Glossaire41 termes
Glossaire de l’intelligence artificielle
Les termes de l’IA peuvent sembler intimidants. Voici plus de 40 définitions en langage simple, classées par ordre alphabétique. Les liens vous renvoient vers le guide où chaque notion est expliquée en détail.
A
- Agent IA
- Un système d’IA capable d’enchaîner plusieurs actions (chercher, écrire, exécuter du code, utiliser des applications) pour atteindre un objectif, avec une supervision humaine plus ou moins forte. Voir le guide →
- AGI (intelligence artificielle générale)
- Une IA hypothétique capable d’accomplir n’importe quelle tâche intellectuelle avec la souplesse d’un humain. Elle n’existe pas à ce jour ; les experts ne s’accordent ni sur sa définition ni sur son calendrier. Voir le guide →
- AI Act
- Le règlement européen sur l’intelligence artificielle, entré en vigueur le 1er août 2024. Il classe les usages de l’IA par niveau de risque et impose des règles proportionnées. Voir le guide →
- Alignement
- L’ensemble des techniques qui visent à ce qu’une IA se comporte conformément aux intentions et aux valeurs humaines : utile, honnête, inoffensive. Voir le guide →
- API
- Interface qui permet à un logiciel d’utiliser un modèle d’IA à distance. Les développeurs s’en servent pour intégrer l’IA dans leurs applications. Voir le guide →
- Apprentissage automatique (machine learning)
- Famille de techniques où une machine apprend à partir d’exemples plutôt que d’être programmée règle par règle. Voir le guide →
- Apprentissage non supervisé
- Méthode où le modèle cherche seul des structures dans des données sans étiquettes, par exemple pour regrouper des clients similaires. Voir le guide →
- Apprentissage par renforcement
- Méthode où un agent apprend par essais et erreurs, guidé par des récompenses. Il a permis à AlphaGo de battre un champion de go en 2016. Voir le guide →
- Apprentissage profond (deep learning)
- Apprentissage automatique avec des réseaux de neurones à nombreuses couches. C’est la base des avancées majeures de l’IA depuis 2012. Voir le guide →
- Apprentissage supervisé
- Méthode où le modèle apprend à partir d’exemples accompagnés de la bonne réponse (par exemple, une image étiquetée « chat »). Voir le guide →
- Attention (mécanisme d’)
- Mécanisme au cœur des Transformers : pour traiter un mot, le modèle pondère l’importance de tous les autres mots du contexte. Voir le guide →
B
- Benchmark
- Test standardisé utilisé pour comparer les performances de modèles d’IA (mathématiques, code, connaissances générales…). Voir le guide →
- Biais algorithmique
- Tendance d’un système d’IA à produire des résultats systématiquement défavorables à certains groupes, souvent parce que ses données d’entraînement sont déséquilibrées. Voir le guide →
C
- Chatbot (agent conversationnel)
- Programme qui dialogue avec l’utilisateur. Le premier connu, ELIZA, date de 1966 ; les assistants actuels reposent sur de grands modèles de langage. Voir le guide →
D
- Deepfake (hypertrucage)
- Image, vidéo ou voix générée ou modifiée par IA pour imiter de façon réaliste une personne réelle. Voir le guide →
- Descente de gradient
- Algorithme qui ajuste les paramètres d’un modèle par petits pas dans la direction qui réduit l’erreur, comme descendre une montagne dans le brouillard. Voir le guide →
- Données d’entraînement
- Ensemble d’exemples (textes, images, sons…) sur lesquels un modèle apprend. Leur qualité et leur diversité déterminent en grande partie la qualité du modèle. Voir le guide →
E
- Embedding (plongement)
- Représentation d’un mot, d’une image ou d’un document par une liste de nombres, de sorte que les éléments proches par le sens soient proches dans l’espace numérique. Voir le guide →
- Entraînement
- Phase où un modèle ajuste ses paramètres à partir de données. Elle est longue et coûteuse pour les grands modèles. Voir le guide →
