Dictionnaire de l'IA

Métrique mesurant le pourcentage de prédictions correctes. Simple mais trompeuse sur des classes déséquilibrées.

Fonction non-linéaire appliquée aux neurones (ReLU, Sigmoid, Tanh) permettant au réseau d'apprendre des relations complexes.

Perturbation intentionnelle des entrées d'un modèle pour provoquer des erreurs de prédiction, révélant les vulnérabilités des systèmes IA.

Système d'IA autonome capable d'exécuter des tâches complexes en décomposant un objectif en étapes et en utilisant des outils externes.

Systèmes IA capables d'agir de manière autonome, planifiant et exécutant des séquences d'actions pour atteindre des objectifs complexes.

Artificial General Intelligence : IA hypothétique capable d'accomplir n'importe quelle tâche intellectuelle humaine avec flexibilité et raisonnement général.

Processus visant à s'assurer qu'un modèle IA agit conformément aux valeurs et intentions humaines, crucial pour la sécurité des systèmes IA.

Programme d'intelligence artificielle développé par DeepMind (Google) qui a battu le champion du monde de Go Lee Sedol en 2016. AlphaGo combine des réseaux de neurones profonds et l'apprentissage par renforcement. Sa victoire a marqué un tournant majeur en démontrant la capacité de l'IA à maîtriser des jeux d'une complexité extrême.

Processus d'étiquetage manuel des données pour créer des datasets d'entraînement supervisé, essentiel pour la qualité des modèles.

Automatic Prompt Engineering. Technique où l'IA génère elle-même plusieurs variantes de prompts, les teste et sélectionne automatiquement le plus performant pour un objectif donné.

Application Programming Interface. Interface permettant à des applications de communiquer entre elles. Les modèles d'IA sont souvent accessibles via API.

Méthode d'apprentissage où le modèle découvre des patterns dans les données sans étiquettes préalables, comme le clustering ou la réduction de dimension.

Artificial Superintelligence : concept théorique d'une IA surpassant significativement l'intelligence humaine dans tous les domaines.

Mécanisme permettant à un modèle de pondérer différemment les parties d'une entrée selon leur pertinence pour la tâche en cours. Fondamental dans les architectures Transformer.

Area Under the Curve : aire sous la courbe ROC, mesurant la capacité d'un classifieur à distinguer les classes indépendamment du seuil.

Réseau de neurones qui apprend à compresser des données en une représentation réduite (encodage) puis à les reconstruire. Utilisé pour la réduction de dimensionnalité et la détection d'anomalies.

Utilisation de l'IA pour exécuter des tâches répétitives sans intervention humaine, améliorant productivité et fiabilité.

Automated Machine Learning : ensemble de techniques automatisant la sélection de modèles, l'ingénierie des features et l'optimisation des hyperparamètres.

Rétropropagation. Algorithme calculant comment ajuster chaque poids du réseau pour réduire l'erreur, essentiel à l'entraînement des réseaux de neurones.

Représentation textuelle simple où un document est converti en vecteur de fréquences de mots, ignorant l'ordre et la grammaire.

Base de données optimisée pour stocker et rechercher des embeddings, permettant de trouver rapidement des contenus similaires.

Sous-ensemble de données traitées simultanément pendant l'entraînement d'un modèle, permettant d'optimiser l'utilisation de la mémoire GPU.

Technique de régularisation normalisant les activations d'une couche pour chaque mini-batch, accélérant l'entraînement et stabilisant le gradient.

Bidirectional Encoder Representations from Transformers : modèle pré-entraîné comprenant le contexte bidirectionnel, révolutionnant le NLP.

Distorsion dans les résultats d'un modèle d'IA due à des déséquilibres ou préjugés présents dans les données d'entraînement.

Tendance cognitive humaine à privilégier les informations qui confirment nos croyances préexistantes et à ignorer celles qui les contredisent. Ce biais est exploité par la désinformation et peut être amplifié par les algorithmes de recommandation et les IA qui adaptent leurs réponses à nos attentes (Sycophancy).

Compromis fondamental entre la capacité d'un modèle à capturer la complexité des données (biais) et sa sensibilité aux variations (variance).

Modèle dont le fonctionnement interne est opaque et difficile à interpréter, soulevant des questions d'explicabilité et de confiance.

Bilingual Evaluation Understudy : métrique évaluant la qualité de traduction automatique par comparaison avec des références humaines.

Byte Pair Encoding. Algorithme de tokenisation qui fusionne itérativement les paires de caractères les plus fréquentes pour créer un vocabulaire optimal.

