Glossaire de l'IA

25 résultats

• Algorithme

  Suite finie d'instructions permettant de résoudre un problème.

  Tout programme informatique exécute des algorithmes. Un algorithme n'implique pas forcément de l'IA.

  Analogie : Une recette de cuisine : des étapes précises, dans un ordre donné.

  Exemple : Trier une liste par ordre alphabétique, calculer le plus court chemin entre deux villes.

  Abordé dans le module 1

• Apprentissage automatiqueML

  Branche de l'IA où la machine déduit ses règles à partir d'exemples (machine learning).

  Au lieu d'écrire les règles, on fournit des données ; un procédé d'entraînement ajuste un modèle pour qu'il reproduise les bonnes réponses, puis généralise à de nouveaux cas.

  Analogie : Apprendre à reconnaître les champignons en en observant des centaines, plutôt qu'en lisant une liste de règles.

  Exemple : Un modèle entraîné sur des milliers d'e-mails étiquetés apprend à détecter les spams.

  Abordé dans le module 1

• Automatisation

  Exécution automatique d'une tâche selon des règles fixées à l'avance.

  L'automatisation n'apprend pas : elle applique toujours la même règle. Elle peut être combinée à de l'IA, mais ce n'en est pas.

  Analogie : Un réveil réglé sur 7 h : il sonne, que vous soyez en vacances ou non.

  Exemple : Un thermostat programmé qui chauffe de 7 h à 22 h.

  Abordé dans le module 1

• Deep learning

  Apprentissage avec des réseaux de neurones comportant de nombreuses couches.

  Les couches successives extraient des représentations de plus en plus abstraites. Le deep learning s'est imposé à partir de 2012 grâce aux données massives et aux GPU.

  Analogie : Un œil exercé : d'abord les contours, puis les formes, puis l'objet entier.

  Exemple : La reconnaissance vocale de votre téléphone, les modèles de langage.

  Abordé dans le module 3

• Données d'entraînement

  Exemples utilisés pour ajuster un modèle.

  Leur quantité, leur qualité et leur représentativité déterminent en grande partie les performances et les biais du modèle.

  Analogie : Les manuels et exercices d'un élève : s'ils contiennent des erreurs, il les apprendra.

  Exemple : Des radiographies annotées par des médecins pour entraîner un modèle de détection.

  Abordé dans le module 4

• Embedding

  Représentation d'un texte (ou d'une image) sous forme d'une liste de nombres qui capture son sens.

  Deux textes de sens proche ont des embeddings proches. C'est la base de la recherche sémantique et du RAG.

  Analogie : Des coordonnées GPS du sens : les idées proches sont voisines sur la carte.

  Exemple : « voiture » et « automobile » ont des embeddings très voisins.

  Abordé dans le module 7

• Entraînement

  Phase où les paramètres d'un modèle sont ajustés à partir de données.

  On compare les réponses du modèle aux réponses attendues et on corrige progressivement ses paramètres pour réduire l'erreur. C'est la phase la plus coûteuse en calcul.

  Analogie : Les entraînements d'un sportif avant la compétition.

  Exemple : Montrer des millions de phrases à un modèle de langage pour qu'il apprenne à prédire la suite.

  Abordé dans le module 4

• Grand modèle de langageLLM

  Modèle entraîné sur de très grandes quantités de texte pour prédire la suite d'un texte.

  En prédisant le token suivant, encore et encore, un LLM peut rédiger, résumer, traduire ou répondre à des questions. Il ne consulte pas une base de faits : il peut donc se tromper.

  Analogie : Une saisie semi-automatique extraordinairement entraînée.

  Exemple : Les modèles derrière ChatGPT, Claude, Gemini, Le Chat, Llama ou Qwen.

  Abordé dans le module 6

• Génération augmentée par récupérationRAG

  Technique où l'IA recherche d'abord des documents pertinents, puis s'en sert pour répondre.

