Glossaire de l'intelligence artificielle

AI Agent

Un agent IA est un système d'intelligence artificielle capable d'agir de manière autonome pour atteindre un objectif. Contrairement à un chatbot qui répond à des questions, un agent peut planifier, utiliser des outils, naviguer sur le web, exécuter du code et prendre des decisions. Les agents IA sont la prochaine frontiere apres les chatbots.

AI Act (EU Regulation)

L'AI Act est le règlement européen sur l'intelligence artificielle, adopté en 2024, qui établit un cadre juridique pour le développement et l'utilisation de l'IA dans l'Union européenne. Il classe les systèmes d'IA par niveau de risque (minimal, limité, élevé, inacceptable) et impose des obligations proportionnelles. C'est la première législation majeure au monde sur l'IA.

AI Alignment

L'alignement IA est le domaine de recherche qui vise à s'assurer que les systèmes d'IA agissent conformement aux intentions et aux valeurs humaines. Cela inclut eviter les comportements dangereux, réduire les hallucinations et empêcher les manipulations. L'alignement est considéré comme l'un des défis les plus importants de la sécurité de l'IA.

Application Programming Interface (API)

Une API (Interface de Programmation) permet à des applications de communiquer entre elles. Dans le contexte de l'IA, les API permettent aux développeurs d'intégrer des modèles comme GPT-4 ou Claude dans leurs propres applications via des requêtes HTTP. L'accès API est le principal modèle commercial des fournisseurs de LLM.

In-Context Learning

L'apprentissage en contexte est la capacité d'un LLM à « apprendre » une nouvelle tâche à partir de quelques exemples placés directement dans le prompt, sans réentraînement. Le modèle généralise à la volée le schéma montré. C'est ce qui rend les LLM si flexibles d'un usage à l'autre.

Reinforcement Learning (RL)

L'apprentissage par renforcement est une méthode de machine learning ou un agent apprend en interagissant avec un environnement et en recevant des récompenses ou pénalités. L'agent optimise sa stratégie pour maximiser la récompense cumulée. Cette technique est utilisée pour les jeux, la robotique et l'alignement des LLM via RLHF.

Data Augmentation

L'augmentation de données est une technique qui consiste à créer des variantes artificielles des données d'entraînement pour enrichir le dataset. En vision par ordinateur, cela inclut la rotation, le recadrage et le changement de couleurs des images. En NLP, on peut paraphraser des textes ou traduire et retraduire. Cela améliore la robustesse du modèle.

Vector Database

Une base de données vectorielle est un système de stockage optimisé pour stocker et rechercher des embeddings (vecteurs de haute dimension). Elle permet la recherche par similarite sémantique : trouver les documents les plus proches d'une requête. Les bases vectorielles sont essentielles pour le RAG et la recherche sémantique.

Benchmark

Un benchmark en IA est un test standardisé pour évaluer et comparer les performances de différents modèles sur des tâches spécifiques. Les benchmarks couvrent le raisonnement, les mathématiques, le code, les connaissances générales et la compréhension. Ils sont essentiels pour mesurer les progrès de l'IA et comparer les modèles objectivement.

Algorithmic Bias

Le biais algorithmique désigne les distorsions systématiques dans les décisions ou prédictions d'un système d'IA, souvent dues à des biais présents dans les données d'entraînement. Ces biais peuvent entraîner des discriminations basées sur le genre, l'ethnie, l'âge ou la localisation. Identifier et corriger les biais est un enjeu éthique majeur de l'IA.

Emergent Abilities

Les capacités émergentes sont des aptitudes qui apparaissent brusquement quand un modèle dépasse une certaine taille, sans avoir été explicitement programmées (ex. faire de l'arithmétique ou traduire). Elles sont au cœur de l'intérêt et de l'imprévisibilité des grands modèles. Leur existence même fait l'objet de débats méthodologiques.

Chain-of-Thought (CoT)

Le chain-of-thought (chaine de pensee) est une technique de prompting qui encourage le modèle à raisonner étape par étape avant de donner sa réponse finale. En decomposant un problème complexe en étapes intermédiaires, le modèle produit des réponses plus précises, surtout pour les problèmes de logique et de mathématiques.

Chatbot

Un chatbot est un programme informatique conçu pour simuler une conversation humaine, généralement via une interface textuelle. Les chatbots modernes basés sur des LLM (ChatGPT, Claude, Gemini) sont capables de dialogues ouverts et contextuels. Ils sont utilisés pour le service client, l'aide à la productivité et l'éducation.