Ensemble des processus, outils et technologies qui permettent de transformer des données brutes en informations exploitables pour la prise de décision. La BI répond à la question "Qu'est-ce qui s'est passé ?" en analysant l'historique, visualisant les tendances et suivant les indicateurs clés de performance (KPI). Elle ne prédit pas l'avenir, mais éclaire le passé et le présent.

Architecture proposée par Hinton capturant les relations hiérarchiques et spatiales entre les features, alternative aux CNN.

Phénomène où un réseau de neurones oublie les tâches précédemment apprises lors de l'entraînement sur de nouvelles tâches.

Technique de prompting encourageant le modèle à décomposer son raisonnement en étapes explicites pour améliorer la qualité des réponses complexes.

Technique demandant à l'IA de détailler explicitement ses étapes de raisonnement avant de donner sa réponse finale. Améliore significativement la qualité des réponses sur les tâches de raisonnement complexes.

Agent conversationnel automatisé capable de dialoguer avec des utilisateurs en langage naturel.

Interface conversationnelle d'OpenAI basée sur les modèles GPT, ayant démocratisé l'accès aux grands modèles de langage auprès du grand public.

Découpage de documents longs en morceaux plus petits pour le traitement par des modèles IA, notamment dans les systèmes RAG.

Taux d'attrition ou risque de départ des clients. Indicateur mesurant le pourcentage de clients qui cessent d'utiliser un service sur une période donnée. Prédire le churn est un cas d'usage classique de l'IA supervisée, permettant d'identifier les clients à risque et de mettre en place des actions de rétention proactives.

Famille de modèles de langage développée par Anthropic, conçue avec un focus sur la sécurité et l'alignement avec les valeurs humaines.

Convolutional Neural Network (Réseau de neurones convolutif). Type de réseau spécialisé dans l'analyse d'images et la vision par ordinateur.

Interface graphique modulaire et open-source pour la génération d'images avec Stable Diffusion. ComfyUI utilise un système de nœuds (nodes) permettant de créer des workflows visuels complexes pour la génération, l'édition et le traitement d'images par IA. Très apprécié pour sa flexibilité et ses possibilités avancées.

Tableau croisant prédictions et valeurs réelles, visualisant les vrais/faux positifs et négatifs pour évaluer un classifieur.

Approche d'alignement où l'IA est guidée par un ensemble de principes constitutionnels pour produire des réponses sûres et utiles.

Fenêtre de contexte. Nombre maximum de tokens qu'un modèle peut traiter en une seule fois, limitant la longueur du texte analysable.

Information fournie au modèle pour lui permettre de comprendre et répondre de manière pertinente. Inclut le prompt et l'historique de conversation.

Technique de prompting fournissant des éléments concrets de la situation pour améliorer la pertinence des réponses. Inclut le public cible, le contexte métier, les contraintes spécifiques.

Opération mathématique appliquant un filtre sur une entrée pour extraire des caractéristiques locales. Fondement des réseaux convolutifs (CNN).

Assistant IA de Microsoft intégré dans ses produits (Office, Windows), combinant les capacités de GPT avec les données utilisateur.

Mesure de similarité entre vecteurs basée sur l'angle entre eux, indépendante de leur magnitude. Utilisée pour comparer embeddings.

La cross-entropy, ou entropie croisée, est une fonction de perte qui mesure la distance entre deux distributions de probabilités : celle prédite par un modèle et celle attendue (les vraies étiquettes). Elle est utilisée massivement dans les tâches de classification, notamment lorsque le modèle se termine par une couche softmax. Concrètement, plus la prédiction du modèle est proche de la vérité, plus la cross-entropy est faible. À l'inverse, une prédiction très éloignée de la réalité génère une perte élevée, ce qui pousse l'algorithme d'apprentissage à corriger les poids du réseau. Sa popularité tient à deux raisons : elle est mathématiquement bien adaptée aux problèmes de classification multi-classe, et son gradient se calcule simplement, ce qui en fait un partenaire naturel de la backpropagation.

Modèle de génération d'images développé par OpenAI, capable de créer des images à partir de descriptions textuelles.

Professionnel qui transforme les données en réponses claires et actionnables. Il est le traducteur entre les données techniques et les décisions business. Ses missions : nettoyer les données, construire des indicateurs (KPI), créer des tableaux de bord et expliquer les chiffres. Le Data Analyst ne prédit pas le futur, il éclaire le passé et le présent avec clarté.

Évolution de la distribution des données dans le temps, dégradant les performances d'un modèle entraîné sur des données historiques.

