# Comment savoir si l'apprentissage automatique classique suffit au lieu d'un LLM ?

> Un test rapide pour data scientists : quand une régression, un modèle à arbres ou un petit classifieur bat un LLM en coût, énergie, vitesse et fiabilité.

Source: https://greenai.guide/fr/comment/comment-savoir-si-l-apprentissage-automatique-classique-suffit-au/  
Updated: 2026-11-19

## En bref

Si vos entrées sont des données structurées ou de courts textes étiquetés, et que la sortie est un nombre, une catégorie ou un classement, essayez d'abord un modèle classique : un modèle linéaire, des arbres à gradient boosting ou un petit classifieur. Ils coûtent bien moins cher à faire fonctionner, sont plus rapides, plus faciles à expliquer et souvent aussi précis. Tournez-vous vers un grand modèle de langage lorsque la tâche exige vraiment un langage ouvert.

## Steps

1. Notez le type d'entrée, le type de sortie et le seuil de qualité.
2. Construisez d'abord une référence simple, comme une règle, un modèle linéaire ou des arbres à gradient boosting.
3. Essayez un petit classifieur affiné si l'entrée est du texte libre.
4. Ne testez un LLM que si les références n'atteignent pas le seuil, et sur le même jeu d'évaluation.
5. Comparez la qualité, la latence et l'énergie par prédiction avant de choisir.

**Utilisez le modèle le plus simple qui atteint votre seuil de qualité.** Pour les données structurées et les tâches
d'étiquetage ciblées, c'est généralement un modèle d'apprentissage automatique classique, pas un grand modèle de
langage.

## Pourquoi est-ce important ? {#why-does-it-matter}

Luccioni, Jernite et Strubell ont mesuré l'énergie nécessaire pour faire fonctionner des modèles sur de nombreuses
tâches. La classification de texte figurait parmi les tâches les moins coûteuses, avec environ 0,002 kWh pour
1 000 inférences, tandis que les modèles génératifs généralistes coûtaient des ordres de grandeur de plus que les
modèles spécialisés pour la même tâche. Les Web Sustainability Guidelines du W3C demandent aussi aux équipes
d'évaluer le besoin d'IA avant de la mettre en œuvre.

Un « sandpit » britannique sur l'IA verte organisé en 2026, réunissant mathématiciens, informaticiens et
industriels, a fait le même constat sous un autre angle : on se tourne souvent vers l'IA alors qu'une méthode
statistique ou numérique bien connue fait déjà le travail.

## Un test rapide {#a-quick-test}

| Votre tâche | À essayer d'abord |
|---|---|
| Prédire un nombre à partir de données tabulaires | Modèle linéaire ou arbres à gradient boosting |
| Attribuer une étiquette parmi quelques-unes | Petit classifieur affiné |
| Trouver des éléments similaires | Embeddings et index des plus proches voisins |
| Prévoir une série temporelle | Méthodes statistiques de prévision éprouvées |
| Rédiger, expliquer ou converser | C'est là qu'un LLM justifie son coût |

## Erreurs fréquentes {#common-mistakes}

- **Sauter la référence.** Sans elle, vous ne pouvez pas savoir si le LLM apporte quelque chose.
- **Utiliser un LLM pour étiqueter des données sur lesquelles vous ne réentraînez jamais.** Utilisez-le une fois pour
  créer les étiquettes, puis entraînez un petit modèle.
- **Comparer sur la seule précision.** Incluez la latence, l'énergie par prédiction et la facilité à expliquer les
  erreurs.

Pour aller plus loin, lisez [choisir le bon modèle](/fr/bonnes-pratiques/choisir-le-bon-modele-pour-la-tache/) et
[les mathématiques au service d'une IA efficace](/fr/articles/les-mathematiques-qui-rendent-l-ia-plus-efficace/).

## Sources

- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [Web Sustainability Guidelines](https://www.w3.org/TR/web-sustainability-guidelines/), W3C (2025)