Constitutional AI (CAI)

Constitutional AI est une méthode d'alignement développée par Anthropic ou le modèle s'auto-evalue et se corrige selon un ensemble de principes (une "constitution"). Plutôt que de s'appuyer uniquement sur des annotateurs humains, le modèle apprend à respecter des règles prédéfinies. Cette approche réduit le besoin de feedback humain tout en ameliorant la sécurité.

Knowledge Cutoff

La date de coupure est la date au-delà de laquelle un modèle n'a pas vu de données pendant son entraînement. Le modèle ignore donc les événements postérieurs, sauf s'il est connecté à une recherche web ou à des données externes (RAG). C'est pourquoi un LLM peut affirmer ignorer une actualité récente.

Throughput

Le débit mesure le nombre de tokens qu'un modèle génère par seconde — autrement dit, sa vitesse de réponse perçue. À ne pas confondre avec la latence (le délai avant le premier mot). Un débit élevé est crucial pour les applications temps réel et pour maîtriser les coûts à grande échelle.

Deep Learning (DL)

Le deep learning (apprentissage profond) est une sous-catégorie du machine learning utilisant des réseaux de neurones artificiels à plusieurs couches. Ces couches successives permettent au modèle d'apprendre des représentations de plus en plus abstraites des données. Le deep learning est à l'origine des avancées majeures en reconnaissance d'image, traduction et génération de texte.

Gradient Descent

La descente de gradient est la méthode d'optimisation au cœur de l'entraînement des modèles. Elle ajuste progressivement les paramètres dans la direction qui réduit le plus l'erreur, comme on descendrait une pente vers le point le plus bas. Le « taux d'apprentissage » contrôle la taille de chaque pas.

Knowledge Distillation

La distillation de connaissances est une technique de compression ou un petit modèle (élevé) apprend à reproduire les comportements d'un grand modèle (professeur). L'élevé est entraîné non pas sur les données brutes mais sur les sorties du professeur, capturant ainsi ses "connaissances" dans un format plus compact. Cela permet de créer des modèles rapides et légers.

Synthetic Data

Les données synthétiques sont des données générées artificiellement par des algorithmes ou des modèles d'IA, plutôt que collectées dans le monde réel. Elles permettent d'entraîner des modèles quand les données réelles sont rares, coûteuses ou protégées par la vie privée. Les données synthétiques sont de plus en plus utilisées pour l'entraînement des LLM.

Edge AI

L'Edge AI désigne l'exécution de modèles d'IA directement sur l'appareil de l'utilisateur (smartphone, ordinateur, objets connectes) plutot que dans le cloud. Cela offre une latence quasi nulle, une meilleure confidentialite et un fonctionnement hors-ligne. Apple Intelligence et Google Gemini Nano sont des exemples d'Edge AI.

Embedding

Un embedding est une représentation vectorielle (suite de nombres) d'un mot, d'une phrase ou d'un document dans un espace mathématique. Les embeddings capturent le sens sémantique : des mots similaires ont des vecteurs proches. Ils sont essentiels pour la recherche sémantique, le RAG et les bases de données vectorielles.

Training

L'entraînement est le processus par lequel un modèle apprend à partir de données en ajustant ses paramètres pour minimiser ses erreurs. Il s'oppose à l'inférence, qui est l'utilisation du modèle déjà entraîné. L'entraînement des grands modèles demande des semaines de calcul sur des milliers de processeurs spécialisés.

Latent Space

L'espace latent est la représentation interne, abstraite et compressée, dans laquelle un modèle encode ses données (mots, images…). Des concepts proches y occupent des positions proches, ce qui permet au modèle de manipuler le sens mathématiquement. C'est dans cet espace que se font la recherche sémantique et la génération.

AI Ethics

L'éthique de l'IA est le champ d'etude qui examine les implications morales et sociales du développément et de l'utilisation de l'intelligence artificielle. Elle couvre les questions de biais, de vie privee, de transparence, de responsabilité et d'impact sur l'emploi. L'éthique de l'IA influence de plus en plus la reglementation et les pratiques de l'industrie.