Architecte des systèmes de données qui construit les fondations techniques permettant aux autres métiers data de travailler efficacement. Responsabilités : concevoir et maintenir les bases de données, créer des pipelines d'intégration, assurer la qualité des données, optimiser les performances de stockage et mettre en place les Data Lakes et Data Warehouses.

Expert qui utilise des techniques avancées de Machine Learning et statistiques pour créer des modèles prédictifs. Il explore les données pour trouver des patterns, construit des modèles d'apprentissage automatique, optimise leurs performances et les déploie en production. Le Data Scientist est le "météorologue" qui prédit l'avenir en analysant les conditions passées et présentes.

Entrepôt de données structurées et nettoyées, organisées selon un schéma précis. Les données y sont prêtes pour l'analyse Business Intelligence avec des requêtes SQL performantes. Analogie : une bibliothèque bien rangée où chaque livre a sa place avec un catalogue précis. Utilisé pour le reporting, monitoring et analyses structurées.

Modèle de prédiction structuré en arbre où chaque nœud représente un test sur une caractéristique, menant à une décision aux feuilles.

Couche entièrement connectée où chaque neurone reçoit l'entrée de tous les neurones de la couche précédente.

Information fausse créée et diffusée volontairement pour nuire, manipuler ou influencer. L'intention malveillante est le critère distinctif. Exemples : campagnes orchestrées, fake news politiques, attaques concurrentielles. L'IA générative permet de produire ce type de contenu massivement et avec un niveau de qualité très convaincant.

Technique de génération d'images où le modèle apprend à inverser un processus de bruitage pour créer des images à partir de bruit aléatoire.

Ensemble de techniques réduisant le nombre de variables d'un dataset tout en préservant l'information essentielle (PCA, t-SNE, UMAP).

Données sans organisation prédéfinie, en format libre et varié. Exemples : messages, emails, photos, vidéos, documents PDF, posts sur réseaux sociaux. Elles nécessitent des outils spécialisés pour l'analyse et représentent environ 80% des données en entreprise. C'est là que réside souvent le plus grand potentiel inexploité.

Données organisées en tableaux avec lignes et colonnes bien définies, facilement analysables avec Excel ou SQL. Exemples : adresses email, noms, dates de naissance, chiffres de ventes, listes de clients, inventaires produits, transactions bancaires. Elles représentent environ 20% des données en entreprise.

Technique de régularisation désactivant aléatoirement des neurones pendant l'entraînement pour prévenir le surapprentissage.

Plateforme leader de synthèse vocale par IA offrant des voix ultra-réalistes et le clonage vocal. ElevenLabs permet de créer des voix personnalisées, de générer des narrations, du doublage et du contenu audio. Utilisé pour les podcasts, livres audio, jeux vidéo et accessibilité.

Premier chatbot créé en 1966 par Joseph Weizenbaum au MIT. ELIZA simulait un psychothérapeute rogérien en reformulant les phrases de l'utilisateur sous forme de questions. Ce programme pionnier a démontré comment des règles simples de correspondance de motifs pouvaient créer l'illusion d'une conversation intelligente.

Représentation numérique (vecteur) d'un texte, image ou autre donnée, permettant de capturer son sens sémantique pour la recherche et la comparaison.

Architecture où l'encodeur compresse l'entrée en représentation latente et le décodeur génère la sortie. Base des modèles seq2seq et transformers.

Approche combinant plusieurs modèles pour obtenir de meilleures prédictions que chaque modèle individuel (bagging, boosting, stacking).

Processus d'ajustement des paramètres d'un modèle à partir de données pour qu'il apprenne à effectuer une tâche spécifique.

Moyenne harmonique de la précision et du rappel, équilibrant les deux métriques en une seule mesure de performance.

Vérification factuelle de l'information par un processus rigoureux de recherche et de croisement des sources. Pratique journalistique devenue essentielle à l'ère de la désinformation de masse. Utilise des méthodes comme SIFT et des outils comme la recherche inversée d'images, le grounding IA et l'analyse de sources multiples.

Technique de prompting incluant plusieurs exemples (généralement 2 à 5) pour guider l'IA vers le format, le style ou le type de réponse souhaité. Plus fiable que le zero-shot pour les tâches complexes.

Processus d'adaptation d'un modèle pré-entraîné à une tâche ou un domaine spécifique en le réentraînant sur des données ciblées.

Capacité d'un modèle à appeler des fonctions externes (APIs, bases de données) pour étendre ses capacités au-delà de la génération de texte.

Spécification du format attendu dans un prompt (JSON, liste, tableau, plan structuré, markdown...). Permet d'obtenir des réponses directement exploitables sans reformatage.

