Glossaire

Explications courtes pour LLMs, agents, entraînement et concepts associés.

Voir aussi : Chronologie · Prédictions · Articles.

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.

  • Ajustement 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.

  • 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).

E

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.

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).

P

  • 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.

  • Réseau de neurones (RNA)

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

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 ?

  • Token (jeton)

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

  • Transformer (architecture)

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