L'apprentissage automatique permet à un programme d'améliorer ses performances à partir d'exemples, sans être explicitement programmé pour chaque cas. Il repère des régularités dans de grands volumes de données.
L'entraînement est l'étape clé. Le modèle ajuste ses paramètres en comparant ses prédictions aux réponses attendues, corrigeant progressivement ses erreurs jusqu'à obtenir des résultats fiables.
La qualité des données conditionne tout. Des données biaisées produisent des résultats biaisés, ce qui explique l'importance croissante accordée à la transparence et à l'éthique des systèmes d'intelligence artificielle.