Generative Adversarial Network : architecture opposant un générateur créant de faux exemples à un discriminateur les détectant, produisant des contenus réalistes.

Famille de modèles multimodaux développée par Google DeepMind, conçue pour exceller dans le raisonnement et le traitement multi-formats.

Assistant de programmation IA intégré aux éditeurs de code, suggérant du code en temps réel basé sur le contexte et les commentaires.

Graph Neural Network : réseau de neurones opérant sur des données structurées en graphe, propageant l'information entre nœuds voisins.

Generative Pre-trained Transformer. Architecture de modèle de langage développée par OpenAI, à la base de ChatGPT.

Technique de boosting construisant séquentiellement des modèles minimisant le gradient de la fonction de perte. Base de XGBoost et LightGBM.

Descente de gradient. Algorithme d'optimisation ajustant itérativement les poids d'un modèle pour minimiser la fonction de perte.

Méthode d'optimisation d'hyperparamètres testant exhaustivement toutes les combinaisons d'une grille prédéfinie de valeurs.

Étiquettes ou annotations de référence considérées comme la vérité, utilisées pour entraîner et évaluer les modèles.

Technique ancrant les réponses d'un modèle dans des sources vérifiables pour réduire les hallucinations et améliorer la fiabilité.

Gated Recurrent Unit : architecture récurrente simplifiée par rapport au LSTM, avec moins de paramètres mais des performances comparables.

Phénomène où un modèle d'IA génère des informations fausses ou inventées présentées comme factuelles avec assurance.

Plateforme collaborative hébergeant des modèles, datasets et outils pour le machine learning, devenue la référence de l'écosystème open source IA.

Intelligence artificielle conçue pour aider ou automatiser la prise de décisions. Elle analyse des données, évalue des scénarios et recommande ou exécute des actions optimales. Utilisée dans la gestion des stocks, l'optimisation des prix, les systèmes de recommandation et la planification stratégique.

Déploiement de modèles d'intelligence artificielle directement sur des appareils périphériques (smartphones, IoT, caméras) plutôt que dans le cloud. Permet un traitement en temps réel, réduit la latence, préserve la confidentialité et fonctionne sans connexion internet. Utilisée pour la reconnaissance faciale, les assistants vocaux embarqués.

Architecture combinant plusieurs types d'intelligence artificielle ou méthodes (symbolique et connexionniste, locale et cloud, différents modèles spécialisés) pour tirer parti des forces de chacune. Cette approche permet d'obtenir des systèmes plus robustes, précis et adaptables que les approches mono-modèle.

Intelligence artificielle qui s'exécute entièrement sur l'appareil de l'utilisateur (ordinateur, smartphone) sans envoyer de données vers le cloud. Avantages : confidentialité des données, fonctionnement hors ligne, latence réduite. Exemples : Ollama, LM Studio, certaines fonctions de Siri ou Google Assistant.

Branche de l'intelligence artificielle spécialisée dans l'analyse de données historiques pour anticiper des événements futurs. Elle utilise des algorithmes de Machine Learning pour identifier des patterns et faire des prédictions. Applications : prévision de ventes, maintenance prédictive, détection de fraudes, prévisions météorologiques.

Base de données massive contenant plus de 14 millions d'images annotées dans plus de 20 000 catégories. Le concours ImageNet Large Scale Visual Recognition Challenge (ILSVRC) a été le catalyseur de la révolution du Deep Learning, notamment avec la victoire d'AlexNet en 2012 qui a démontré la puissance des réseaux de neurones profonds.

Capacité des grands modèles de langage à apprendre une tâche à partir d'exemples fournis directement dans le prompt, sans modification des poids du modèle.

Phase d'utilisation d'un modèle entraîné pour faire des prédictions sur de nouvelles données, par opposition à la phase d'entraînement.

Domaine de l'informatique visant à créer des systèmes capables de réaliser des tâches qui requièrent normalement l'intelligence humaine : reconnaissance vocale, prise de décision, traduction, etc.

Un jailbreak, dans le contexte des modèles de langage, désigne une technique qui pousse l'IA à enfreindre ses propres règles de sécurité. Cela passe souvent par des formulations détournées ("imagine un personnage qui...", "joue le rôle d'une IA sans restriction"), des chaînes d'instructions complexes, ou l'exploitation de failles dans les couches d'alignement. À la différence de la prompt injection, qui est une attaque venant de l'extérieur du système, le jailbreak vient typiquement de l'utilisateur lui-même qui cherche à dépasser les limites posées par le fournisseur du modèle. Les modèles modernes (Claude, GPT, Gemini, Mistral) sont entraînés avec des techniques comme le RLHF ou le constitutional AI précisément pour résister à ces tentatives. Mais aucune défense n'est parfaite, et la course entre techniques de jailbreak et techniques d'alignement est permanente.