Context Window

La fenêtre de contexte est le nombre maximum de tokens qu'un LLM peut traiter en une seule requête (prompt + réponse inclus). Plus la fenêtre est grande, plus le modèle peut traiter de texte simultanément. Les modèles récents offrent des fenetres de 128K à 1M de tokens.

Few-shot Learning

Le few-shot learning est une technique où l'on fournit quelques exemples au modèle dans le prompt pour guider sa réponse. Contrairement au fine-tuning qui nécessite des milliers d'exemples, le few-shot utilise 2 à 5 exemples directement dans le contexte. Cette technique améliore significativement la cohérence et le format des sorties.

Fine-tuning

Le fine-tuning consiste à re-entraîner un modèle pré-entraîné sur un jeu de données spécifique pour l'adapter à une tâche ou un domaine particulier. Cela permet d'améliorer les performances du modèle sur des cas d'usage spécifiques sans repartir de zéro. Le fine-tuning est moins coûteux que l'entraînement complet d'un modèle.

Function Calling

Le function calling est la capacité d'un LLM à identifier quand il doit appeler une fonction externe et à générer les arguments nécessaires au format structure. Cela permet au modèle d'interagir avec des API, des bases de données et des outils externes. Le function calling est la brique de base des agents IA.

Retrieval-Augmented Generation (RAG)

Le RAG (Retrieval-Augmented Generation) est une technique qui combine la recherche d'informations dans une base de connaissances avec la génération de texte par un LLM. Avant de répondre, le système recherche les documents les plus pertinents, puis les fournit au modèle comme contexte. Le RAG réduit les hallucinations et permet au LLM d'accéder à des données à jour.

Text-to-Video

La génération de vidéo par IA crée des séquences animées à partir d'une simple description textuelle, en s'appuyant le plus souvent sur des modèles de diffusion. Des outils comme Sora (OpenAI) ou Veo (Google) produisent des clips de plus en plus réalistes. La cohérence temporelle (objets stables d'une image à l'autre) reste le grand défi.

Generative Pre-trained Transformer (GPT)

GPT (Generative Pre-trained Transformer) est une famille de modèles de langage développés par OpenAI. Pré-entraîné sur d'énormes corpus textuels, il génère du texte en prédisant le mot suivant le plus probable. GPT-4, la dernière version majeure, est multimodal et alimente ChatGPT.

Large Language Model (LLM)

Un LLM (Large Language Model) est un modèle d'IA entraîné sur d'énormes corpus de texte pour comprendre et générer du langage naturel. Ces modèles contiennent des milliards de paramètres et peuvent effectuer un large éventail de tâches linguistiques. Les LLM comme GPT-4, Claude et Gemini sont la base des chatbots IA actuels.

Grounding

Le grounding (ancrage) est la technique qui relie les réponses d'un LLM à des sources factuelles verifiables. Un modèle "grounded" base ses réponses sur des données réelles (documents, bases de données, pages web) plutot que sur ses seules connaissances parametriques. Le grounding est complémentaire au RAG et essentiel pour réduire les hallucinations.

Guardrails

Les guardrails sont des mécanismes de sécurité intégrés aux systèmes d'IA pour empêcher les sorties indésirables, dangereuses ou hors-sujet. Ils peuvent être basés sur des règles, des filtres de contenu ou des modèles de classification. Les guardrails sont essentiels pour déployer l'IA en production de manière responsable.

Hallucination

Une hallucination en IA est une réponse générée par un modèle qui semble plausible mais qui est factuellement incorrecte ou inventée. Les LLM produisent des hallucinations car ils prédisent des mots statistiquement probables, pas des faits vérifiés. Réduire les hallucinations est l'un des plus grands défis de l'IA générative.

Inference

L'inférence est le processus d'utilisation d'un modèle d'IA entraîné pour générer des prédictions ou des réponses à partir de nouvelles données. Contrairement à l'entraînement qui nécessite d'énormes ressources, l'inférence est moins coûteuse mais reste intensive en calcul pour les grands modèles. Optimiser l'inférence est un enjeu commercial majeur.

Prompt Injection

L'injection de prompt est une attaque où un texte malveillant, caché dans une page web ou un document, détourne les instructions d'un LLM pour lui faire exécuter des actions non prévues. C'est l'une des principales failles de sécurité des agents IA qui lisent du contenu externe. La défense passe par des garde-fous et un cloisonnement strict des instructions.

