Au cours des deux dernières années, j’ai eu des centaines de conversations sur l’IA, avec des régulateurs, des institutions financières, des ingénieurs, des PDG et des personnes sceptiques. Ce qui ressort constamment, c’est la confusion et l’ambiguïté qui entourent ce domaine. Tout le monde parle de l’intelligence artificielle comme s’il s’agissait d’une technologie qui évolue dans une seule direction, alors que la réalité est beaucoup plus complexe et détaillée. Comme écrit par Shawn Kamkar.
L’intelligence artificielle est à l’intersection de la prédiction et du raisonnement
L’IA représente le point de rencontre de deux systèmes fondamentalement différents : l’un conçu pour prédire, l’autre conçu pour raisonner. Les entreprises qui comprennent cette différence et apprennent à les combiner auront un avantage significatif sur celles qui traitent l’IA comme un outil monolithique.
IA prédictive vs IA générative
L’IA prédictive soutient depuis de nombreuses années la prise de décision en silence et en coulisses ; Les modèles d’apprentissage automatique excellent dans la détection de modèles sur d’énormes quantités de données historiques. Par exemple, dans le secteur du crédit, ces modèles analysent d’énormes volumes de données historiques pour identifier des modèles que pratiquement aucun analyste humain ne peut repérer parmi des millions de résultats ; Il prédit la probabilité de remboursement, le risque de fraude et la volatilité d’un portefeuille d’investissement avec beaucoup plus de précision que les systèmes d’évaluation traditionnels créés il y a plusieurs décennies.
L’IA générative remplit une fonction complètement différente : elle collecte des informations, gère les ambiguïtés et communique en langage humain. Il peut expliquer l’importance d’une tendance, résumer des résultats complexes, mettre en évidence des compromis stratégiques et aider les gens à interagir avec des systèmes dont la compréhension nécessitait auparavant une expertise spécialisée. Sa fonction ne se limite pas à la seule prédiction ; Cela inclut plutôt l'inférence et la traduction (transformer les données en concepts compréhensibles).
La différence et la combinaison entre les deux : La façon la plus simple de comprendre cette différence est d’utiliser l’analogie suivante : l’apprentissage automatique représente le « laboratoire de diagnostic » qui effectue les tests, tandis que l’IA obstétricale représente le « médecin » qui aide à interpréter les résultats et à déterminer l’étape suivante. Aucun des deux n’est indispensable à l’autre ; Au contraire, ils s’intègrent pour créer un système plus puissant et plus efficace.
Utilisez le bon type d’IA pour la tâche
Cette distinction est importante car de nombreuses organisations tentent actuellement d’insérer l’IA générative dans des rôles pour lesquels elle n’a pas été conçue à l’origine. Malgré les énormes capacités des grands modèles de langage, ce ne sont pas des systèmes de prédiction déterministes (c'est-à-dire qu'ils ne donnent pas de résultats stables et précisément définis avec une précision mathématique).
Demander à un « chatbot » à usage général de prendre des décisions financières ou opérationnelles cruciales de manière indépendante – sans infrastructure analytique spécialisée pour le soutenir – revient un peu à demander à un médecin de diagnostiquer l’état d’un patient sans l’aide de laboratoires, d’examens médicaux ou de mesure des signes vitaux. Un raisonnement dépourvu de données fiables et solides reste peu fiable.
Pendant ce temps, les systèmes de prédiction qui manquent d’explicabilité créent un autre type de problème. Ce que je remarque, c'est que les organisations sont capables de générer des résultats de plus en plus précis, mais difficiles à comprendre et compris par de moins en moins de personnes. Cet écart façonne les caractéristiques de la prochaine phase d’adoption de l’intelligence artificielle dans divers secteurs.
Diverses applications sur le terrain
Par exemple, dans le domaine de la santé, les modèles de prédiction peuvent identifier plus tôt les patients à haut risque, par rapport aux méthodes de dépistage traditionnelles. Cependant, les cliniciens ont toujours besoin de systèmes capables d’interpréter les résultats, de résumer les considérations thérapeutiques et de communiquer clairement avec les patients. Dans le domaine des véhicules autonomes, une couche d’intelligence artificielle surveille en permanence les chemins, les piétons, les distances et les obstacles en temps réel, tandis qu’une autre couche détermine la manière dont le véhicule réagira aux conditions changeantes.
