Gradient descent (descente de gradient)
La descente de gradient est un algorithme d’optimisation qui ajuste les paramètres d’un modèle pour minimiser sa fonction de perte. Image classique : un randonneur dans le brouillard qui descend une montagne en tâtonnant, un pas après l’autre, dans la direction la plus raide vers le bas. Le « bas » représente ici l’état où les prédictions du modèle sont les plus précises.
Le calcul du gradient s’appuie sur la backpropagation, et la taille des pas dépend du taux d’apprentissage : trop élevé, l’algorithme dépasse le minimum sans converger ; trop faible, l’entraînement devient très lent. La variante la plus utilisée en pratique, la descente de gradient stochastique (SGD), met à jour les paramètres par petits lots de données plutôt que sur l’ensemble complet — plus rapide, moins coûteuse en calcul.
En RH, cette notion reste purement technique et invisible pour l’utilisateur final. Elle explique cependant pourquoi entraîner un modèle RH performant (scoring, prédiction de turnover) demande du temps de calcul et un réglage fin de paramètres, plutôt qu’un simple import de données.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : IBM (19/11/2025), Ultralytics.