Recherche

Saisissez un terme pour chercher sur le site.

Glossaire

Explications courtes des concepts du monde de l'intelligence artificielle.

A

  • Agent IA

    Un système qui poursuit des objectifs en observant un environnement, en planifiant et en exécutant des actions (souvent via des outils) plutôt que de simplement produire du texte statique.

  • Alignment (alignement de l'IA)

    Le problème de s'assurer que les systèmes d'IA poursuivent les objectifs et valeurs voulus, pas seulement ce pour quoi ils ont été optimisés sur les données d'entraînement.

  • AlphaGo

    Programme de Go de DeepMind ayant battu le professionnel Lee Sedol en 2016, jalon mêlant réseaux profonds, auto-jeu et recherche.

  • Apprentissage automatique (ML)

    Algorithmes qui généralisent des motifs à partir de données pour faire des prédictions ou prendre des décisions sans règles écrites manuellement pour chaque cas.

  • Apprentissage par renforcement (RL)

    Apprendre des politiques via des récompenses ou scores en interagissant avec un environnement : fondamental pour les jeux, la robotique et certains ajustements de LLM de type RLHF.

  • Apprentissage profond

    Réseaux de neurones à nombreuses couches successives et méthodes d'entraînement adaptées aux représentations empilées (souvent rebaptisé vers 2006–2012).

  • Apprentissage supervisé (Supervised learning)

    Apprentissage automatique à partir de paires entrée–sortie étiquetées : le modèle apprend à associer des exemples à des cibles connues.

B

  • Base de données vectorielle

    Magasin optimisé pour la recherche par similarité sur des vecteurs d'embedding : couche de récupération derrière de nombreux systèmes RAG.

C

  • Chatbot

    Interface conversationnelle fondée sur des règles, scripts ou, souvent aujourd'hui, un grand modèle de langage ; distinct de l'agent s'il ne répond sans agir dehors.

D

  • Deep Blue

    Superordinateur d'échecs IBM (1997) qui a battu Kasparov par recherche brute et évaluation manuelle, sans apprentissage.

E

  • ELIZA

    Programme de 1966 de Joseph Weizenbaum au MIT simulant un dialogue thérapeutique par règles sur mots-clés ; célèbre pour l'effet ELIZA.

  • Entraînement (entraînement de modèles)

    La phase où les paramètres du modèle sont optimisés sur des données ou des retours avant le déploiement : distincte de l'inférence en temps d'exécution.

G

  • Génération augmentée par récupération (RAG)

    Combiner un récupérateur sur des documents ou outils avec un LLM générateur pour que les réponses puissent citer un contexte plus frais ou privé.

  • Grand modèle de langage (LLM)

    Un modèle statistique de langage entraîné sur de vastes corpus de texte, utilisant typiquement une architecture transformer, employé pour des tâches de génération et de compréhension.

  • Guardrails

    Couches techniques et de politique qui limitent ce qu'un système d'IA peut dire ou faire, filtres, règles, permissions d'outils, revue humaine.

H

  • Hiver de l'IA

    Une période où le financement de la recherche en IA et l'optimisme public ont chuté brutalement après que l'enthousiasme initial ait dépassé les résultats pratiques.

I

  • IA symbolique (bonne vieille IA)

    IA construite à partir de symboles explicites, de règles logiques et de connaissances structurées : souvent opposée à l'apprentissage numérique à partir de données brutes.

  • Inférence

    Utiliser un modèle entraîné pour produire des sorties sur de nouvelles entrées : après la fin de l'entraînement (aussi appelé déploiement ou passe avant dans de nombreuses configurations).

  • Injection de prompt (prompt injection)

    Instructions hostiles ou cachées dans le contexte qui détournent le comportement d'un LLM, directe (saisie utilisateur) ou indirecte (RAG, outils, documents).

  • Intelligence artificielle (IA / AI)

    Le vaste domaine de l'informatique consacré à la construction de systèmes capables d'effectuer des tâches nécessitant typiquement l'intelligence humaine, de la reconnaissance de motifs au raisonnement et à la compréhension du langage.