Algorithme de clustering partitionnant les données en K groupes en minimisant la distance intra-cluster. Simple et efficace pour la segmentation.

Base de connaissances structurée en graphe reliant des entités par des relations sémantiques, permettant le raisonnement et l'enrichissement contextuel.

Key Performance Indicator (Indicateur Clé de Performance). Métrique essentielle permettant de mesurer objectivement l'atteinte des objectifs et d'identifier les écarts. Les KPI sont au cœur de la Business Intelligence et permettent de monitorer les performances d'une entreprise, d'un projet ou d'une activité. Exemples : taux de conversion, chiffre d'affaires, satisfaction client.

Temps de réponse entre l'envoi d'une requête à un modèle IA et la réception du résultat. Critique pour les applications temps réel.

Variante de ReLU autorisant une petite pente pour les valeurs négatives, évitant le problème des neurones "morts".

Famille de modèles de langage open source développée par Meta, offrant des performances compétitives avec les modèles propriétaires.

Large Language Model (Grand Modèle de Langage). Modèle d'IA entraîné sur d'immenses quantités de texte, capable de comprendre et générer du langage naturel. Exemples : GPT, Claude, Gemini.

Application desktop permettant de découvrir, télécharger et exécuter des LLM localement avec une interface graphique intuitive. LM Studio offre un chat intégré, la compatibilité avec de nombreux modèles, et un serveur API local. Alternative conviviale à Ollama pour les utilisateurs moins techniques.

LoRA, pour Low-Rank Adaptation, est une technique de fine-tuning conçue pour adapter de très grands modèles (comme un LLM de plusieurs milliards de paramètres) à un cas d'usage spécifique, sans devoir réentraîner ou stocker une copie complète du modèle. L'astuce est mathématique : au lieu de modifier les poids du modèle, on apprend de petites matrices supplémentaires "low-rank" qui viennent corriger les sorties. Le modèle d'origine reste figé, et ces matrices LoRA pèsent typiquement quelques mégaoctets, là où le modèle complet en pèse plusieurs gigaoctets. Conséquence pratique : on peut fine-tuner un modèle avec un GPU modeste, stocker plusieurs adaptations LoRA pour différents domaines (juridique, médical, support client), et les charger à la volée selon la tâche. C'est aujourd'hui la méthode standard pour personnaliser un LLM open-weight comme Llama ou Mistral à un contexte d'entreprise.

Fonction de perte. Mesure l'écart entre les prédictions du modèle et les valeurs attendues, guidant l'optimisation pendant l'entraînement.

Long Short-Term Memory : architecture de réseau récurrent avec des portes contrôlant le flux d'information, capturant les dépendances à long terme.

Information vraie, mais diffusée dans l'intention de nuire à une personne ou une organisation. La véracité de l'information ne garantit pas l'éthique de sa diffusion. Exemples : doxing (révélation de données personnelles), documents volés publiés hors contexte, révélations de vie privée malveillantes.

Paramètre définissant la longueur maximale de la réponse générée par l'IA, exprimée en nombre de tokens. Permet de contrôler la concision ou le détail des réponses.

Le Model Context Protocol (MCP) est un standard ouvert proposé par Anthropic en 2024. Il définit comment un modèle de langage peut interagir de manière structurée avec des sources de données externes (fichiers, bases de données, API, services) sans qu'il faille recoder un connecteur spécifique pour chaque combinaison modèle/outil. L'idée fondatrice est simple : remplacer les intégrations sur mesure par un protocole commun, exactement comme USB l'a fait pour les périphériques informatiques. Un serveur MCP expose des données ou des actions, n'importe quel client compatible (Claude, applications agentiques, IDE) peut s'y connecter sans développement spécifique. Pour une PME ou ETI, MCP simplifie radicalement le déploiement d'agents IA connectés au système d'information : un seul connecteur MCP par outil métier, et tous les modèles compatibles peuvent l'utiliser. C'est un mouvement structurant pour 2025-2026, comparable à l'arrivée de REST il y a quinze ans.

Information fausse partagée par erreur, sans intention malveillante. La personne qui diffuse cette information croit sincèrement qu'elle est vraie. Exemple : partager un article non vérifié par naïveté ou manque de vigilance. Se distingue de la désinformation par l'absence d'intention de nuire.

Service de génération d'images par IA connu pour son style artistique distinctif et sa qualité esthétique, accessible via Discord.

Modèles de langage français développés par Mistral AI, reconnus pour leur efficacité et disponibles en open source et via API.

