Glossaire de l'intelligence artificielle

A

• AI Agent — Programme autonome capable de planifier et exécuter des actions avec l’aide d’un LLM et d’outils externes.
• AI Alignment — Alignement entre les comportements d’un modèle et les intentions humaines, pour éviter des dérives éthiques.
• Algorithmic Bias — Distorsion introduite dans un modèle d’IA à cause de données d’entraînement non représentatives.
• API (Application Programming Interface) — Interface permettant à des applications de communiquer entre elles, souvent utilisée pour accéder à des modèles d’IA externes.
• Artificial General Intelligence (AGI) — Hypothétique IA possédant une capacité de compréhension et d’apprentissage équivalente ou supérieure à celle de l’humain dans tous les domaines.

C

• Chain of Thought (CoT) — Technique de prompt incitant le modèle à expliquer son raisonnement étape par étape avant de donner la réponse finale, améliorant la logique.
• Closed Source — Logiciel propriétaire dont le code n’est pas accessible au public.
• Computer Vision (CV) — Domaine de l’IA permettant aux ordinateurs de "voir" et d’interpréter des images ou des vidéos.
• Context Window — Quantité maximale de texte (en tokens) qu’un modèle peut prendre en compte en une seule fois (ex: 128k tokens).

D

• Dataset — Ensemble de données utilisé pour entraîner ou tester un modèle d’intelligence artificielle.
• Deep Learning (DL) — Sous-domaine du machine learning utilisant des réseaux de neurones profonds pour reconnaître des motifs complexes dans les données.
• Diffusion Model — Type de modèle spécialisé dans la génération d’images (ex: Midjourney, Stable Diffusion) en apprenant à supprimer du bruit numérique.

E

• Embedding — Représentation numérique d’un mot, d’un texte ou d’une image permettant aux modèles de manipuler leur signification.

F

• Few-shot Learning — Entraînement ou adaptation d’un modèle à partir de très peu d’exemples.
• Fine-tuning — Procédé consistant à réentraîner un modèle sur un jeu de données spécifique pour l’adapter à une tâche particulière.

G

• Generative AI (GenAI) — Branche de l’IA axée sur la création de nouveaux contenus (texte, images, audio, code) plutôt que sur la simple analyse de données existantes.
• GPU (Graphics Processing Unit) — Processeur graphique utilisé pour accélérer les calculs nécessaires à l’entraînement et à l’exécution des modèles d’IA.

H

• Hallucination — Réponse fausse ou inventée générée par un modèle de langage.

I

• Inference — Phase durant laquelle un modèle déjà entraîné produit des prédictions ou du texte à partir de nouvelles données.

L

• Large Language Model (LLM) — Modèle d’IA entraîné sur d’immenses quantités de texte pour comprendre et générer du langage naturel (ex: GPT, Claude, Gemini).
• Latency — Temps d’attente entre l’envoi d’une requête et le début de la réponse (ou la réception complète).
• LLMOps — Pratiques et outils dédiés à la gestion, au déploiement et à la supervision des grands modèles de langage.

M

• Machine Learning (ML) — Branche de l’intelligence artificielle qui consiste à entraîner des modèles à partir de données pour qu’ils puissent faire des prédictions ou classifications.
• Mixture of Experts (MoE) — Architecture où le modèle est divisé en plusieurs sous-réseaux spécialisés ("experts"), activés seulement quand nécessaire pour gagner en efficacité.
• Multimodal — Capacité d’un modèle à traiter et comprendre simultanément plusieurs types de données (texte, image, son) comme GPT-4o ou Gemini.

N

• Natural Language Processing (NLP) — Domaine de l’IA dédié à l’interaction entre les ordinateurs et le langage humain (analyse, compréhension, génération).
• Neural Network — Structure mathématique inspirée du cerveau humain, composée de couches de nœuds (“neurones”) interconnectés, utilisée dans la plupart des modèles d’IA modernes.

O

• Open Source — Logiciel dont le code est public et librement réutilisable ou modifiable.
• Overfitting — Phénomène où un modèle apprend trop bien les données d’entraînement et perd sa capacité à généraliser.

P

• Parameter — Variable interne du modèle ajustée pendant l’entraînement.
• Prompt — Texte ou instruction envoyé à un modèle d’IA.

Q

• Quantization — Technique de compression réduisant la précision des poids d’un modèle (ex: de 16 bits à 4 bits) pour le rendre plus léger et rapide avec une perte minime de qualité.

R

• RAG (Retrieval-Augmented Generation) — Technique combinant recherche d’informations et génération par LLM pour produire des réponses plus fiables et documentées.
• RLHF (Reinforcement Learning from Human Feedback) — Méthode d’entraînement où des évaluations humaines guident le modèle vers des réponses plus appropriées.

T

• Temperature — Paramètre contrôlant la créativité de la réponse.
• Token — Unité élémentaire de texte (mot, syllabe ou caractère) utilisée pour traiter le langage dans les modèles comme GPT.
• Tokenizer — Outil qui découpe le texte brut en petits morceaux (tokens) compréhensibles par le modèle avant le traitement.
• TPU (Tensor Processing Unit) — Processeur spécialisé conçu par Google pour l’entraînement des modèles de deep learning.
• Transformer (Transformer) — Architecture de réseau de neurones introduite par Google en 2017, qui sert de base à la plupart des modèles de langage actuels.

V

• Vector Database — Base de données optimisée pour stocker et rechercher des vecteurs (embeddings), essentielle pour la mémoire à long terme et le RAG.

W

• Weights (Poids) — Valeurs numériques dans les connexions neuronales qui déterminent la force du signal transmis.

Z

• Zero-shot Learning — Capacité d’un modèle à accomplir une tâche sans avoir été explicitement entraîné dessus.