Instruction Tuning

L'instruction tuning est une forme de fine-tuning ou le modèle est entraîné sur des paires instruction-réponse pour le rendre meilleur à suivre des consignes. C'est cette étape qui transforme un LLM brut (qui complète du texte) en un assistant utile (qui répond aux questions). L'instruction tuning est la clé de la transition de GPT-3 à ChatGPT.

Artificial Intelligence (IA)

L'intelligence artificielle est un domaine de l'informatique qui vise à créer des systèmes capables de réaliser des tâches nécessitant normalement l'intelligence humaine. Cela inclut l'apprentissage, le raisonnement, la perception et la compréhension du langage naturel. L'IA englobe de nombreuses sous-disciplines comme le machine learning, le deep learning et le traitement du langage naturel.

Artificial General Intelligence (AGI)

L'AGI désigne une IA hypothétique capable d'égaler ou de dépasser l'intelligence humaine sur l'ensemble des tâches cognitives, et pas seulement sur un domaine précis. Contrairement aux IA actuelles, dites « étroites » (spécialisées sur une tâche), l'AGI saurait apprendre et raisonner de façon générale. Son existence reste à ce jour théorique et fait débat parmi les chercheurs.

Jailbreak

Un jailbreak est une technique de formulation qui contourne les garde-fous d'un modèle pour lui faire produire un contenu normalement interdit (instructions dangereuses, propos haineux…). Les laboratoires d'IA mènent une course permanente entre nouveaux jailbreaks et correctifs. C'est un enjeu central de la sûreté des modèles.

Latency

La latence en IA désigne le temps entre l'envoi d'une requête au modèle et la réception de la réponse. Elle depend de la taille du modèle, du hardware, de la longueur du contexte et de l'optimisation. Une faible latence est cruciale pour les applications temps réel comme les chatbots et la conduite autonome.

Scaling Laws

Les lois d'échelle décrivent comment les performances d'un modèle s'améliorent, de façon prévisible, quand on augmente la taille du modèle, la quantité de données et la puissance de calcul. Elles ont justifié la course aux très grands modèles. Elles montrent aussi des rendements décroissants, qui poussent à chercher d'autres leviers (raisonnement, données de qualité).

Low-Rank Adaptation (LoRA)

LoRA (Low-Rank Adaptation) est une technique de fine-tuning efficace qui réduit drastiquement la mémoire et le calcul nécessaires. Au lieu de modifier tous les poids du modèle, LoRA ajoute de petites matrices de faible rang aux couches existantes. Cela permet de fine-tuner un modèle de 70 milliards de paramètres sur un seul GPU.

Machine Learning (ML)

Le machine learning (apprentissage automatique) est une branche de l'IA où les algorithmes apprennent à partir de données sans être explicitement programmés. Le système améliore ses performances au fur et à mesure qu'il est exposé à davantage de données. C'est la technique fondamentale derrière la plupart des applications d'IA modernes.

Attention Mechanism

Le mécanisme d'attention permet à un modèle de pondérer l'importance de chaque partie de l'entrée lors du traitement. Plutôt que de traiter tous les tokens de manière égale, le modèle "porte attention" aux parties les plus pertinentes pour la tâche. L'attention est le composant clé de l'architecture Transformer.

Mixtral

Mixtral est une famille de modèles de langage open source développés par la startup francaise Mistral AI. Mixtral utilise une architecture "Mixture of Experts" (MoE) qui active seulement une partie des paramètres pour chaque requête, offrant des performances proches de GPT-4 avec un cout d'inference bien moindre. Mistral AI est devenu un leader européen de l'IA.

Mixture of Experts (MoE)

Le Mixture of Experts est une architecture ou le modèle contient plusieurs sous-réseaux spécialisés ("experts") et un mécanisme de routage qui active seulement quelques experts pour chaque requête. Cela permet d'avoir un modèle tres large (beaucoup de paramètres) tout en gardant un cout d'inference faible. Mixtral et GPT-4 utilisent cette architecture.

Machine Learning Operations (MLOps)

MLOps est un ensemble de pratiques combinant machine learning, DevOps et ingenierie des données pour automatiser et fiabiliser le cycle de vie des modèles d'IA en production. Cela couvre l'entraînement, le déploiement, le monitoring et la mise à jour des modèles. MLOps est essentiel pour les entreprises qui deploient l'IA à grande echelle.

