L’IA en une phrase : des machines qui apprennent à partir de données
L’intelligence artificielle n’est pas un robot qui pense comme un humain. C’est un ensemble de techniques mathématiques qui permettent à un programme d’apprendre à partir d’exemples plutôt que d’être programmé manuellement pour chaque cas. Au lieu d’écrire « si le client a acheté A et B, recommande C », vous montrez à l’IA des milliers de comportements d’achat et elle découvre elle-même les patterns.
Tout repose sur une idée simple : ajuster des paramètres (des chiffres) dans un modèle mathématique jusqu’à ce que ses prédictions correspondent aux données observées. C’est exactement ce que fait un enfant qui apprend à reconnaître un chat après en avoir vu des dizaines — sauf que l’IA le fait avec des millions d’exemples et des milliers de paramètres.
Les 3 types d’IA que vous allez rencontrer
1. Le machine learning classique
Le machine learning (ML) utilise des algorithmes qui apprennent à partir de données structurées (tableaux, chiffres, catégories). C’est le type d’IA le plus courant en entreprise.
Exemples concrets :
- Un modèle qui prédit si un client va se désabonner en analysant sa fréquence d’utilisation, son ancienneté et ses interactions avec le support
- Un algorithme qui classe les emails en spam ou non-spam à partir de mots-clés et de l’adresse de l’expéditeur
- Un système de recommandation qui suggère des produits sur Jumia à partir de l’historique de navigation
Algorithmes principaux : régression linéaire (prédire un chiffre), arbres de décision (classifier), forêts aléatoires (classifier avec plus de précision), k-means (grouper des clients similaires).
Outil pour débuter : scikit-learn en Python. En 5 lignes de code, vous pouvez entraîner un modèle de classification :
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
# X = vos données (colonnes: âge, revenus, nb_achats...)
# y = ce que vous voulez prédire (1=achète, 0=n'achète pas)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)
print(f"Précision: {model.score(X_test, y_test):.0%}")2. Le deep learning (réseaux de neurones)
Le deep learning utilise des réseaux de neurones artificiels — des couches de calculs empilées — pour traiter des données complexes : images, son, texte, vidéo. C’est ce qui permet à votre téléphone de reconnaître votre visage ou à Google Translate de traduire une phrase.
Exemples concrets :
- Vision par ordinateur : reconnaître des maladies de cultures à partir de photos de feuilles (PlantVillage en Afrique de l’Est)
- Reconnaissance vocale : transformer la parole en texte (Siri, Google Assistant)
- Traduction automatique : Google Translate utilise un réseau de neurones appelé Transformer
Pourquoi « deep » ? Parce que le réseau a beaucoup de couches (layers). Un réseau simple a 2-3 couches. GPT-4 en a plus de 100. Plus il y a de couches, plus le modèle peut capturer des patterns complexes, mais plus il faut de données et de puissance de calcul pour l’entraîner.
Outil pour débuter : PyTorch (par Meta) ou TensorFlow (par Google). Pour expérimenter sans installer quoi que ce soit, utilisez Google Colab (colab.research.google.com) — un notebook Python gratuit qui tourne dans le cloud avec des GPU.
3. Les grands modèles de langage (LLM)
ChatGPT, Claude, Gemini, Mistral — ce sont des LLM (Large Language Models). Ces modèles ont été entraînés sur des milliards de textes pour comprendre et générer du langage humain. Ils représentent la révolution IA actuelle et ce à quoi la plupart des gens pensent quand ils disent « IA ».
Ce que les LLM savent faire :
- Répondre à des questions complexes en langage naturel
- Rédiger des textes (articles, emails, code, rapports)
- Résumer de longs documents
- Traduire entre langues
- Analyser des données et les expliquer
- Écrire et débugger du code dans n’importe quel langage de programmation
Ce que les LLM ne savent PAS faire :
- Accéder à internet en temps réel (sauf si connectés via des outils)
- Garantir l’exactitude factuelle — ils peuvent « halluciner » (inventer des faits plausibles mais faux)
- Raisonner véritablement comme un humain — ils prédisent le mot suivant le plus probable
- Remplacer un expert dans un domaine pointu sans supervision humaine
Comment utiliser l’IA concrètement dans votre travail
Utiliser les API de LLM dans vos projets
Vous n’avez pas besoin d’entraîner votre propre modèle. Les API de Claude (Anthropic), GPT (OpenAI) et Gemini (Google) vous permettent d’intégrer l’IA dans vos applications en quelques lignes de code.