F
- Fenêtre de contexte
- Quantité maximale de texte (en tokens) qu’un modèle peut prendre en compte à la fois : votre question, l’historique de la conversation et la réponse en cours. Voir le guide →
- Fonction de perte
- Nombre qui mesure à quel point un modèle se trompe. L’entraînement cherche à le réduire. Voir le guide →
G
- GAN (réseau antagoniste génératif)
- Modèle génératif proposé en 2014 par Ian Goodfellow : deux réseaux, un générateur et un discriminateur, s’affrontent pour produire des images réalistes. Voir le guide →
- GPU (processeur graphique)
- Processeur capable d’effectuer des milliers de calculs en parallèle, conçu à l’origine pour les jeux vidéo et devenu indispensable pour entraîner les réseaux de neurones. Voir le guide →
H
- Hallucination
- Réponse fausse ou inventée, formulée de façon fluide et crédible par un modèle de langage. Voir le guide →
I
- IA générative
- IA qui produit du contenu nouveau (texte, image, son, vidéo, code) au lieu de seulement classer ou prédire. Voir le guide →
- Inférence
- Utilisation d’un modèle déjà entraîné pour produire une réponse à une demande. Voir le guide →
L
- LLM (grand modèle de langage)
- Réseau de neurones entraîné sur d’énormes volumes de textes pour prédire la suite d’un texte. ChatGPT, Claude et Gemini reposent sur des LLM. Voir le guide →
M
- Modèle de diffusion
- Modèle génératif qui apprend à retirer du bruit d’une image, puis crée en partant d’un bruit aléatoire qu’il débruite progressivement. Il est à la base de la plupart des générateurs d’images actuels. Voir le guide →
- Modèle ouvert (open weights)
- Modèle dont les paramètres sont publiés, ce qui permet de le télécharger et de l’exécuter soi-même. Les données d’entraînement ne sont pas toujours partagées. Voir le guide →
- Multimodal
- Se dit d’un modèle capable de traiter plusieurs types de données : texte, image, son, voire vidéo. Voir le guide →
P
- Paramètre
- Nombre (poids ou biais) à l’intérieur d’un modèle, ajusté pendant l’entraînement. GPT-3 en compte 175 milliards. Voir le guide →
- Pré-entraînement
- Première et plus lourde phase d’entraînement d’un grand modèle sur un vaste corpus, qui lui donne ses connaissances générales. Voir le guide →
- Prompt
- Consigne ou question envoyée à une IA. Sa clarté influence fortement la qualité de la réponse. Voir le guide →
R
- RAG (génération augmentée par la recherche)
- Technique où l’IA cherche d’abord des documents pertinents puis s’en sert pour rédiger sa réponse, ce qui réduit les erreurs et permet de citer des sources. Voir le guide →
- Réglage fin (fine-tuning)
- Étape qui consiste à réentraîner un modèle déjà pré-entraîné sur des données plus spécifiques pour l’adapter à une tâche ou à un style. Voir le guide →
- Réseau de neurones
- Ensemble de petites unités de calcul (neurones artificiels) organisées en couches et reliées par des poids, qui apprennent à reconnaître des motifs. Voir le guide →
- RLHF (apprentissage par renforcement avec retour humain)
- Étape où des humains classent des réponses d’une IA pour l’orienter vers des réponses plus utiles et plus sûres. Voir le guide →
S
- Surapprentissage (overfitting)
- Défaut d’un modèle qui apprend « par cœur » ses exemples d’entraînement et généralise mal à de nouvelles données. Voir le guide →
T
- Test de Turing
- Test proposé par Alan Turing en 1950 : une machine réussit si un interlocuteur ne peut pas la distinguer d’un humain lors d’une conversation. Voir le guide →
- Token
- Petit morceau de texte (mot, partie de mot, ponctuation) converti en nombre pour être traité par un modèle de langage. Voir le guide →
- Transformer
- Architecture de réseau de neurones publiée par Google en 2017 (« Attention Is All You Need »), à la base de la plupart des grands modèles de langage. Voir le guide →
Aucun terme ne correspond à votre recherche.