Massive Multitask Language Understanding (MMLU)

MMLU est un benchmark de référence qui évalue les connaissances et le raisonnement d'un LLM sur 57 domaines académiques, des mathématiques à l'histoire en passant par le droit et la médecine. Il contient environ 16 000 questions à choix multiples. Le score MMLU est l'un des critères les plus cités pour comparer les LLM.

Model Context Protocol (MCP)

Le MCP est un protocole ouvert, introduit par Anthropic, qui standardise la façon dont les modèles d'IA se connectent à des outils, des données et des applications externes. Il joue pour les agents IA un rôle comparable à celui d'un port universel : un même connecteur fonctionne avec différents modèles. Il accélère la création d'agents capables d'agir sur des systèmes réels.

Diffusion Model

Un modèle de diffusion est un type de modèle génératif qui apprend à créer des données (généralement des images) en inversant un processus de bruitage progressif. Il est entraîné en ajoutant du bruit à des images, puis apprend à le retirer. Les modèles de diffusion produisent des images de très haute qualité et sont à la base de DALL-E, Midjourney et Stable Diffusion.

Foundation Model

Un modèle de fondation est un grand modèle d'IA pré-entraîné sur des données massives et polyvalentes, conçu pour être adapté à de multiples tâches en aval. Le terme a été popularisé par Stanford en 2021. GPT-4, Claude, Gemini et LLaMA sont des modèles de fondation. Ils servent de base que l'on peut fine-tuner pour des usages spécifiques.

Reasoning Model

Un modèle de raisonnement est un LLM entraîné à « réfléchir » étape par étape avant de répondre, en consacrant plus de calcul à la résolution des problèmes complexes (maths, code, logique). Il génère une chaîne de raisonnement interne, souvent invisible, qui améliore nettement la justesse. C'est une avancée majeure illustrée par des modèles comme o1 d'OpenAI.

Frontier Model

Un modèle frontière est l'un des modèles les plus avancés du moment, repoussant les limites des capacités de l'IA et nécessitant des moyens de calcul colossaux. Le terme est aussi employé dans les débats de régulation, car ces modèles concentrent les plus grands risques comme les plus grands bénéfices. Peu d'acteurs ont les moyens d'en produire.

Vision-Language Model (VLM)

Un modèle vision-langage comprend à la fois les images et le texte, permettant de décrire une photo, lire un graphique ou répondre à des questions sur une capture d'écran. C'est une forme spécialisée de modèle multimodal. Cette capacité est essentielle pour les agents qui interagissent avec des interfaces visuelles.

Multimodal

Un modèle multimodal est un système d'IA capable de traiter et générer plusieurs types de données : texte, images, audio, video. Contrairement aux modèles unimodaux, il peut comprendre une image et en discuter en texte, ou générer une image à partir d'une description. La multimodalite est un axe majeur de développément des LLM.

Open Source

En IA, l'open source désigne des modèles dont les poids (paramètres) sont publiquement accessibles, permettant à quiconque de les telecharger, modifier et déployer. Les modèles open source comme LLaMA (Meta), Mistral et Qwen democratisent l'acces à l'IA et favorisent l'innovation. Le debat entre open source et proprietaire est central dans l'industrie.

Parameters

Les paramètres (ou « poids ») sont les valeurs internes qu'un modèle ajuste pendant son entraînement pour encoder ce qu'il a appris. Le nombre de paramètres (ex. « 70 milliards », noté 70B) donne une idée approximative de la capacité d'un modèle. Plus de paramètres permet souvent plus de finesse, mais au prix de coûts de calcul plus élevés.

Small Language Model (SLM)

Un SLM (Small Language Model) est un modèle de langage compact, généralement de 1 à 7 milliards de paramètres, optimisé pour l'efficacité. Les SLM sont plus rapides, moins coûteux et peuvent tourner en local sur un smartphone ou un ordinateur. Ils sacrifient un peu de performance générale pour une spécialisation et une accessibilité accrues.

Open Weights

Un modèle « à poids ouverts » est un modèle dont les paramètres entraînés sont publiés et téléchargeables, permettant de l'exécuter ou de l'affiner soi-même. C'est différent de l'open source complet, qui suppose aussi de publier les données et le code d'entraînement. Les poids ouverts favorisent la souveraineté et la confidentialité (exécution locale).

