Fondamentaux
Le socle de vocabulaire pour parler IA en comité de direction. Sans ces notions partagées, le reste du glossaire se lit à moitié.
- AGI (intelligence artificielle générale)L'AGI (artificial general intelligence, intelligence artificielle générale) désigne un système d'IA capable d'égaler ou de dépasser les humains sur la plupart des tâches cognitives, et non sur une seule. Il n'existe ni définition commune ni test reconnu pour dire qu'elle est atteinte : chaque laboratoire utilise la sienne.
- Apprentissage non superviséL'apprentissage non supervisé est une méthode d'apprentissage automatique qui cherche des structures dans des données brutes, sans réponse attendue fournie à l'avance : groupes d'éléments semblables, comportements atypiques, variables qui vont ensemble. Il sert surtout à explorer et à segmenter (clients, produits, transactions), et ses résultats doivent être interprétés par des personnes qui connaissent le métier.
- Apprentissage par renforcementL'apprentissage par renforcement est une méthode d'apprentissage automatique dans laquelle un système apprend quelles actions choisir en les essayant et en recevant une récompense ou une pénalité, de façon à maximiser un gain cumulé dans le temps. Longtemps associé aux jeux et à la robotique, il sert aussi à ajuster le comportement des assistants conversationnels (RLHF) et à entraîner les modèles de raisonnement.
- Apprentissage superviséL'apprentissage supervisé est une méthode d'apprentissage automatique dans laquelle un modèle s'entraîne sur des exemples dont la bonne réponse est connue (une « étiquette »), afin de prédire cette réponse pour des cas nouveaux. On le retrouve dans des usages prédictifs courants en entreprise : scoring de clients, détection de fraude, tri automatique des demandes.
- Deep learning (apprentissage profond)Le deep learning, ou apprentissage profond, est une forme de machine learning qui utilise des réseaux de neurones artificiels composés de nombreuses couches, chacune traitant les données à un niveau d'abstraction plus élevé. Il est à l'origine des progrès de la reconnaissance d'images, de la reconnaissance vocale, de la traduction et de l'IA générative.
- EmbeddingUn embedding est la représentation numérique d'un mot, d'une phrase ou d'un document sous forme de vecteur dans un espace à plusieurs centaines ou milliers de dimensions. Deux textes proches sémantiquement ont des embeddings proches géométriquement, ce qui permet la recherche par sens et non par mots-clés.
- EntraînementL'entraînement est la phase de construction d'un modèle d'IA, durant laquelle le modèle ingère un corpus massif et ajuste ses milliards de paramètres internes pour apprendre les régularités statistiques de ce corpus. C'est l'opération la plus coûteuse du cycle de vie d'un modèle.
- IA générativeL'IA générative est une famille de modèles d'intelligence artificielle capables de produire du contenu nouveau (texte, image, son, vidéo, code) à partir d'une instruction en langage naturel, par opposition aux IA traditionnelles qui se limitaient à classer, prédire ou détecter.
- InférenceL'inférence est la phase d'utilisation d'un modèle d'IA, durant laquelle le modèle calcule une réponse à partir d'un prompt donné. C'est l'opération facturée par les fournisseurs d'API, distincte de l'entraînement qui est un coût fixe initial.
- Intelligence artificielle (IA)L'intelligence artificielle (IA) désigne l'ensemble des techniques qui permettent à une machine de réaliser des tâches associées à l'intelligence humaine : reconnaître une image, comprendre un texte, prédire, décider, rédiger. En droit européen, un « système d'IA » se reconnaît à sa capacité d'inférence : il déduit de ses données d'entrée comment produire des prédictions, du contenu, des recommandations ou des décisions (AI Act, article 3).
- LLM (Large Language Model)Un LLM (Large Language Model) est un type d'intelligence artificielle entraîné sur des corpus de texte de plusieurs centaines de milliards de mots, qui produit du langage naturel en prédisant, mot par mot, la suite la plus probable d'un texte donné.
- Machine learning (apprentissage automatique)Le machine learning, ou apprentissage automatique, est la branche de l'intelligence artificielle dans laquelle un programme apprend à accomplir une tâche à partir d'exemples, au lieu de suivre des règles écrites par un programmeur. Il repose sur un modèle dont les paramètres sont ajustés automatiquement sur des données jusqu'à donner des résultats fiables.
