Meta-learning (méta-apprentissage)
Le meta-learning, ou « apprendre à apprendre », est un sous-domaine du machine learning qui entraîne un modèle sur une grande variété de tâches plutôt que sur une seule, pour qu’il développe une stratégie d’apprentissage généralisable. Contrairement à l’apprentissage supervisé classique, centré sur un jeu de données unique, le meta-learning expose le modèle à de multiples tâches différentes, chacune avec ses propres données — il apprend ainsi non pas une tâche précise, mais la capacité à s’adapter rapidement à des tâches inédites, avec très peu d’exemples.
Applications concrètes : le few-shot learning repose sur ce principe (généraliser à partir de quelques exemples seulement), tout comme l’AutoML, qui automatise le choix du modèle et le réglage des hyperparamètres pour une tâche donnée sans intervention manuelle. Un algorithme de référence, MAML (2017), entraîne un modèle à trouver les meilleurs paramètres de départ pour qu’il s’adapte vite à toute nouvelle tâche.
En RH, l’intérêt est indirect mais réel : un outil basé sur le meta-learning pourrait s’adapter rapidement à un nouveau contexte RH (nouveau métier, nouvelle grille de compétences) sans devoir être ré-entraîné intégralement depuis zéro — un gain de temps significatif face à des besoins RH qui évoluent constamment.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.