Pre-training

Le pré-entraînement est la première phase, longue et coûteuse, où un modèle apprend des structures générales du langage (ou des images) à partir d'énormes corpus, sans tâche précise. Il en ressort un modèle « de base » généraliste, qui sera ensuite affiné (fine-tuning) pour des usages spécifiques. C'est ce qui produit les foundation models.

Prompt

Un prompt est l'instruction ou la question qu'un utilisateur soumet à un modèle d'IA pour obtenir une réponse. La qualité du prompt influence directement la qualité de la sortie. Un prompt peut être un simple texte, une image, ou une combinaison de consignes, d'exemples et de contexte.

Prompt Engineering

Le prompt engineering est l'art de formuler des instructions optimales pour obtenir les meilleurs résultats d'un modèle d'IA. Cela inclut des techniques comme le few-shot learning, le chain-of-thought, et la structuration des consignes. Un bon prompt engineer sait exploiter les capacités et contourner les limites d'un LLM.

System Prompt

Le prompt système est l'instruction de cadrage, invisible pour l'utilisateur, qui définit le rôle, le ton et les règles d'un assistant IA avant toute conversation. Il pose le « caractère » du modèle et ses limites. Bien rédigé, il améliore fortement la pertinence et la sécurité des réponses.

Quantization

La quantization est une technique de compression de modèles qui réduit la précision des poids (par exemple de 16 bits à 4 bits) pour diminuer la taille du modèle et accélérér l'inférence. Un modèle quantifié en 4 bits utilise 4x moins de mémoire avec une perte de qualité minimale. C'est essentiel pour déployer de grands modèles sur du materiel limite.

Semantic Search

La recherche sémantique trouve des résultats par le sens plutôt que par les mots exacts, en comparant des représentations vectorielles (embeddings) de la requête et des documents. Elle ramène donc des contenus pertinents même s'ils n'emploient pas les mêmes termes. C'est la brique de recherche au cœur des systèmes RAG.

Speech-to-Text (STT)

La reconnaissance vocale (speech-to-text, ou ASR) convertit la parole en texte. Les modèles modernes, comme Whisper d'OpenAI, atteignent une précision élevée même avec du bruit ou des accents, dans de nombreuses langues. C'est la brique d'entrée des assistants vocaux et des outils de transcription.

Red Teaming

Le red teaming consiste à attaquer délibérément un modèle d'IA pour découvrir ses failles avant qu'elles ne soient exploitées : biais, jailbreaks, fuites de données, comportements dangereux. Des équipes dédiées (humaines ou automatisées) tentent de « casser » le modèle. C'est une étape clé avant le lancement d'un modèle grand public.

Neural Network

Un réseau de neurones artificiel est un modèle de calcul inspiré du cerveau humain, composé de couches de neurones interconnectés. Chaque neurone reçoit des entrées, applique des poids et une fonction d'activation, puis transmet un signal. En empilant des couches, le réseau peut apprendre des patterns complexes dans les données.

Generative Adversarial Network (GAN)

Un GAN est compose de deux réseaux de neurones en competition : un générateur qui crée des données synthétiques et un discriminateur qui tente de distinguer les données réelles des fausses. Cette competition améliore progressivement la qualité des données générées. Les GAN ont ete pionniers en génération d'images avant les modèles de diffusion.

Backpropagation

La rétropropagation est l'algorithme qui permet d'entraîner les réseaux de neurones. Après chaque prédiction, il calcule l'erreur puis la propage de la sortie vers l'entrée pour ajuster chaque poids du réseau dans la bonne direction. Répété des millions de fois, ce mécanisme fait converger le modèle vers de bonnes performances.

Reinforcement Learning from Human Feedback (RLHF)

Le RLHF (Reinforcement Learning from Human Feedback) est une technique d'entraînement ou des évaluateurs humains classent les réponses du modèle par qualité. Le modèle apprend ensuite à produire des réponses préférées par les humains. Le RLHF est la méthode clé qui a rendu ChatGPT utile et inoffensif par rapport au modèle GPT-3 brut.

Overfitting

Le surapprentissage survient quand un modèle apprend « par cœur » ses données d'entraînement, y compris leur bruit, au lieu d'en extraire des règles générales. Résultat : il est excellent sur les données vues mais médiocre sur de nouvelles données. C'est l'un des pièges majeurs de l'apprentissage automatique, qu'on combat par la régularisation et la validation.