  Le RAG permet de répondre à partir de sources à jour ou internes, et de citer ses sources. Il réduit les erreurs sans les supprimer.

  Analogie : Un examen à livre ouvert : on cherche la bonne page avant de rédiger.

  Exemple : Un assistant d'entreprise qui répond à partir des procédures internes.

  Abordé dans le module 8

• Hallucination

  Réponse fausse ou inventée, présentée de manière plausible par un modèle.

  Un modèle de langage produit le texte le plus probable, pas le plus vrai. Il peut inventer une référence, une date ou une citation. D'où l'importance de vérifier.

  Analogie : Un élève qui préfère inventer une réponse assurée plutôt que d'avouer qu'il ne sait pas.

  Exemple : Un assistant cite un article scientifique qui n'existe pas.

  Abordé dans le module 14

• Hiver de l'IA

  Période de baisse des financements et de l'intérêt pour l'IA après des promesses non tenues.

  On en compte généralement deux : au milieu des années 1970 et à la fin des années 1980.

  Analogie : La gueule de bois après une fête trop prometteuse.

  Exemple : La chute du marché des machines spécialisées pour l'IA à la fin des années 1980.

  Abordé dans le module 2

• IA généraleAGI

  Système hypothétique capable d'égaler l'humain sur la plupart des tâches intellectuelles.

  Sa définition exacte et la date à laquelle elle pourrait être atteinte font l'objet de débats importants. Aucun système n'est reconnu comme tel de façon consensuelle (novembre 2026).

  Analogie : Un artisan capable d'apprendre n'importe quel métier.

  Exemple : Un système qui apprendrait la médecine, la menuiserie et la comptabilité aussi bien qu'un humain.

  Abordé dans le module 1

• IA générative

  IA capable de produire de nouveaux contenus : texte, image, son, vidéo, code.

  Elle s'appuie sur des modèles entraînés sur de grands volumes de données, comme les LLM pour le texte ou les modèles de diffusion pour les images.

  Analogie : Un musicien qui improvise à partir de tout ce qu'il a entendu.

  Exemple : Générer une illustration à partir d'une description, rédiger un brouillon de courrier.

  Abordé dans le module 9

• IA spécialisée

  IA performante sur une tâche précise, inutilisable en dehors (dite aussi IA faible ou étroite).

  La quasi-totalité des IA en service sont spécialisées : recommandation, détection de fraude, reconnaissance vocale.

  Analogie : Un scalpel : redoutable pour un usage, inadapté au reste.

  Exemple : Un programme champion de go qui ne sait rien faire d'autre.

  Abordé dans le module 1

• Inférence

  Utilisation d'un modèle déjà entraîné pour produire une réponse.

  C'est ce qui se passe à chaque fois que vous posez une question à un assistant. L'inférence est bien moins coûteuse que l'entraînement, mais elle se répète des millions de fois.

  Analogie : Le match, après les entraînements.

  Exemple : Votre téléphone reconnaît votre visage en une fraction de seconde.

  Abordé dans le module 4

• Intelligence artificielleIA

  Ensemble de techniques permettant à une machine de réaliser des tâches associées à l'intelligence humaine.

  L'IA regroupe des méthodes variées — règles logiques, apprentissage automatique, réseaux de neurones — pour reconnaître, classer, prédire ou produire du contenu.

  Analogie : Comme le mot « sport », c'est un terme parapluie qui recouvre des disciplines très différentes.

  Exemple : Le filtre anti-spam de votre messagerie, la traduction automatique, un assistant conversationnel.

  Abordé dans le module 1

• Modèle

  Résultat de l'entraînement : une fonction mathématique qui transforme une entrée en sortie.

  Un modèle contient des paramètres (parfois des milliards) ajustés pendant l'entraînement. Une fois entraîné, il est utilisé pour faire des prédictions : c'est l'inférence.

  Analogie : L'expérience accumulée par un apprenti, condensée sous forme de réflexes.