Ce schéma se répète partout : l’intelligence prédictive combinée à l’intelligence déductive (basée sur la logique et l’analyse).
Combiner prédiction, inférence… et jugement humain
Les opérations de prêt en sont l’un des exemples les plus clairs ; Le processus d’évaluation du crédit doit être déterministe et reproductible – ce qui signifie que les mêmes données doivent conduire à chaque fois au même résultat et à la même interprétation – sinon la décision ne sera pas justifiable aux yeux des autorités de contrôle ou des emprunteurs. Ici, la puissance de l’apprentissage automatique émerge, mais elle ne permet pas d’explorer les connotations de ces nombres et leur signification.
Voici le rôle de l’intelligence artificielle générative pour combler cette lacune. Il interprète les résultats dans leur contexte, teste des scénarios hypothétiques alternatifs (analyse « et si ») sur les portefeuilles de crédit et simule l'impact des changements de politique sur les décisions d'approbation. Plutôt que de simplement évaluer les prêts, ces renseignements aident les prêteurs à comprendre les résultats des systèmes qui gèrent le processus d'évaluation proprement dit. Cette combinaison n’annule pas le rôle du jugement humain ; Au contraire, cela augmente sa valeur ; Cela permet aux humains de consacrer moins de temps aux analyses de routine et plus de temps pour traiter des cas exceptionnels, prendre des décisions stratégiques et exercer des tâches de contrôle et de supervision.
Les organisations qui obtiennent les meilleurs résultats sont celles qui ne remplacent pas les humains par des systèmes d’IA ; Ils construisent plutôt des systèmes qui intègrent différentes formes d’intelligence : des modèles statistiques qui détectent des modèles à grande échelle, des systèmes génératifs qui transforment la complexité en informations exploitables et un élément humain qui ajoute du contexte et joue un rôle de surveillance et d’évaluation.
Capacités d'analyse avancées
Pendant des décennies, les capacités analytiques avancées ont été concentrées au sein des grandes institutions mondiales ; Ces institutions disposaient à elles seules des ressources financières nécessaires pour fournir l’infrastructure et l’expertise nécessaires au traitement de l’information à grande échelle. Cependant, l’intelligence artificielle commence à changer cette réalité. Les organisations qui en récolteront le plus de bénéfices ne seront pas celles qui poursuivront une automatisation complète ; Il s’agit plutôt de ceux qui combinent prédiction, raisonnement et jugement humain dans des systèmes de travail qui améliorent l’efficacité des individus.
Imaginez un patient qui a accepté il y a des années d'utiliser ses données médicales pour former un système intelligent qui aide les médecins à détecter les maladies. Ainsi, ses photographies, ses examens et ses antécédents médicaux ont été inclus dans les milliers, voire les millions de documents utilisés pour construire le modèle. Puis il a changé d’avis et a demandé de retirer son consentement et de supprimer ses données.
Dans une base de données traditionnelle, la solution semble simple : l’enregistrement est supprimé et l’histoire est terminée. Mais le problème devient plus complexe lorsque le système a déjà appris de ces données ; Pendant la formation, le modèle ne conserve pas nécessairement le dossier du patient comme le fait une base de données, mais plutôt ses paramètres internes changent en fonction des modèles qu'il a extraits. Ainsi, le fichier original peut être supprimé, tandis qu'une partie de son effet statistique reste dans ce que l'algorithme a appris.
Quand le bouton « Supprimer » ne suffit pas
Ce que la machine a appris peut-il également être supprimé ? C’est la question posée par les chercheurs dans une récente étude analytique publiée le 18 juillet 2026 dans la revue « npj Digital Medicine », faisant partie du « Nature Portfolio », intitulée « Effacer l’apprentissage automatique comme nécessité pour la gouvernance de l’intelligence artificielle clinique ».
L'étude aborde le concept de « Machine Unlearning », c'est-à-dire la tentative de supprimer l'influence de données spécifiques d'un modèle préalablement formé, sans nécessairement avoir à le recycler complètement à partir de zéro.