- Modèle de fondationUn modèle de fondation est un modèle d'IA généraliste entraîné sur des données massives et diversifiées, qui sert de base réutilisable pour des dizaines voire des centaines d'applications métier différentes, par adaptation (fine-tuning, RAG, prompt) plutôt que par entraînement spécifique.
- Modèle de raisonnement (reasoning model)Un modèle de raisonnement (reasoning model) est un grand modèle de langage entraîné à produire une réflexion interne, étape par étape, avant de donner sa réponse. Il est plus fiable sur les problèmes complexes (analyse, calcul, code, planification d'agents), mais plus lent et plus coûteux, car ses tokens de réflexion sont facturés.
- MultimodalUn modèle d'IA multimodal est un modèle capable de traiter et de produire plusieurs types de contenu simultanément : texte, image, audio, vidéo, code. Le même modèle peut analyser une photo, comprendre une question vocale, lire un document, et répondre par écrit, sans pipeline intermédiaire.
- NLP (traitement automatique du langage naturel)Le NLP (natural language processing, en français traitement automatique du langage naturel ou TALN) est le domaine de l'intelligence artificielle qui permet à une machine d'analyser, de comprendre et de produire du langage humain, écrit ou oral. Les grands modèles de langage (LLM) comme ChatGPT ou Claude en sont aujourd'hui la forme la plus visible.
- ParamètreUn paramètre d'un modèle d'IA est une valeur numérique apprise pendant l'entraînement, qui détermine la force des connexions entre neurones artificiels du réseau. Le nombre de paramètres mesure la capacité du modèle à stocker des associations entre les éléments de son corpus d'apprentissage.
- RLHF (apprentissage par renforcement à partir de retours humains)Le RLHF (reinforcement learning from human feedback, ou apprentissage par renforcement à partir de retours humains) est une technique d'entraînement qui ajuste un modèle de langage selon les préférences de personnes qui comparent et classent ses réponses. Popularisée par InstructGPT (OpenAI, 2022) puis par ChatGPT, elle a transformé des modèles qui prolongeaient du texte en assistants qui suivent des consignes, avec un effet secondaire documenté : une tendance à donner raison à l'utilisateur.
- Réseau de neurones (artificiel)Un réseau de neurones artificiel est un modèle de calcul composé de petites unités interconnectées, les neurones artificiels, organisées en couches : chaque neurone combine ses entrées selon des poids, puis transmet un signal à la couche suivante. L'apprentissage consiste à ajuster automatiquement ces poids, à partir d'exemples, jusqu'à ce que le réseau produise les bonnes réponses.
- Surapprentissage (overfitting)Le surapprentissage (overfitting) désigne un modèle d'IA qui colle si étroitement à ses données d'entraînement qu'il les mémorise, au lieu d'en tirer des règles générales : il obtient d'excellents scores en test interne, puis se trompe sur des cas nouveaux. C'est l'une des causes les plus fréquentes d'un modèle brillant en démonstration qui déçoit en production.
- TokenUn token est l'unité élémentaire de texte qu'un modèle d'IA manipule, généralement un fragment de mot de 2 à 4 caractères, selon le modèle et la langue. Il est à la fois l'unité de calcul du modèle et l'unité de facturation des fournisseurs d'IA, comptabilisée séparément en entrée et en sortie.
- TransformerLe transformer est l'architecture de réseau de neurones, introduite par Google en 2017, qui sous-tend la quasi-totalité des modèles d'IA générative actuels. Son innovation centrale est le mécanisme d'attention, qui permet au modèle de pondérer dynamiquement l'importance relative des mots dans une séquence.
- Vision par ordinateur (computer vision)La vision par ordinateur (computer vision) est le domaine de l'intelligence artificielle qui permet à une machine d'analyser des images et des vidéos : reconnaître des objets, détecter des défauts, lire un document, suivre un mouvement. En Europe, ses usages biométriques (reconnaissance faciale, reconnaissance des émotions) sont en partie interdits et en partie classés à haut risque par l'AI Act.