Le surapprentissage est un problème en
intelligence artificielle où un
modèle d'IA apprend avec trop de précision les données d'
entraînement (
datasets), y compris le bruit et les exceptions, ce qui provoque de bonnes performances avec ces données mais de mauvaises performances avec des nouvelles données.
Imaginez un étudiant qui mémorise les réponses exactes d'examens précédents au lieu de comprendre les concepts. Face à des questions nouvelles mais similaires, il échoue car il n'a pas appris à généraliser. Ce même phénomène se produit avec les
modèles d'IA qui souffrent de surapprentissage.
En termes techniques, un modèle surajusté a capté des
motifs spécifiques et du bruit provenant des données d'
entraînement qui ne représentent pas la réalité générale. Par exemple, un modèle de reconnaissance d'images pourrait
apprendre à identifier des chats en se basant sur des détails non pertinents qui apparaissaient dans les photos d'
entraînement, comme un filigrane ou un certain arrière-plan.
Pour combattre le surapprentissage, les scientifiques des données utilisent des techniques comme la validation croisée (tester le modèle avec des données qu'il n'a pas vues pendant l'
entraînement), la régularisation (pénaliser la complexité excessive du modèle) ou l'augmentation des données (créer plus d'exemples variés pour l'
entraînement). L'objectif est d'atteindre un équilibre : un modèle suffisamment complexe pour capturer les modèles importants, mais pas au point de "mémoriser" les données d'
entraînement.