Si cette idée réussit dans la pratique, elle pourrait ajouter à la médecine numérique une capacité qui ne faisait traditionnellement pas partie de la conception d’algorithmes : non seulement apprendre, mais aussi savoir oublier.
Qu’est-ce que le « désapprentissage » ?
La formation des systèmes d'intelligence artificielle implique l'extraction de modèles et de relations statistiques à partir de grandes quantités de données, puis l'encodage de ce qu'ils ont appris de manière distribuée dans les paramètres du modèle, afin qu'ils puissent ensuite être utilisés dans la classification, la prédiction ou le diagnostic.
Le « delete learning » tente d’aller dans la direction opposée : supprimer la trace de certaines données après que le modèle en a déjà appris. L'objectif, plutôt que de recommencer à zéro chaque fois qu'un enregistrement est demandé pour être supprimé, est de modifier le modèle afin que son comportement soit aussi proche que possible d'un modèle hypothétique qui n'a pas été formé sur ces données en premier lieu. Ce modèle recyclé sans les données à supprimer est parfois appelé « l’étalon-or » auquel l’efficacité du processus d’effacement est comparée.
La différence ici est fondamentale ; La suppression d'une image radiographique ou d'un résultat d'examen de la base de données ne garantit pas que son effet disparaîtra du modèle qui a été précédemment formé sur celui-ci. Parce que son impact a peut-être déjà été réparti sur un grand nombre de ses transactions internes.
Cela peut s’apparenter à l’arrachage d’une page d’un livre après que le lecteur en a mémorisé le contenu : la page a disparu, mais l’information n’a pas forcément disparu de la mémoire.
Pourquoi la médecine doit-elle « oublier » ?
Le besoin d’oubli ne commence ni ne se termine lorsqu’un patient change d’avis et retire son consentement à l’utilisation de ses données ; Il peut apparaître après la formation que certains enregistrements contiennent des erreurs, que des images médicales ont été classées avec un diagnostic incorrect ou qu'un groupe de population n'a pas été représenté de manière équilibrée. Dans d’autres cas, le problème ne vient peut-être pas des données elles-mêmes, mais plutôt du fait que les connaissances médicales sur lesquelles elles étaient fondées ont changé.
C'est un point très important en médecine. Les connaissances cliniques ne sont pas statiques. Les recommandations thérapeutiques changent également à mesure que de nouvelles expériences et preuves émergent, et les pratiques qui étaient acceptables au moment où les données à partir desquelles le système a appris ont été collectées peuvent être révisées.
Les chercheurs citent la pandémie de « Covid-19 » comme exemple clair, où les preuves et les recommandations thérapeutiques ont changé exceptionnellement rapidement. Si un modèle médical apprend de pratiques qui s’avèrent ultérieurement inappropriées, le simple ajout de données plus récentes ne répond pas toujours à une question plus difficile : pouvons-nous supprimer une trace de connaissances sur laquelle nous ne voulons plus que le système s’appuie ?
Ici, « l’apprentissage de l’effacement » acquiert une fonction qui va au-delà de la suppression de données ; Cela pourrait devenir un outil permettant de corriger la mémoire clinique du modèle lorsque la science elle-même évolue.
Le patient a-t-il le droit d’être oublié par l’algorithme ?
La question devient plus complexe lorsqu’on passe de l’informatique au droit et aux droits des patients ; Le règlement général sur la protection des données (RGPD) de l'UE donne aux individus, en vertu de l'article 17 et dans des circonstances spécifiques, le droit de demander que leurs données personnelles soient effacées, ce qui est parfois appelé « droit à l'effacement » ou « droit à l'oubli ».
Mais les modèles intelligents posent un problème que les bases de données traditionnelles n’ont pas été conçues pour résoudre ; Si les données des patients sont déjà entrées dans le processus de formation, la suppression de l'enregistrement d'origine ne répond pas nécessairement à une autre question : qu'en est-il de l'impact de ces données dans le modèle ?
