Recherche

Saisissez un terme pour chercher sur le site.

Glossaire

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

A

  • ACM (Association for Computing Machinery)

    La principale société professionnelle internationale d'informatique ; décerne le prix Turing et publie des revues telles que CACM.

  • 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.

  • AlexNet

    Réseau convolutif profond qui a remporté le défi ImageNet 2012 et est souvent cité comme l'étincelle de l'ère moderne de l'apprentissage profond.

  • 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.

  • AlphaFold

    Système DeepMind qui prédit la structure 3D des protéines à partir de la séquence d'acides aminés ; AlphaFold2 (2020) et les versions suivantes ont transformé la biologie structurale.

  • AlphaGo

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

  • Apprentissage à différence temporelle (Temporal-difference learning, TD learning)

    Méthode d'apprentissage par renforcement qui met à jour les estimations de valeur à partir de la différence entre prédictions successives, en s'appuyant sur l'expérience sans attendre une récompense finale.

  • 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 non supervisé (Unsupervised learning)

    Apprentissage automatique à partir de données non étiquetées : le modèle trouve une structure comme des groupes ou des motifs sans qu’on lui donne les bonnes réponses.

  • 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.

  • Arbre de décision (Decision tree)

    Modèle supervisé qui classe ou prédit en scindant récursivement les données sur des seuils de caractéristiques, formant un arbre de décisions oui ou non.

  • Astuce du noyau (Kernel trick)

    Technique qui calcule implicitement des produits scalaires dans un espace de caractéristiques de haute dimension, permettant à des algorithmes linéaires d'ajuster efficacement des frontières de décision non linéaires.

  • Attention

    Le mécanisme qui laisse un modèle pondérer l'importance de chaque partie de l'entrée pour chaque autre, transformant des scores de similarité en poids via un softmax.

  • Auto-apprentissage (Self-play)

    Régime d'entraînement dans lequel un agent s'améliore en affrontant des copies ou des versions antérieures de lui-même, générant une expérience variée sans étiquettes d'expert humain.

B

  • Bagging (Bootstrap aggregating)

    Technique d'ensemble qui entraîne plusieurs modèles sur des échantillons bootstrap des données d'entraînement et agrège leurs prédictions pour réduire la variance.

  • 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

  • Calcul au moment de l'inférence (Test-time compute)

    Calcul supplémentaire dépensé quand un modèle répond à une question, au moment de l'inférence, et non seulement à l'entraînement ; un levier pour les tâches de raisonnement difficiles.

  • Chaîne de Markov (Markov chain)

    Un processus aléatoire où l'état suivant dépend seulement de l'état actuel ; en ML, base de l'échantillonnage MCMC, des modèles n-grammes précoces et de générateurs itératifs lents que les GAN évitent.

  • Chaîne de pensée (Chain-of-thought)

    Une technique de prompting et d'entraînement où un modèle déroule par écrit des étapes intermédiaires avant de donner une réponse finale, ce qui améliore souvent la précision sur les problèmes en plusieurs étapes.

  • 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.

  • Conduite autonome (Autonomous driving)

    Navigation de véhicule sans direction humaine continue, combinant perception, cartographie, planification et contrôle, souvent avec apprentissage automatique sur des données capteurs.

D

  • DARPA

    Defense Advanced Research Projects Agency des États-Unis ; finance des recherches à haut risque qui ont façonné l'IA, les réseaux et la robotique de l'ère ARPANET aux courses Grand Challenge.

  • Deep Blue

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

  • Deepfake

    Contenu image, audio ou vidéo généré ou manipulé par l'IA qui ressemble à des personnes, objets, lieux ou événements réels et peut paraître faussement authentique.

  • DeepMind

    Laboratoire d'IA londonien fondé en 2010, acquis par Google en 2014 ; connu pour AlphaGo, AlphaFold et des modèles multimodaux sous Google DeepMind.

  • DeepSeek

    Entreprise chinoise d'IA dont le modèle de raisonnement R1 à poids ouverts (2025) a rivalisé avec les systèmes occidentaux de pointe à une fraction du coût d'entraînement annoncé et a secoué les marchés.

  • Descente de gradient (Gradient descent)

    Méthode d'optimisation qui déplace à plusieurs reprises les paramètres d'un modèle d'un petit pas dans la direction où l'erreur diminue le plus ; le taux d'apprentissage fixe la taille du pas.

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.

F

  • Forêt aléatoire (Random forest)

    Classifieur d'ensemble qui agrège de nombreux arbres de décision décorrélés entraînés sur des échantillons bootstrap avec des sous-ensembles aléatoires de caractéristiques à chaque scission.

G

  • GAN (réseau antagoniste génératif)

    Deux réseaux de neurones entraînés l'un contre l'autre : un générateur produit des données artificielles et un discriminateur tente de les distinguer des vraies. Présentés en 2014 par Ian Goodfellow et ses collègues.

