Apprentissage supervisé
L’apprentissage supervisé est une technique de machine learning où un modèle est entraîné à partir de données étiquetées — des paires entrée/sortie déjà connues — pour apprendre à prédire une sortie à partir d’une nouvelle entrée. Le modèle ajuste ses paramètres pour réduire l’écart entre ses prédictions et les résultats attendus.
En RH, c’est la technique dominante des outils de scoring : un ATS entraîné sur d’anciens recrutements (CV → embauché ou non) apprend à noter de nouveaux candidats. Même logique pour la prédiction de turnover, entraînée sur des départs passés déjà connus.
Deux familles de problèmes : la classification (prédire une catégorie, ex. « candidat retenu / écarté ») et la régression (prédire une valeur continue, ex. un salaire estimé).
Elle s’oppose à l’apprentissage non supervisé, qui travaille sans étiquettes.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : IBM (27/05/2026), Google for Developers.