L'étude indique que la mesure dans laquelle les obligations d'effacement s'appliquent aux transactions des modèles formés reste une question juridique non résolue. Les informations originales ne peuvent pas rester stockées dans un emplacement spécifique qui peut simplement être trouvé et supprimé, mais leur effet peut plutôt être réparti dans toute la structure du modèle.
Ici, un nouvel écart apparaît entre le droit légal de supprimer des données et la capacité technique de faire en sorte que l’algorithme se comporte comme s’il n’en avait pas tiré des leçons. C'est un domaine où se rencontrent la médecine, l'informatique et le droit, alors que les limites du « droit à l'oubli numérique » du patient sont encore en train de se dessiner.
Oublier n'est pas sans risques
Mais faire oublier le modèle n’est pas un processus gratuit ; Supprimer l'impact d'un ensemble de données peut modifier son comportement d'une manière qui va au-delà de l'information cible elle-même, et peut affecter sa capacité à distinguer les situations ou à les « calibrer » ; C’est-à-dire dans quelle mesure les probabilités prédites correspondent aux résultats qui se produisent réellement.
Cet effet peut ne pas être réparti uniformément ; Un processus qui semble réussi lors de la mesure de la performance globale peut avoir un impact plus important sur un groupe spécifique de patients, surtout s'il est déjà représenté par un nombre limité de cas.
Par conséquent, les chercheurs mettent en garde contre le traitement de l’effacement de l’apprentissage comme un « bouton de suppression ». Après toute modification fondamentale, le modèle doit être retesté, ses performances comparées à la version précédente et la vérification qu'aucun effet secondaire involontaire n'apparaît, tout en conservant la possibilité de revenir à une version précédente en cas d'échec du processus.
L’étude propose donc un concept important, celui de la « préparation au désapprentissage » : c’est-à-dire que les systèmes médicaux doivent être conçus dès le début de manière à ce qu’il soit possible plus tard d’identifier les données à oublier, d’en supprimer la trace, puis de vérifier le succès du processus et de documenter ce qui a changé.
Ainsi, « l’oubli » devient une propriété à laquelle il faut penser lors de la construction du modèle, et non après que le besoin en soit apparu.
Du « modèle fixe » à un cycle de vie continu
« L’apprentissage par l’effacement » change également notre façon de considérer les systèmes médicaux une fois qu’ils ont été adoptés ; Le modèle ne doit pas être traité comme un produit fixe qui obtient l’approbation puis reste inchangé ; Les données changent, les preuves médicales évoluent, de nouvelles erreurs peuvent être découvertes ou les patients peuvent retirer leur consentement à l'utilisation de leurs informations.
L'étude propose donc de l'aborder dans le cadre d'un cycle de vie continu qui commence par la connaissance de la source des données et de la possibilité de les suivre, et passe par la gestion des versions du modèle et la détermination des circonstances qui nécessitent la suppression de la trace de certaines informations, puis par le test de la version modifiée avant de continuer à être utilisée cliniquement.
Cela signifie que la question lors de l’adoption d’un nouveau système médical ne doit pas seulement être : comment avez-vous appris ? Mais aussi : sait-on comment corriger ce que l’on a appris si l’on découvre plus tard qu’il n’est plus valable ?
En ce sens, la gouvernance devient une gestion du cycle de vie de l’IA médicale, plutôt qu’une approbation réglementaire unique lorsqu’elle entre dans un hôpital.
La prochaine question de l’intelligence artificielle médicale
Nous avons passé ces dernières années à essayer de créer des systèmes capables d'apprendre à partir d'autant de données que possible. Mais la médecine a peut-être désormais besoin d’une capacité différente : qu’une machine sache quoi oublier, quand et comment prouver qu’elle a oublié sans endommager ce qu’elle a correctement appris. Le philosophe allemand Friedrich Nietzsche écrivait il y a plus d’un siècle que « l’oubli n’est pas seulement une puissance oisive… mais une puissance active et positive ». Il parlait de l’esprit humain, pas d’algorithmes, mais aujourd’hui, sa phrase prend un sens technique inimaginable à son époque. Après des années pendant lesquelles l'attention s'est concentrée sur la manière d'enseigner une machine, l'étape suivante pourrait commencer en se demandant comment lui faire défaire ce qu'elle a appris lorsque cela devient nécessaire. Peut-être que la mémoire d'une machine se mesure non seulement par ce qu'elle peut retenir, mais aussi par ce qu'elle peut oublier lorsque la mémoire devient erronée.
