Quels livres pour apprendre l'intelligence artificielle ? 5 titres, et ceux qui périment

Quels livres pour apprendre l'intelligence artificielle ?

Le rayon existe depuis dix ans dans toutes les librairies, et il a un problème que les autres rayons n'ont pas : la moitié de ce qui s'y trouve était juste au moment de l'écriture et ne l'est plus. Des livres parus en 2018 décrivent avec assurance des limites que les systèmes ont franchies depuis. D'autres, parus en 2024, annoncent des ruptures qui ne sont pas venues.

Ce n'est pas une raison pour ne rien lire, c'est une raison pour choisir autrement. Voici cinq livres, dont quatre qui ne demandent aucune compétence technique, avec pour chacun ce qu'il vous apprend et sa durée de vie probable. Plus la liste, assez fournie, de ce qu'il vaut mieux ne pas acheter en premier.

Trois besoins que le même mot recouvre

Quand quelqu'un dit vouloir « apprendre l'IA », il veut en général l'une de ces trois choses, et elles n'appellent pas les mêmes livres.

Comprendre ce que c'est : comment une machine finit par reconnaître un visage ou produire une phrase, pourquoi ça marche, pourquoi ça rate. C'est un besoin de mécanisme.

En saisir les enjeux : ce que ces systèmes font aux embauches, aux crédits, aux emplois, à l'environnement, à la répartition du pouvoir entre quelques entreprises et le reste du monde. C'est un besoin politique, au sens large.

Apprendre à en faire : entraîner un modèle, préparer des données, mesurer une performance. C'est un besoin de métier, et il suppose de savoir programmer.

Les deux premiers besoins concernent la grande majorité des gens qui se posent la question. Le troisième concerne une minorité, et c'est justement lui que les listes en ligne servent en priorité, parce que les livres techniques se vendent mieux.

Une remarque avant d'entrer dans la sélection, et elle vaut de l'argent économisé. Le rayon technique se démode vite : deux ans en moyenne avant qu'un manuel d'outils ne devienne partiellement trompeur, parce que les bibliothèques logicielles ont changé de version et que les bonnes pratiques ont bougé. Le rayon des enjeux, lui, vieillit très bien. Les mécanismes de discrimination statistique décrits en 2016 se retrouvent tels quels dans les systèmes de 2026. Achetez le second en papier sans hésiter, et n'achetez le premier que dans son édition la plus récente.

Premier livre : Yann Le Cun, « Quand la machine apprend »

Yann Le Cun, « Quand la machine apprend. La révolution des neurones artificiels et de l'apprentissage profond » (Odile Jacob, 2019, 400 pages) Voir à la FnacQuand la machine apprend. La révolution des neurones artificiels et de l'apprentissage profond, de Yann Le Cun (lien affilié, ouvre un nouvel onglet). Aucun prérequis technique, mais une vraie attention demandée.

Le Cun a reçu le prix Turing en 2019, la plus haute distinction en informatique, pour ses travaux sur les réseaux de neurones convolutifs, ceux-là mêmes qui ont rendu la reconnaissance d'images utilisable. Le livre mêle deux choses : le récit de trente ans de recherche, y compris la longue période où presque personne n'y croyait, et une explication progressive de la manière dont un réseau apprend.

Ce qu'il vous apprend précisément : ce que veut dire « apprendre » pour une machine. Vous comprendrez qu'il s'agit d'un ajustement de paramètres par correction d'erreur, répété des milliards de fois, et pas d'une compréhension au sens où vous l'entendez. Cette seule distinction vous immunise contre les trois quarts des articles de presse sur le sujet.

Ce qu'il ne vous apprend pas : l'état actuel du domaine. Le livre est antérieur aux grands modèles de langage grand public, et cela se voit. Le socle qu'il décrit reste exact, l'échelle a changé d'ordre de grandeur. Lisez-le pour le mécanisme, pas pour l'actualité.

Deuxième livre : Jean-Gabriel Ganascia, « Le Mythe de la singularité »

Jean-Gabriel Ganascia, « Le Mythe de la singularité. Faut-il craindre l'intelligence artificielle ? » (Seuil, collection Science ouverte, 2017, 144 pages) Voir à la FnacLe Mythe de la singularité. Faut-il craindre l'intelligence artificielle ?, de Jean-Gabriel Ganascia (lien affilié, ouvre un nouvel onglet). Aucun prérequis.