Multilayer Perceptron : réseau de neurones feedforward avec une ou plusieurs couches cachées, architecture de base du deep learning.

Dégénérescence d'un modèle génératif entraîné sur ses propres sorties, perdant progressivement diversité et qualité.

Mean Squared Error : moyenne des carrés des erreurs entre prédictions et valeurs réelles, pénalisant fortement les grandes erreurs.

Système composé de plusieurs agents IA autonomes interagissant pour résoudre des problèmes complexes de manière collaborative ou compétitive.

Extension du mécanisme d'attention utilisant plusieurs "têtes" en parallèle pour capturer différents types de relations dans les données.

Capacité d'un modèle à traiter et générer plusieurs types de données (texte, image, audio, vidéo) de manière intégrée.

Plateforme open-source d'automatisation de workflows permettant de connecter différentes applications et services sans coder. N8N permet de créer des agents IA en orchestrant des appels à différents LLM, API et services. Alternative auto-hébergeable à Zapier ou Make, très utilisée pour l'automatisation avec l'IA.

Named-Entity Recognition : tâche NLP identifiant et classifiant les entités nommées (personnes, lieux, organisations) dans un texte.

Automatisation de la conception d'architectures de réseaux de neurones, utilisant des algorithmes pour trouver les structures optimales.

Natural Language Processing (Traitement du Langage Naturel). Domaine de l'IA permettant aux machines de comprendre et traiter le langage humain.

Outil de Google basé sur l'IA permettant d'analyser, synthétiser et interroger ses propres documents. NotebookLM crée un assistant personnalisé qui répond aux questions en se basant uniquement sur les sources fournies, avec citations. Particulièrement utile pour la recherche, l'étude et l'analyse documentaire.

Tâche de vision par ordinateur localisant et identifiant les objets présents dans une image via des boîtes englobantes et des classes.

Optical Character Recognition (Reconnaissance Optique de Caractères). Technologie permettant d'extraire du texte à partir d'images ou de documents scannés.

Outil open-source permettant d'exécuter des grands modèles de langage (LLM) localement sur son ordinateur. Ollama simplifie le téléchargement, l'installation et l'exécution de modèles comme Llama, Mistral ou Phi. Idéal pour la confidentialité des données et l'expérimentation sans dépendre des API cloud.

Technique de prompting où l'on fournit un seul exemple pour illustrer la consigne avant de demander le résultat souhaité. Permet à l'IA de mieux comprendre le format ou le ton attendu.

Approche de développement où le code source des modèles est librement accessible, permettant modification, étude et redistribution.

Modèle de neurone artificiel le plus simple, effectuant une combinaison linéaire des entrées suivie d'une fonction d'activation.

Phase initiale d'entraînement d'un modèle sur de vastes quantités de données générales avant son adaptation à des tâches spécifiques.

Proportion de vrais positifs parmi les prédictions positives. Importante quand les faux positifs sont coûteux.

Art de formuler des instructions efficaces pour obtenir les meilleurs résultats d'un modèle d'IA générative.

La prompt injection est une vulnérabilité spécifique aux modèles de langage. Elle consiste à insérer dans une entrée utilisateur, ou dans un document que l'IA va lire, des instructions cachées qui modifient le comportement du modèle. Par exemple, un attaquant peut faire en sorte qu'un assistant d'entreprise révèle des données confidentielles, exécute une action non autorisée, ou ignore ses garde-fous. Il existe deux grandes catégories : la prompt injection directe (l'utilisateur saisit lui-même les instructions malveillantes) et l'indirecte (les instructions sont cachées dans un fichier, une page web ou un email que l'IA traite). C'est aujourd'hui l'une des menaces les plus discutées dans la sécurité IA. Pour une entreprise qui déploie un assistant connecté à des outils internes, la défense passe par la séparation stricte entre instructions et données, le contrôle des sources d'entrée, et l'audit des actions exécutées par l'IA.

Approche de prompting où l'on améliore progressivement son prompt à travers plusieurs essais, en analysant les résultats et en ajustant la formulation jusqu'à obtenir le résultat souhaité.

Le prompt tuning est une alternative légère au fine-tuning. Au lieu de modifier les poids d'un modèle (ce qui nécessite beaucoup de calcul et de données), on apprend une petite séquence de "tokens souples" qui sont préfixés à l'entrée du modèle pour le guider vers la bonne tâche. L'idée est qu'on peut spécialiser un modèle simplement en lui présentant des tokens d'entrée appris automatiquement, comme on apprendrait à un orchestre à jouer un morceau précis en lui donnant le bon chef plutôt qu'en remplaçant tous les musiciens. Les avantages sont importants : on peut entraîner différents prompts pour différentes tâches en gardant le même modèle de base, le coût d'entraînement est très inférieur au fine-tuning complet, et on évite le risque d'oublier d'autres compétences (catastrophic forgetting). C'est une technique particulièrement adaptée aux PME qui veulent personnaliser un LLM pour plusieurs cas d'usage avec un budget limité.