En médecine, l’oubli n’est peut-être pas l’opposé de l’apprentissage ; C’est plutôt l’une des conditions pour poursuivre un apprentissage correct.
Les résultats préliminaires d’une vaste étude génétique ont révélé que les personnes porteuses de variations génétiques les rendant plus enclines aux goûts sucrés ou gras ont en réalité tendance à manger de plus grandes quantités de ces aliments. Cette prédisposition génétique est également associée à une augmentation du poids corporel et à une légère augmentation du risque de développer un diabète de type 2.
Des études majeures sur les bases génétiques des préférences gustatives
Ces résultats offrent une explication possible à une question qui a longtemps intrigué les chercheurs : pourquoi certaines personnes sont-elles capables de résister facilement à un bonbon, tandis que d'autres sont plus attirées par les sucreries, les boissons sucrées et les aliments gras ? L’étude suggère que la réponse pourrait être en partie inscrite dans nos gènes.
L’étude est l’une des plus vastes à ce jour portant sur la base génétique des préférences gustatives et s’appuie sur les données de la UK Biobank, qui comprend des informations génétiques et sanitaires ainsi que des données sur les habitudes alimentaires d’environ un demi-million de personnes au Royaume-Uni.
Gènes derrière les fringales
L'équipe de recherche - dirigée par Julie Jervis, chercheuse au Centre de médecine génomique du Massachusetts General Hospital aux États-Unis - a utilisé une méthode innovante pour étudier la relation entre les gènes et les préférences alimentaires. Jervis a présenté les résultats lors de la conférence « NUTRITION 2026 » lors de la réunion annuelle de l'American Society for Nutrition, qui s'est tenue du 25 au 28 juillet 2026 à « National Harbor » dans le Maryland, près de Washington, DC. L'étude a été publiée dans la revue de l'American Society for Nutrition (ASN).
Bases de données sensorielles : au lieu de simplement demander aux gens ce qu’ils aiment dans les aliments, les chercheurs ont combiné les réponses à des questionnaires sur les préférences alimentaires avec des bases de données sensorielles qui décrivent les caractéristiques de différents aliments, telles que le goût sucré, salé et crémeux.
Scores génétiques pour les goûts : ils ont ensuite mené des analyses à l’échelle du génome d’un groupe de participants pour identifier les différences génétiques associées à une préférence pour les goûts sucrés, salés ou gras. Ils ont ensuite créé des « scores génétiques » qui reflètent la prédisposition génétique de chaque personne à préférer chacun de ces goûts.
Dans un autre groupe de participants, les chercheurs ont testé si cette prédisposition génétique se reflétait réellement dans le comportement alimentaire et la santé.
Le dessert peut commencer avec une petite quantité
Les résultats préliminaires ont montré que les personnes ayant une plus grande tendance génétique à préférer les goûts sucrés consommaient en moyenne environ 7 grammes supplémentaires d'aliments sucrés par jour, y compris des bonbons et des boissons sucrées.
Cela peut sembler une petite quantité en une journée ; Mais les chercheurs soulignent que de petites différences dans les habitudes alimentaires peuvent s’accumuler avec le temps.
Plus important encore, une forte prédisposition génétique à préférer les goûts sucrés ou gras était également associée à une augmentation du poids corporel et à une légère augmentation du risque de développer un diabète de type 2.
Une grande partie de cette association semble être due à la consommation de ce que l’on appelle des « aliments hyperappétissants », tels que les boissons sucrées, les aliments frits, les chips et d’autres aliments qui combinent généralement des niveaux élevés de sucre, de graisse ou de sel.
Les gènes ne sont pas de la nourriture
Les chercheurs soulignent que les résultats ne signifient pas qu’une personne est génétiquement prédisposée à aimer les sucreries, ni qu’elle deviendra inévitablement obèse ou diabétique. L’alimentation et la santé métabolique sont affectées par un large éventail de facteurs, notamment l’environnement, les habitudes alimentaires et l’activité physique.
