend entièrement du nombre de requêtes et de la période sur laquelle on compte. Alors, quand quelqu'un vous affirme savoir où part vraiment l'argent de l'intelligence artificielle, la bonne question à poser est : sur quelle durée ?

Pour les modèles qui génèrent du texte, la même architecture tient. L'entraînement leur inculque de vastes régularités statistiques de la langue. L'inférence, c'est le calcul qui, à partir de votre texte et du contexte, produit le morceau de réponse suivant, puis le suivant, jusqu'au point final.

S'il ne faut retenir qu'une image, prenez celle du théâtre. L'entraînement, ce sont les répétitions : on y façonne la troupe, on corrige, on recommence, et la pièce en ressort transformée. L'inférence, c'est la représentation du soir : chaque salle est différente, chaque public colore la soirée, mais jouer une représentation de plus ne réécrit pas la pièce. La pièce ne change que le jour où la troupe retourne, délibérément, en répétition.

C’est tout pour aujourd’hui. Le café est toujours ouvert. À bientôt.

MORE INFORMATION
TEXT LICENSE
This transcript, description and original Andy's Café editorial text are licensed under Creative Commons Attribution 4.0 International (CC BY 4.0).
License: https://creativecommons.org/licenses/by/4.0/
Attribution: Andy's Café — https://move37.app/cafe/fr/episodes/double-espresso-training-inference-fr/
Indicate changes when adapting. Identified third-party quotations and linked source material remain under their own terms.

AUDIO AND OTHER MATERIAL
The composed episode has separate component terms because its piano cues are third-party material. Artwork and the Andy's Café brand are not included in the CC BY licence.
Rights map: https://move37.app/cafe/welcome/#reuse
Contact: hello@move37.app