Une approche d'entraînement où le modèle apprend à partir d'exemples étiquetés — des paires entrée-sortie où la bonne réponse est fournie. Le modèle ajuste ses paramètres pour minimiser la différence entre ses prédictions et les réponses correctes connues.
Pourquoi c'est important
L'apprentissage supervisé est la forme la plus intuitive de ML et le cheval de bataille derrière la plupart des applications pratiques : filtres anti-spam, analyse d'images médicales, détection de fraude, et la phase de fine-tuning des LLM.
En profondeur
La boucle principale : prédire → comparer au label → calculer la perte → ajuster les paramètres. Le pré-entraînement des LLM est techniquement auto-supervisé, mais le fine-tuning et le RLHF utilisent des signaux supervisés. Le hic, c'est le besoin de données étiquetées, ce qui coûte cher.