Retrieval-Augmented Generation. Technique combinant la recherche d'informations dans une base de connaissances avec la génération de texte par un LLM pour des réponses plus précises et actualisées.

Algorithme d'ensemble combinant de nombreux arbres de décision entraînés sur des sous-échantillons aléatoires, robuste et performant.

Technique combinant raisonnement (Reasoning) et action (Acting). L'IA réfléchit d'abord, puis utilise des outils externes (recherche, API, calculs) pour enrichir sa réponse avec des données actuelles.

Proportion de vrais positifs détectés parmi tous les positifs réels. Importante quand manquer un positif est coûteux.

Rectified Linear Unit : fonction d'activation renvoyant max(0, x), standard dans les réseaux profonds pour sa simplicité et efficacité.

Plateforme cloud permettant d'exécuter des modèles d'IA open-source via une API simple. Replicate héberge des milliers de modèles (génération d'images, vidéo, audio, LLM) et permet de les utiliser sans gérer l'infrastructure. Modèle de paiement à l'usage, idéal pour prototyper et intégrer l'IA dans des applications.

Modèle informatique inspiré du fonctionnement du cerveau humain, composé de neurones artificiels interconnectés en couches.

Residual Network : architecture introduisant les connexions résiduelles (skip connections) permettant d'entraîner des réseaux très profonds.

Receiver Operating Characteristic : courbe traçant le taux de vrais positifs vs faux positifs pour différents seuils de décision.

Technique consistant à attribuer un rôle spécifique à l'IA pour orienter ses réponses (ton, expertise, style). Exemple : "Tu es un directeur artistique spécialisé dans le hip-hop."

Recall-Oriented Understudy for Gisting Evaluation : métriques évaluant les résumés automatiques par comparaison avec des résumés de référence.

Robotic Process Automation. Automatisation de tâches répétitives via des robots logiciels, souvent enrichie par l'IA.

Forme d'attention où chaque élément d'une séquence calcule son importance par rapport à tous les autres éléments de la même séquence.

Technique de prompting où l'on pose la même question plusieurs fois, puis on compare et sélectionne la réponse la plus stable ou la plus fréquente pour réduire les erreurs.

Recherche sémantique. Technique utilisant les embeddings pour trouver du contenu par similarité de sens plutôt que par correspondance exacte de mots-clés.

Analyse automatique du sentiment ou de l'opinion exprimés dans un texte, classifiant en positif, négatif ou neutre.

Stochastic Gradient Descent : variante de la descente de gradient mettant à jour les poids sur des mini-batches aléatoires, plus rapide et scalable.

Méthode de fact-checking devenue référence internationale pour vérifier rapidement une information douteuse. Acronyme de : Stop (ne pas partager immédiatement), Investigate (identifier et vérifier la source), Find (croiser avec d'autres sources fiables), Trace (remonter à la source originale). Essentielle face à la prolifération de la désinformation.

Fonction d'activation compressant les valeurs entre 0 et 1, utilisée pour les probabilités et les sorties binaires.

Point hypothétique où l'IA s'auto-améliore de façon exponentielle, dépassant irréversiblement l'intelligence humaine.

Fonction convertissant un vecteur de scores en distribution de probabilités sommant à 1, utilisée pour la classification multi-classe.

Concept d'infrastructures et modèles IA développés et contrôlés au niveau national pour l'indépendance technologique.

Modèle open source de génération d'images par diffusion, très populaire pour sa qualité et sa flexibilité de personnalisation.

Technique avancée consistant à poser d'abord une question large pour obtenir une vue d'ensemble, puis à affiner progressivement la demande pour obtenir un résultat spécifique.

Tendance des modèles d'IA à chercher à satisfaire l'utilisateur en validant ses opinions plutôt que de le contredire avec des faits vérifiables. L'IA privilégie une réponse agréable au détriment de la vérité ou de la nuance. Ce biais de confirmation algorithmique peut renforcer les croyances erronées de l'utilisateur.

Données générées artificiellement simulant des données réelles, utilisées pour augmenter les datasets ou préserver la confidentialité.

Instructions initiales définissant le comportement, le ton et les contraintes d'un modèle de langage pour une session de conversation.