  Exemple : Un modèle de reconnaissance d'images reçoit une photo et renvoie « chat : 94 % ».

  Abordé dans le module 1

• Processeur graphiqueGPU

  Puce conçue pour effectuer énormément de calculs en parallèle.

  Créés pour les jeux vidéo, les GPU accélèrent massivement l'entraînement et l'inférence des réseaux de neurones. Leur mémoire limite la taille des modèles utilisables localement.

  Analogie : Mille employés qui font chacun une petite addition, plutôt qu'un seul génie qui fait tout.

  Exemple : Entraîner un modèle de langage mobilise des milliers de GPU pendant des semaines.

  Abordé dans le module 17

• Prompt

  Consigne ou question adressée à un modèle d'IA.

  Un bon prompt précise le contexte, l'objectif, les contraintes et le format attendu.

  Analogie : Le brief donné à un prestataire : plus il est clair, meilleur est le résultat.

  Exemple : « Résume ce compte rendu en 5 points pour un public non technique. »

  Abordé dans le module 10

• Réseau de neurones

  Modèle composé de couches de petites unités de calcul connectées entre elles.

  Chaque « neurone » combine ses entrées avec des poids, puis transmet un résultat à la couche suivante. L'entraînement ajuste ces poids. L'inspiration biologique est lointaine.

  Analogie : Une chaîne de comités qui votent chacun à leur tour, avec des voix plus ou moins pondérées.

  Exemple : Un réseau qui reçoit les pixels d'une image et indique s'il s'agit d'un chiffre manuscrit.

  Abordé dans le module 5

• Surapprentissage

  Quand un modèle mémorise ses exemples au lieu d'apprendre à généraliser.

  Le modèle obtient d'excellents résultats sur ses données d'entraînement, mais échoue sur des cas nouveaux. On le détecte en testant sur des données jamais vues.

  Analogie : L'élève qui apprend les corrigés par cœur et échoue dès que l'énoncé change.

  Exemple : Un modèle qui reconnaît les chiens uniquement sur fond d'herbe, parce que toutes ses photos d'entraînement étaient prises dans un jardin.

  Abordé dans le module 4

• Système expert

  Programme d'IA symbolique qui applique des règles écrites par des spécialistes.

  Très en vogue dans les années 1980, les systèmes experts raisonnent avec des règles « si… alors… ». Ils sont explicables mais coûteux à maintenir.

  Analogie : Un classeur de procédures consulté pas à pas.

  Exemple : Un logiciel d'aide au diagnostic fondé sur des centaines de règles médicales.

  Abordé dans le module 3

• Test de Turing

  Épreuve proposée en 1950 : une machine peut-elle se faire passer pour un humain à l'écrit ?

  Alan Turing le présente sous le nom de « jeu de l'imitation ». Il évalue un comportement observable, pas la conscience.

  Analogie : Un concours d'imitation de voix : réussir ne fait pas de l'imitateur la personne imitée.

  Exemple : Un juge discute par écrit avec deux interlocuteurs cachés et doit deviner lequel est la machine.

  Abordé dans le module 2

• Token

  Morceau de texte (mot, partie de mot, ponctuation) manipulé par un modèle de langage.

  Le texte est découpé en tokens, convertis en nombres. Les limites et la facturation des modèles s'expriment souvent en tokens.

  Analogie : Les briques de construction du texte, plus petites que les mots.

  Exemple : « incroyablement » peut être découpé en « incroy », « able », « ment ».

  Abordé dans le module 6

• Transformer

  Architecture de réseau de neurones publiée en 2017, base des grands modèles de langage.

  Son mécanisme d'attention permet à chaque token de tenir compte des autres tokens du contexte, ce qui se parallélise très bien sur GPU.

  Analogie : Un lecteur qui, pour chaque mot, surligne les autres mots qui l'éclairent.

  Exemple : Dans « Le chat qui dormait sur le canapé s'est réveillé », l'attention relie « réveillé » à « chat ».

  Abordé dans le module 6