AI Safety

La sûreté de l'IA est le champ qui vise à garantir que les systèmes d'IA se comportent de manière fiable, prévisible et conforme aux intentions humaines, y compris à mesure qu'ils deviennent plus puissants. Elle couvre l'alignement, la robustesse, l'évaluation des risques et la prévention des usages dangereux. C'est une priorité affichée des grands laboratoires.

Multi-Agent System

Un système multi-agents fait collaborer plusieurs agents IA spécialisés, chacun avec un rôle (planifier, coder, vérifier…), pour résoudre une tâche complexe qu'un seul agent gérerait mal. Les agents s'échangent des messages et se coordonnent. Cette approche améliore la fiabilité mais augmente les coûts et la latence.

Temperature

La temperature est un paramètre qui contrôle le degré de créativité (aléatoire) dans les réponses d'un LLM. Une temperature basse (0-0,3) produit des réponses plus previsibles et factuelles. Une temperature élevée (0,7-1) génère des réponses plus creatives et variees, mais avec plus de risques d'hallucination.

Turing Test

Proposé par Alan Turing en 1950, le test de Turing évalue si une machine peut tenir une conversation indiscernable de celle d'un humain. Un juge dialogue à l'aveugle ; si la machine le trompe, elle « passe » le test. Longtemps théorique, il est aujourd'hui jugé insuffisant pour mesurer une véritable intelligence.

Text-to-Image

Le text-to-image est la capacité d'un modèle d'IA à générer des images à partir de descriptions textuelles. Les modèles text-to-image les plus avances utilisent des architectures de diffusion et produisent des images de qualité photographique. Cette technologie à revolutionne le design, la publicite et la creation artistique.

Text-to-Speech (TTS)

Le text-to-speech (synthese vocale) est la technologie qui convertit du texte écrit en parole audible. Les modèles TTS modernes bases sur l'IA produisent des voix presque indiscernables de la parole humaine, avec gestion des emotions et des intonations. Ils sont utilises pour l'accessibilité, les assistants vocaux et la création de contenu audio.

Token

Un token est l'unité de base que les modèles de langage utilisent pour traiter le texte. Un token peut être un mot, une partie de mot ou un caractère de ponctuation. En français, un mot moyen représente environ 1,5 token. La taille du contexte d'un LLM se mesure en nombre de tokens qu'il peut traiter.

Tokenizer

Un tokenizer est l'algorithme qui découpe le texte en tokens avant de les envoyer au modèle. Différents modèles utilisent différents tokenizers (BPE, SentencePiece, WordPiece). Le choix du tokenizer affecte le nombre de tokens consommés et donc le coût et les limites de contexte. Un bon tokenizer gere efficacement plusieurs langues.

Natural Language Processing (NLP)

Le NLP (Natural Language Processing) est la branche de l'IA dédiée à la compréhension et la génération du langage humain par les machines. Il couvre l'analyse de sentiment, la traduction automatique, le résumé de texte, la reconnaissance d'entités et les chatbots. Les LLM modernes représentent l'aboutissement de decennies de recherche en NLP.

Transfer Learning

Le transfer learning (apprentissage par transfert) est une technique où un modèle entraîné sur une tâche est réutilisé comme point de départ pour une autre tâche. Plutôt que d'entraîner un modèle de zéro, on transfère les connaissances acquises. C'est le principe fondateur des foundation models : entraîner une fois, adapter partout.

Transformer

Le Transformer est une architecture de réseau de neurones introduite par Google en 2017 dans l'article "Attention Is All You Need". Il repose sur le mécanisme d'attention pour traiter les séquences en parallèle, ce qui le rend beaucoup plus rapide à entraîner que les RNN. Le Transformer est la base de pratiquement tous les LLM modernes (GPT, Claude, Gemini, LLaMA).

Computer Vision (CV)

La vision par ordinateur est un domaine de l'IA qui permet aux machines d'interprèter et de comprendre le contenu visuel (images et videos). Elle utilise le deep learning pour la détection d'objets, la segmentation, la reconnaissance faciale et l'analyse de scenes. C'est l'une des applications les plus matures de l'IA.

Zero-shot

Le zero-shot désigne la capacité d'un modèle à effectuer une tâche sans aucun exemple préalable, uniquement à partir d'une instruction en langage naturel. C'est l'une des capacités les plus impressionnantes des LLM modernes. Plus un modèle est performant, meilleures sont ses performances en zero-shot.