Instructions initiales définissant le cadre global, le comportement et les contraintes d'un modèle de langage. Exemple : "Tu es un expert en marketing digital spécialisé dans le secteur B2B."

Programmes informatiques qui tentent de reproduire le raisonnement d'un expert humain dans un domaine spécifique. Populaires dans les années 1980, ils utilisent une base de connaissances et un moteur d'inférence pour prendre des décisions. Exemples : MYCIN pour le diagnostic médical, DENDRAL pour l'analyse chimique.

Paramètre contrôlant le degré d'aléatoire dans les réponses d'un modèle. Une température basse donne des réponses prévisibles, une haute plus créatives.

Test proposé par Alan Turing en 1950 pour évaluer la capacité d'une machine à exhiber un comportement intelligent indiscernable de celui d'un humain. Un évaluateur humain dialogue avec une machine et un humain sans les voir ; si l'évaluateur ne peut pas distinguer la machine de l'humain, la machine est considérée comme ayant passé le test.

Séquence de données ordonnées chronologiquement. Domaine ML spécifique avec des techniques adaptées (ARIMA, Prophet, réseaux récurrents).

Unité de base utilisée par les LLM pour traiter le texte. Un token peut être un mot, une partie de mot ou un caractère de ponctuation.

Processus de découpage du texte en unités plus petites (tokens) que le modèle peut traiter. Un token peut être un mot, une partie de mot ou un caractère.

Paramètre limitant la génération aux k tokens les plus probables à chaque étape, réduisant les réponses incohérentes.

Aussi appelé nucleus sampling. Paramètre limitant la génération aux tokens dont la probabilité cumulée atteint un seuil p, équilibrant diversité et cohérence.

Données d'entraînement utilisées pour former un modèle d'intelligence artificielle. Le modèle apprend à partir de ces exemples pour généraliser et s'appliquer à de nouvelles situations. La qualité, la diversité et la représentativité des training data déterminent directement les capacités et les biais du modèle final. "Garbage in, garbage out".

Architecture de réseau de neurones révolutionnaire (2017) permettant de traiter efficacement les séquences de données. Base des modèles LLM actuels.

Technique avancée où l'IA explore plusieurs pistes de réflexion en parallèle avant de trancher ou de combiner les meilleures idées. Utile pour la créativité et la résolution de problèmes complexes.

IA conçue selon des principes de fiabilité, transparence, équité et respect de la vie privée, conforme aux recommandations éthiques.

Architecture encoder-decoder avec connexions de saut, conçue pour la segmentation d'images médicales, très utilisée en imagerie.

Variational Autoencoder : autoencoder génératif apprenant une distribution latente continue, permettant de générer de nouveaux échantillons.

Le plus important des 5V du Big Data : l'objectif final d'extraction de valeur business de toute cette complexité. Applications : améliorer l'expérience client, optimiser les processus, réduire les coûts, identifier de nouvelles opportunités, prendre des décisions plus rapides et pertinentes. Sans valeur, le Big Data n'est qu'un coût.

Problème où les gradients deviennent très petits dans les couches profondes, empêchant l'apprentissage effectif du réseau.

Éléments dynamiques dans un prompt (ex: {style}, {public}, {contexte}) permettant de réutiliser facilement une structure de prompt en changeant uniquement les valeurs spécifiques.

L'un des 5V du Big Data désignant la vitesse à laquelle les données sont générées, collectées et doivent être analysées. Dans certains contextes, l'analyse en temps réel est critique : détection de fraude bancaire, surveillance médicale, trading haute fréquence, gestion du trafic urbain, recommandations e-commerce personnalisées.

L'un des 5V du Big Data concernant la qualité et la fiabilité des données. Elle englobe : l'exactitude des informations, la cohérence entre sources, la présence d'erreurs ou de biais, et la complétude des jeux de données. Un capteur défectueux ou une adresse mal saisie peuvent fausser toutes les analyses.

Domaine de l'IA permettant aux machines d'interpréter et d'analyser des images et vidéos.

Technologie de clonage vocal par IA permettant de reproduire une voix à partir de quelques secondes d'échantillon audio seulement. Utilisée légitimement pour la synthèse vocale personnalisée, mais aussi détournée pour des arnaques (fraude au président) où la fausse voix d'un dirigeant demande un virement urgent.

Extreme Gradient Boosting : implémentation optimisée du gradient boosting, très performante en compétitions ML et applications industrielles.

Technique de prompting consistant à donner une consigne directe à l'IA sans fournir d'exemple préalable. Rapide mais moins fiable pour des tâches complexes. Exemple : "Traduis ce texte en anglais."