Cent quarante-quatre pages, ce qui est peu et bien vu. Ganascia est professeur d'informatique à Sorbonne Université et a présidé le comité d'éthique du CNRS. Il démonte ici, argument par argument, la thèse d'une explosion d'intelligence machinique qui rendrait l'espèce humaine obsolète.

Ce qu'il vous apprend précisément : à distinguer un problème technique réel d'une extrapolation. Ganascia montre que les courbes exponentielles brandies par les partisans de la singularité reposent sur des choix de mesure discutables, et que la puissance de calcul ne produit pas mécaniquement de l'intelligence générale. Il montre aussi à qui profite ce récit, ce qui est la partie la plus intéressante du livre.

Ce qu'il ne vous apprend pas : ce dont il faut réellement s'inquiéter. Ganascia écarte la peur spectaculaire et laisse un peu de côté les problèmes ordinaires, ceux qui arrivent déjà. C'est le rôle du livre suivant.

Troisième livre : Cathy O'Neil, « Algorithmes : la bombe à retardement »

Cathy O'Neil, « Algorithmes : la bombe à retardement » (Les Arènes, 2018, traduit de l'anglais par Sébastien Marty) Voir à la FnacAlgorithmes : la bombe à retardement, de Cathy O'Neil (lien affilié, ouvre un nouvel onglet). Aucun prérequis, y compris en mathématiques.

O'Neil est docteure en mathématiques de Harvard, a travaillé dans un fonds spéculatif pendant la crise de 2008, puis en publicité en ligne, et elle en est sortie écœurée. Le livre original, « Weapons of Math Destruction », date de 2016 et n'a pas pris une ride, ce qui devrait déjà vous dire quelque chose sur la durée de vie relative des livres d'enjeux.

Ce qu'il vous apprend précisément : comment un modèle statistique fabrique de la discrimination sans qu'aucun de ses concepteurs n'en ait eu l'intention. Notation des enseignants, tri des candidatures, scores de récidive, tarification des assurances, ciblage des étudiants endettés : chaque chapitre prend un cas documenté et démonte la boucle. Le concept clé du livre, celui de rétroaction qui confirme sa propre prédiction, vous servira longtemps.

Ce qu'il ne vous apprend pas : ce que ces systèmes coûtent en énergie, en matière et en travail humain. C'est le sujet du quatrième.

Quatrième livre : Kate Crawford, « Contre-atlas de l'intelligence artificielle »

Kate Crawford, « Contre-atlas de l'intelligence artificielle. Les coûts politiques, sociaux et environnementaux de l'IA » (Zulma, 2022, traduit de l'anglais par Laurent Bury, 384 pages) Voir à la FnacContre-atlas de l'intelligence artificielle. Les coûts politiques, sociaux et environnementaux de l'IA, de Kate Crawford (lien affilié, ouvre un nouvel onglet). Prérequis : les deux précédents, ou l'équivalent.

Crawford est chercheuse, cofondatrice de l'AI Now Institute, et elle fait ici quelque chose de rare : elle suit la matière. Une mine de lithium au Nevada, un entrepôt logistique, une base de données d'images constituée sans le consentement des personnes photographiées, la consommation électrique d'un centre de calcul. Le livre remonte la chaîne physique d'une technologie qu'on décrit d'habitude comme immatérielle.

Ce qu'il vous apprend précisément : que l'intelligence artificielle est une industrie extractive avant d'être un logiciel. Vous ne regarderez plus une démonstration de modèle de la même manière une fois que vous saurez d'où viennent les données d'entraînement et qui a été payé combien pour les étiqueter.

Une opinion, que je vous donne franchement : c'est le livre le plus utile de cette liste pour quelqu'un qui n'a pas l'intention de coder. La thèse est engagée, elle est assumée comme telle, et elle est documentée. Vous pouvez la discuter, vous ne pouvez pas l'ignorer.

Cinquième livre, seulement si vous comptez coder

Aurélien Géron, « Machine Learning avec Scikit-Learn. Mise en œuvre et cas concrets » (Dunod, 3e édition, 2023, environ 350 pages) Voir à la FnacMachine Learning avec Scikit-Learn. Mise en œuvre et cas concrets, de Aurélien Géron (lien affilié, ouvre un nouvel onglet). Prérequis : Python à un niveau intermédiaire, et un ordinateur ouvert à côté du livre.

Géron a dirigé l'équipe de classification vidéo de YouTube entre 2013 et 2016, et son manuel est devenu la référence francophone d'entrée dans la pratique. La progression va du projet complet de bout en bout, avec Pandas, jusqu'aux forêts aléatoires, aux machines à vecteurs de support et à la réduction de dimension. Le code des exemples est disponible en carnets Jupyter, ce qui change tout : vous exécutez, vous modifiez, vous cassez.

