# Apprentissage par Renforcement

> Méthode où un agent apprend à prendre des décisions en effectuant des actions et en recevant des récompenses ou des pénalités.

- Page ZoneIA : https://zoneia.fr/glossaire/apprentissage-par-renforcement
- Type : Définition du glossaire IA
- Catégories : [Recherche & Science](https://zoneia.fr/outils/categorie/recherche-science-ia), [Agents Autonomes](https://zoneia.fr/outils/categorie/agents-autonomes-ia)
- Publié le : 2026-03-04
- Mis à jour le : 2026-05-22

L’apprentissage par renforcement (RL) consiste à entraîner un **agent** à choisir des actions dans un **environnement** afin de **maximiser une récompense cumulée**. Contrairement à l’apprentissage supervisé, il n’y a pas de “bonne réponse” donnée à l’avance : l’agent apprend par **essais-erreurs**, en observant les conséquences de ses décisions.

## Comment ça fonctionne
À chaque étape, l’agent observe un **état** (par exemple la position d’un robot), sélectionne une **action**, puis reçoit une **récompense** (positive ou négative) et un nouvel état. L’agent ajuste alors sa **politique** (sa stratégie de décision) pour améliorer ses choix. Un défi central est l’équilibre entre **exploration** (tester de nouvelles actions) et **exploitation** (utiliser ce qui marche déjà).

## À quoi ça sert
Cette approche est utile quand :
- les décisions s’enchaînent dans le temps,
- l’objectif est global (récompense à long terme),
- le système est difficile à modéliser explicitement.

## Exemples concrets
- jeux (échecs, Go, jeux vidéo) via Q-learning ou méthodes “policy gradient” ;
- robotique (apprendre à marcher, saisir des objets) ;
- optimisation (gestion d’inventaire, allocation de ressources, contrôle de trafic) ;
- personnalisation (recommandations avec contraintes de long terme).

---

Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/glossaire/apprentissage-par-renforcement)