Glossaire de l'IA

Un système logiciel qui utilise l'IA pour exécuter de manière autonome des tâches ou prendre des décisions au nom d'un utilisateur, souvent en combinant le raisonnement avec la capacité d'agir.

Un ensemble défini d'étapes ou de règles qu'un ordinateur suit pour résoudre un problème ou accomplir une tâche — la logique sous-jacente à tout système d'IA.

Une méthode définie permettant à différents systèmes logiciels de communiquer entre eux ; la plupart des outils d'IA sont accessibles aux applications via une API.

L'utilisation de la technologie pour exécuter des tâches avec une intervention humaine minimale ; l'IA élargit ce qui peut être automatisé en gérant des tâches qui nécessitent du jugement ou de la reconnaissance de motifs, et non seulement des règles fixes.

Le processus d'examen des ensembles de données afin de tirer des conclusions et de soutenir la prise de décision, souvent une base pour appliquer l'IA efficacement en entreprise.

Le processus d'entraînement supplémentaire d'un modèle d'IA existant sur un jeu de données plus petit et spécialisé afin de l'adapter à une tâche ou un domaine spécifique.

Une branche de l'IA où les systèmes apprennent les motifs à partir des données plutôt que de suivre des règles explicitement programmées, améliorant leurs performances à mesure qu'ils voient davantage d'exemples.

L'utilisation de données historiques, de statistiques et d'apprentissage automatique pour prévoir les résultats ou tendances futurs.

Une approche d'apprentissage automatique où un système apprend par essais et erreurs, recevant des récompenses ou des pénalités en fonction des actions qu'il entreprend.

Une technique de traitement du langage naturel qui détermine le ton émotionnel — positif, négatif ou neutre — exprimé dans un texte.

Une approche d'apprentissage automatique où un modèle apprend à partir d'exemples étiquetés — des données associées à la réponse correcte — pour faire des prédictions sur de nouvelles données non vues.

Une approche d'apprentissage automatique où un modèle trouve des motifs ou des regroupements dans les données sans exemples étiquetés pour apprendre.

Erreurs systématiques dans les sorties d'un système d'IA qui favorisent ou désavantagent injustement certains groupes, souvent issues de schémas présents dans les données utilisées pour l'entraîner.

Une sous‑section de l’apprentissage automatique qui utilise des réseaux neuronaux à de multiples couches pour apprendre des représentations de plus en plus abstraites des données, permettant des tâches telles que la reconnaissance d’images et la compréhension du langage.

Le jeu de données utilisé pour entraîner un modèle d'apprentissage automatique à reconnaître des motifs et à faire des prédictions ; la qualité et l'étendue des données d'entraînement déterminent directement ce qu'un modèle peut accomplir.

Le degré selon lequel les décisions ou les résultats d'un système d'IA peuvent être compris et expliqués dans des termes qu'une personne peut suivre — un facteur important de confiance et de responsabilité.

La quantité de texte qu'un modèle d'IA peut prendre en compte à la fois lors de la génération d'une réponse, mesurée en jetons.

Les politiques, processus et structures de supervision que les organisations mettent en place pour garantir que les systèmes d'IA sont utilisés de manière responsable, sécurisée et conforme aux normes légales et éthiques.

Ensemble de pratiques et de politiques garantissant que les données sont exactes, sécurisées et utilisées de manière appropriée au sein d'une organisation — une base pour une IA et des analyses fiables.

Une technique qui améliore les réponses d'un modèle d'IA en récupérant d'abord des informations pertinentes à partir d'une source externe, puis en les utilisant pour générer une réponse plus précise et fondée.

Un cas où un modèle d'IA générative produit des informations qui semblent plausibles mais qui sont factuellement incorrectes ou fabriquées.

Systèmes informatiques conçus pour exécuter des tâches qui nécessitent généralement l'intelligence humaine, telles que la compréhension du langage, la reconnaissance de motifs ou la prise de décisions.

La fourniture de ressources informatiques — comme la puissance de calcul et le stockage — via Internet, dont la plupart des systèmes d'IA modernes dépendent pour s'entraîner et fonctionner à grande échelle.

Systèmes d'IA qui créent du nouveau contenu — texte, images, audio ou code — plutôt que de simplement analyser ou classifier des données existantes.

Exemple : Un outil qui rédige un courriel marketing à partir d'une courte description utilise l'IA générative.

La pratique de concevoir des entrées pour un système d'IA — en particulier un grand modèle de langage (LLM) — afin d'obtenir de manière fiable des résultats utiles, précis et pertinents.

Une unité de texte — souvent un mot ou une partie d'un mot — qu'un modèle de langage traite ; le bloc de construction de base que les LLM utilisent pour lire et générer du langage.

Un réseau de neurones entraîné sur d'énormes quantités de texte, capable de comprendre et de générer le langage humain — la technologie à l'origine d'outils tels que ChatGPT.

Le système entraîné qui résulte d'un processus d'apprentissage automatique — la sortie qui effectue réellement des prédictions ou génère du contenu une fois l'entraînement terminé.

Un modèle d'apprentissage automatique vaguement inspiré par la structure du cerveau, composé de couches de nœuds interconnectés qui apprennent à reconnaître les motifs dans les données.

Un domaine de l'IA axé sur la capacité des ordinateurs à comprendre, interpréter et générer le langage humain.

Un domaine de l'IA axé sur la capacité des ordinateurs à interpréter et comprendre les informations visuelles provenant d'images et de vidéos.