  • 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.

  • GPU

    Unité de traitement graphique; processeur parallèle conçu pour le rendu d'images, réutilisé plus tard pour accélérer les opérations matricielles dans l'entraînement des réseaux de neurones.

  • 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

  • Hallucination

    En IA, sortie fluide mais fausse ou inventée, pas une hallucination sensorielle ; risque pour les LLM, chatbots et citations.

  • 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 générative (Generative AI)

    Systèmes d'IA qui produisent de nouveaux contenus, comme des textes, des images, de l'audio ou de la vidéo, en apprenant des régularités dans leurs données d'entraînement.

  • IA souveraine (Sovereign AI)

    Capacité d'IA nationale ou contrôlée localement, incluant infrastructure, données, modèles et règles, au service des intérêts d'un pays plutôt que d'une dépendance totale à des piles étrangères.

  • 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.

  • IBM Watson

    Système de questions-réponses d'IBM qui a battu en 2011 les champions de Jeopardy! Ken Jennings et Brad Rutter ; IBM a ensuite utilisé ce nom pour ses offres commerciales d'IA.

  • ImageNet

    Grand jeu d'images étiquetées et référence (à partir du milieu des années 2000) qui a rendu mesurable le progrès en vision par ordinateur et préparé l'apprentissage profond.

  • 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.

L

  • LeNet

    Famille de réseaux neuronaux convolutifs par Yann LeCun et collègues chez AT&T Bell Labs ; LeNet-1 lisait des chiffres de codes postaux vers 1989, LeNet-5 des chèques bancaires en 1998.

  • LIDAR (LiDAR)

    Capteur de télémétrie qui mesure la distance en chronométrant des impulsions laser, produisant des nuages de points 3D denses utilisés en cartographie, robotique et véhicules autonomes.

M

  • Machine à vecteurs de support (Support vector machine, SVM)

    Classifieur supervisé qui trouve une frontière à marge maximale entre classes, souvent étendu aux problèmes non linéaires via l'astuce du noyau.

  • Machine de Boltzmann (Boltzmann machine)

    Réseau de neurones stochastique à unités binaires et fonction d'énergie issue de la physique statistique ; apprend des représentations cachées mais exige en général un échantillonnage lent par chaînes de Markov (MCMC).

  • Mélange d'experts (Mixture of experts)

    Une conception de modèle qui divise le réseau en de nombreux sous-réseaux spécialisés et n'en active que quelques-uns par entrée, de sorte qu'un très grand modèle tourne au coût d'un modèle bien plus petit.

  • 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.

  • Modèle de langage (Language model)

    Modèle statistique ou neuronal qui assigne des probabilités à des séquences de mots, utilisé pour la prédiction, la génération et comme socle des systèmes modernes de traitement du langage.

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.

  • Plongement lexical (Word embedding)

    Représentation vectorielle dense d'un mot apprise à partir de cooccurrences ou de contexte de prédiction, capturant des régularités sémantiques et syntaxiques dans un espace continu.

  • 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.

  • ReLU (unité linéaire rectifiée)

    Activation f(x) = max(0, x) des réseaux profonds ; popularisée au milieu des années 2010 face à sigmoïde/tanh.

  • Réseau d'inférence déroulé (unrolled inference network)

    Une procédure d'inférence itérative dans un modèle énergétique ou probabiliste, déroulée en un nombre fixe d'étapes et entraînée de bout en bout comme réseau feed-forward ; les GAN l'évitent en générant en une seule passe avant.

  • Réseau de croyances profond (deep belief network)

    Réseau de neurones profond construit en empilant goulûment des machines de Boltzmann restreintes puis affiné par rétropropagation ; Hinton et al. 2006 a aidé à relancer l'apprentissage profond.

  • Réseau de neurones (RNA)

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

  • Réseau neuronal convolutionnel (Convolutional neural network, CNN)

    Architecture de réseau de neurones pour des données en grille comme les images, utilisant des filtres locaux partagés et du pooling pour apprendre efficacement des caractéristiques spatiales.

  • Rétropropagation (Backpropagation)

    Algorithme qui entraîne les réseaux de neurones en propageant l'erreur de sortie vers l'arrière à travers les couches et en calculant la contribution de chaque poids à cette erreur ; base de l'entraînement par descente de gradient.

  • 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.

  • Routeur de modèles (Model router)

    Une couche de contrôle qui choisit quelle variante ou quel mode de modèle exécuter pour chaque requête, par exemple chat rapide contre raisonnement plus profond, au lieu de laisser le choix à l'utilisateur.

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 de questions-réponses (Question answering)

    Domaine du traitement automatique des langues consacré aux systèmes qui répondent à des questions posées en langage naturel par une réponse directe plutôt que par une liste de documents.

  • 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).