Exemple avec l’API Claude en Python :
import anthropic
client = anthropic.Anthropic(api_key="votre-clé-api")
message = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=1024,
messages=[
{"role": "user", "content": "Résume en 3 points les avantages du e-commerce au Sénégal"}
]
)
print(message.content[0].text)Coût : les API sont facturées à l’utilisation. Claude Haiku coûte environ 0,25 USD par million de tokens en entrée — suffisant pour traiter des milliers de requêtes pour quelques dollars.
Automatiser les tâches répétitives
Cas d’usage concrets pour un professionnel au Sénégal :
- Rédiger des descriptions produits : donnez le nom, les caractéristiques et le prix à un LLM et demandez une description en français et en wolof
- Résumer les retours clients : copiez les avis et commentaires dans Claude et demandez les thèmes récurrents et le sentiment global
- Générer des visuels : Midjourney, DALL-E ou Canva AI créent des images marketing à partir d’une description textuelle
- Analyser des données : uploadez un fichier Excel dans Claude et demandez « quels produits ont le meilleur taux de marge ? »
- Coder plus vite : utilisez Claude Code, GitHub Copilot ou Cursor pour écrire du code avec l’assistance de l’IA
Les concepts-clés à retenir
Modèle : un programme entraîné sur des données qui peut faire des prédictions. Comme une recette de cuisine qu’on améliore après chaque essai.
Entraînement (training) : le processus pendant lequel le modèle apprend à partir de données. On lui montre des milliers d’exemples et il ajuste ses paramètres pour minimiser ses erreurs.
Inférence : quand le modèle entraîné fait des prédictions sur de nouvelles données. C’est la phase d’utilisation, celle qui vous intéresse en tant qu’utilisateur.
Token : l’unité de base des LLM. Un token est un morceau de mot (environ 4 caractères en français). « Bonjour » = 1-2 tokens. Les API facturent en tokens.
Prompt : l’instruction que vous donnez à un LLM. La qualité du prompt détermine la qualité de la réponse. « Écris un article » donne un résultat médiocre. « Écris un tutoriel de 500 mots sur la configuration de WooCommerce pour un vendeur débutant au Sénégal, avec des étapes numérotées » donne un résultat exploitable.
Fine-tuning : ré-entraîner un modèle existant sur vos propres données pour l’adapter à votre cas d’usage spécifique. Utile quand le modèle général ne connaît pas votre domaine.
Hallucination : quand un LLM génère une information plausible mais fausse. Vérifiez toujours les faits critiques, surtout les chiffres, les noms et les références.
Par où commencer selon votre profil
Vous êtes entrepreneur ou marketeur (non technique)
- Créez un compte gratuit sur claude.ai ou chatgpt.com
- Utilisez l’IA pour vos tâches quotidiennes : rédaction, résumé, brainstorming, analyse de données
- Testez Canva AI pour créer des visuels marketing automatiquement
- Explorez Zapier + AI pour automatiser des workflows sans code
Vous êtes développeur
- Suivez le cours gratuit « Machine Learning » d’Andrew Ng sur Coursera (11 semaines, en anglais sous-titré)
- Pratiquez sur Google Colab avec des datasets de Kaggle
- Apprenez à utiliser les API Claude/OpenAI pour intégrer l’IA dans vos applications
- Explorez LangChain pour construire des agents IA et des applications RAG
- Installez Claude Code ou Cursor pour coder avec l’assistance IA
Vous êtes étudiant
- Commencez par Python si vous ne le connaissez pas (cours gratuit sur freecodecamp.org)
- Suivez le parcours fast.ai (course.fast.ai) — le cours de deep learning le plus pratique et accessible
- Participez à des compétitions Kaggle pour appliquer vos connaissances sur des problèmes réels
- Rejoignez la communauté Masakhane pour contribuer à la recherche NLP en langues africaines