Utiliser un modèle appris pour décider et commander un système
Appliquer un modèle déjà entraîné à de nouvelles données d'entrée pour produire une décision, la traduire en commande d'un système, puis juger de sa fiabilité.

Les points essentiels
- Un modèle appris est une fonction : à des données d'entrée (mesures de capteurs, images, signaux), il associe une sortie, par exemple une classe, une valeur estimée ou un score.
- Utiliser un modèle, c'est l'inférence : on fige ses paramètres, déjà ajustés lors de l'entraînement, et on les applique à de nouvelles données. Aucun apprentissage n'a lieu à ce moment-là.
Les mots à connaître
- Modèle
- Représentation mathématique, obtenue par apprentissage, qui associe une sortie (classe, valeur, score) à des données d'entrée ; ses paramètres sont fixés une fois l'entraînement terminé.
- Inférence
- Phase d'utilisation du modèle : on lui fournit de nouvelles données et il calcule une sortie, sans modifier ses paramètres.
Un exemple pour comprendre
Un modèle de régression linéaire déjà entraîné estime la température T d'un four : T = 2,0 × I + 30, où I est l'intensité de chauffe en ampères (de 0 à 40 A). Le système doit couper le chauffage si la température estimée dépasse 100 °C. Pour I = 38 A, que décide le système ?
Étape 1 : l'entrée du modèle est une intensité en ampères, et 38 A est dans l'intervalle de validité (0 à 40 A). Étape 2 : on applique le modèle : T = 2,0 × 38 + 30 = 76 + 30 = 106 °C. Étape 3 : règle de décision : 106 > 100, donc le seuil est dépassé. Étape 4 : la commande est la coupure du chauffage. Remarque : le modèle ne fait qu'estimer T, sans nouvel apprentissage ; il serait fiable seulement dans le domaine 0 à 40 A, pour lequel il a été entraîné.