Ce qu'il vous apprend précisément : la méthode. Comment séparer les jeux de données, pourquoi votre score excellent ne veut rien dire, comment repérer un surapprentissage. Ces réflexes-là ne se démodent pas, même quand les outils changent.

Ce qu'il ne vous apprend pas : il ne survivra pas dix ans. Prenez la dernière édition disponible et acceptez l'idée que ce livre est un consommable, pas une pièce de bibliothèque. C'est exactement l'inverse des quatre précédents.

Par où ne pas commencer

Voici la partie que les listes ne font jamais.

« Superintelligence » de Nick Bostrom (Dunod, 2017, traduction de Françoise Parot, 464 pages) : un livre sérieux, très discuté, et un très mauvais point de départ. Bostrom raisonne sur une intelligence générale qui n'existe pas, avec une rigueur philosophique qui donne à ses hypothèses l'apparence de faits. Commencer par là, c'est se faire une idée du domaine à partir de son extrémité la plus spéculative.

« Intelligence artificielle : une approche moderne » de Russell et Norvig (Pearson, traduction française régulièrement rééditée, 4e édition en 2021) : c'est le manuel universitaire de référence mondiale, utilisé dans plus d'un millier d'établissements. C'est aussi mille cinq cents pages destinées à un cursus encadré. Personne ne l'a jamais lu seul le soir après le travail, et personne ne devrait s'en vouloir.

Les livres de dirigeants du secteur, en général : ils sont souvent bien informés, et ils ont un intérêt financier direct dans la manière dont vous percevez leur technologie. Cela ne les disqualifie pas, cela oblige à les lire en second, quand vous avez de quoi les contredire.

Enfin, méfiez-vous d'une catégorie entière : les essais parus dans les dix-huit mois qui suivent une nouveauté médiatique. Ils sont écrits vite, ils décrivent un état des lieux déjà dépassé quand vous les ouvrez, et leur couverture ressemble toujours à un cerveau bleu sur fond noir. Ce dernier signe est étonnamment fiable.

Ce qu'aucun livre ne fera à votre place

Si votre objectif est technique, il faut le dire nettement : lire ne suffit pas, et lire beaucoup peut même retarder le moment où vous vous y mettez. Le machine learning s'apprend en obtenant des résultats décevants pendant plusieurs mois sur un problème qui vous intéresse. Prenez un jeu de données qui vous concerne, prédisez quelque chose de trivial, échouez, recommencez. Un chapitre lu après un échec vaut dix chapitres lus avant.

Si votre objectif est de comprendre, un livre ne remplacera pas l'usage. Passez quelques heures à faire dérailler un système commercial, à repérer où il invente, où il refuse, où il vous flatte. Vous apprendrez sur ses limites des choses qu'aucun auteur ne peut écrire assez vite pour rester à jour.

Et dans les deux cas, un livre ne vous donnera pas d'interlocuteur. Le domaine bouge suffisamment pour que la conversation avec des gens qui le pratiquent vaille une bibliothèque. Séminaires ouverts, associations locales, forums techniques : c'est là que se trouve ce qui a moins de dix-huit mois.

Après ces cinq livres

Vous aurez alors le mécanisme, un antidote au récit spectaculaire, deux cartographies des effets réels, et une porte technique si vous en voulez une. C'est plus que ce dont dispose la plupart des gens qui se prononcent publiquement sur le sujet.

La suite dépend de ce qui vous a retenu. Si c'est la question de fond, celle de savoir ce que ces machines ont à voir avec la pensée, Daniel Andler propose dans « Intelligence artificielle, intelligence humaine : la double énigme » (Gallimard, NRF Essais, 2023) quatre cent trente pages exigeantes qui posent la question sérieusement. Si c'est le versant technique, la suite passe par le code plutôt que par les livres, et par la lecture d'articles de recherche que personne ne traduira.

Vous pouvez aussi parcourir le rayon sciences et informatique par genre pour repérer les éditions récentes, qui comptent beaucoup plus ici qu'ailleurs. Et si cette manière de trier vous convient, le reste de la collection quels livres acheter pour apprendre à applique la même méthode, notamment pour apprendre à programmer, où la question de l'obsolescence se pose exactement dans les mêmes termes.

Les liens « Voir à la Fnac » sont affiliés : un achat nous verse une petite commission, sans changement de prix pour vous. Les livres sont choisis indépendamment.