  • Intelligence artificielle générale (AGI)

    IA hypothétique avec une compétence large comparable à l'humain sur de nombreuses tâches, pas la même chose qu'un modèle étroit ou un chatbot LLM d'aujourd'hui.

J

  • Jailbreak

    Prompts (ou chaînes de prompts) visant à contourner les règles de sécurité, refus ou politiques d'usage d'un modèle, ce n'est pas du prompt engineering ordinaire.

M

  • Model Context Protocol (MCP)

    Un protocole ouvert qui standardise la façon dont les applications d'IA se connectent à des sources de données externes, outils et services, permettant aux modèles d'agir sur un contexte en temps réel.

  • Modèle (modèle d'apprentissage automatique)

    Une fonction apprise avec des paramètres ajustés sur des données : l'artefact produit par l'entraînement et utilisé à l'inférence.

P

  • Perceptron

    Modèle neuronal précoce monocouche qui apprend une frontière de décision linéaire à partir d'exemples ; Rosenblatt (1958), ensuite limité par Minsky et Papert.

  • PPO (optimisation de politique proximale)

    Algorithme d'apprentissage par renforcement très utilisé qui stabilise les mises à jour de politique via un objectif tronqué ; courant dans les étapes RLHF.

  • Prompt (invite)

    L'instruction textuelle ou le contexte fourni à un modèle d'IA pour guider le style, la portée et la tâche de la sortie.

R

  • Raisonnement

    Comportement d'inférence étape par étape utilisé pour dériver des conclusions à partir du contexte, de règles ou d'états intermédiaires.

  • Red teaming

    Sonder délibérément un système d'IA pour trouver pannes, abus et contournements avant ou après lancement, tests adversariaux structurés.

  • Réglage fin (Fine-tuning)

    Entraînement supplémentaire à partir d'un modèle existant : généralement avec moins de données et un objectif plus restreint que le pré-entraînement.

  • Réseau de neurones (RNA)

    Modèles paramétriques organisés en couches d'unités simples ; les capacités sont apprises à partir des données par optimisation.

  • RLHF (apprentissage par renforcement à partir de retours humains)

    Affinage de LLM à partir de comparaisons de préférences humaines, souvent via apprentissage par renforcement, levier clé de l'alignment après pré-entraînement.

S

  • Singularité technologique

    Un point futur hypothétique où le changement technologique (souvent via une IA avancée) s'accélère au-delà de ce que les humains peuvent prévoir ou contrôler de façon fiable.

  • Superintelligence (ASI)

    Une IA hypothétique qui dépasse largement l'humain dans presque tous les domaines cognitifs, ce n'est pas un chatbot performant, un LLM actuel ou une AGI au niveau humain.

  • Système expert

    Programme d'IA à base de règles avec base de connaissances et moteur d'inférence ; fer de lance commercial de l'IA symbolique dans les années 80.

T

  • Test de Turing (jeu d'imitation)

    Le critère comportemental proposé par Alan Turing : un dialogue produit par une machine peut-il être distingué de celui d'un humain ?

  • Théorie de l'Internet mort

    Une hypothèse marginale de la culture en ligne (vers 2021) : l'essentiel du contenu visible et de l'engagement sur le web viendrait déjà de bots, de spam ou de contenu généré par IA, pas d'une activité humaine authentique.

  • Token (jeton)

    La plus petite unité de texte qu'un modèle de langage traite (souvent un fragment de mot, pas un mot entier).

  • Traitement automatique des langues (NLP)

    Branche de l'IA qui vise à comprendre, générer et transformer le langage humain par ordinateur, de l'analyse et la traduction aux LLM modernes.

  • Transformer (architecture)

    Modèle de séquence neuronal construit principalement sur l'attention : parallélisable et fondamental pour les LLM depuis « Attention Is All You Need » (2017).