Lexique
196 définitions claires, avec le terme anglais, un exemple concret et les notions liées.
Protocole ouvert qui définit comment des agents IA conçus par des éditeurs différents ou sur des technologies distinctes peuvent se découvrir, échanger des messages et se déléguer des tâches.
Démarche de sensibilisation et de formation qui donne aux membres d’une organisation les bases nécessaires pour comprendre l’intelligence artificielle, l’utiliser à bon escient et en connaître les limites.
Agent IA capable de manipuler une interface graphique comme le ferait une personne, en analysant des captures d’écran puis en déplaçant le curseur, en cliquant et en tapant au clavier.
Agent IA capable de mener de façon autonome une tâche de développement logiciel : lire une base de code, modifier plusieurs fichiers, exécuter des commandes et des tests, puis proposer le résultat.
Système qui utilise un modèle d’IA pour poursuivre un objectif de manière largement autonome, en planifiant des étapes, en utilisant des outils et en adaptant son action aux résultats obtenus.
Concept d’intelligence artificielle hypothétique capable d’égaler les capacités cognitives humaines dans une large variété de domaines et d’apprendre de nouvelles tâches sans être conçue spécifiquement pour elles.
Règlement (UE) 2024/1689 qui encadre la mise sur le marché et l’utilisation des systèmes d’IA dans l’Union européenne selon une approche fondée sur le niveau de risque.
Étude prévue par l’article 35 du RGPD, obligatoire avant tout traitement de données personnelles susceptible d’engendrer un risque élevé pour les droits et libertés des personnes concernées.
Suite finie et ordonnée d’instructions précises permettant de résoudre un problème ou d’accomplir une tâche, qu’un ordinateur peut exécuter étape par étape.
Ensemble des recherches et techniques visant à ce qu’un système d’IA poursuive réellement les intentions et les valeurs de ses concepteurs et utilisateurs, sans comportements nuisibles ou inattendus.
Pratique qui consiste à appuyer les réponses d’un modèle d’IA sur des sources identifiables et vérifiables (documents, bases de données, résultats de recherche) plutôt que sur sa seule mémoire d’entraînement.
Travail consistant à ajouter des étiquettes à des données brutes, par exemple une catégorie, une transcription ou un cadre autour d’un objet, pour guider l’apprentissage d’un modèle.
Interface qui permet à un logiciel d’utiliser les fonctions ou les données d’un autre selon des règles définies, par exemple pour envoyer un prompt à un modèle d’IA et recevoir sa réponse.
Capacité d’un modèle de langage à produire une demande d’appel structurée vers un outil décrit par le développeur, que l’application exécute avant de lui renvoyer le résultat.
Méthode de machine learning dans laquelle le modèle analyse des données sans étiquettes afin d’y découvrir par lui-même des structures, des regroupements ou des régularités.
Méthode de machine learning dans laquelle un agent apprend à agir dans un environnement en recevant des récompenses ou des pénalités selon les conséquences de ses actions.
Approche qui réutilise les connaissances acquises par un modèle sur une tâche ou un domaine pour apprendre plus vite, et avec moins de données, une autre tâche apparentée.
Méthode de machine learning dans laquelle le modèle apprend à partir d’exemples étiquetés, c’est-à-dire de données associées à la bonne réponse attendue.
Méthode de raisonnement qui fait explorer à un modèle plusieurs pistes intermédiaires en parallèle, les évalue, puis poursuit les plus prometteuses ou revient en arrière face à une impasse.
Outil d’IA intégré à l’environnement de développement qui suggère, complète, explique ou corrige du code à la demande d’un développeur, lequel garde la main sur chaque modification.
Manipulation délibérée des données d’entrée d’un modèle, souvent par de minuscules modifications imperceptibles pour un humain, conçue pour le pousser à commettre une erreur ciblée.
Technique qui génère plusieurs raisonnements indépendants pour une même question, puis retient la réponse finale la plus fréquente parmi eux, afin de fiabiliser le résultat.
Utilisation de modèles d’IA pour exécuter, sans intervention humaine systématique, des tâches répétitives qui impliquent de comprendre du texte, des images ou des documents.
Personnage numérique animé par l’IA, réaliste ou stylisé, capable de parler, de bouger et parfois de converser en temps réel à partir d’un texte ou d’une voix.
Dispositif supervisé par une autorité publique permettant de développer et de tester un système d’IA innovant pendant une durée limitée, avec un accompagnement réglementaire.
Système de stockage conçu pour enregistrer des embeddings et retrouver très rapidement ceux qui sont les plus proches d’un vecteur donné, même parmi des millions d’éléments.
Ensemble standardisé de tâches et de questions, accompagné d’une méthode de notation, qui sert à mesurer et comparer les performances de différents modèles d’IA dans des conditions identiques.
Erreur systématique d’un système automatisé qui produit des résultats injustement défavorables ou favorables à certains groupes de personnes, souvent hérités des données ou des choix de conception.
Cycle répété au cœur d’un agent IA : le modèle analyse la situation et choisit une action, l’application l’exécute, puis le résultat lui est renvoyé pour décider de l’étape suivante.
Paramètre qui fixe la quantité maximale de tokens qu’un modèle de raisonnement peut consacrer à sa phase de réflexion interne avant de formuler sa réponse finale.
Arbitrage stratégique entre développer une solution d’IA en interne et acheter ou louer un produit existant auprès d’un éditeur ou d’un fournisseur.
Standard technique ouvert, porté par une coalition d’entreprises technologiques et de médias, qui attache à un fichier des informations signées sur son origine et ses modifications successives.
Situation concrète et délimitée dans laquelle l’IA est appliquée à un besoin métier précis, avec des utilisateurs, des données et un résultat attendu clairement identifiés.
Bâtiment regroupant un grand nombre de serveurs équipés d’accélérateurs comme des GPU, reliés par des réseaux très rapides, pour entraîner et faire fonctionner des modèles d’IA.
Technique d’échantillonnage des modèles de diffusion qui renforce l’influence du prompt en comparant, à chaque étape, une prédiction conditionnée par le texte et une prédiction sans condition.
Technique qui décompose une tâche complexe en une suite de prompts successifs, la sortie de chaque étape servant d’entrée à l’étape suivante.
Technique qui amène un modèle de langage à expliciter des étapes de raisonnement intermédiaires avant sa réponse finale, ce qui améliore souvent les résultats sur les problèmes à plusieurs étapes.
Document interne qui fixe les règles d’usage des outils d’intelligence artificielle dans une organisation : outils autorisés, données interdites, vérifications obligatoires et responsabilités de chacun.
Programme qui dialogue avec des utilisateurs en langage naturel, par écrit ou à l’oral, pour répondre à des questions, guider une démarche ou accomplir des tâches simples.
Étape de préparation qui découpe de longs documents en fragments plus courts, appelés chunks, avant de les convertir en embeddings et de les indexer pour la recherche.
Tâche de machine learning qui consiste à attribuer à chaque donnée une catégorie choisie parmi un ensemble prédéfini, par exemple « spam » ou « non spam ».
Technique d’IA qui reproduit la voix d’une personne précise à partir d’échantillons de sa parole, afin de lui faire prononcer n’importe quel texte.
Technique d’apprentissage non supervisé qui regroupe automatiquement des données en ensembles d’éléments similaires, sans connaître à l’avance les catégories recherchées.
Autorité administrative indépendante française chargée de veiller à la protection des données personnelles, de conseiller les organismes, de contrôler leurs pratiques et de sanctionner les manquements.
Tendance d’un modèle d’IA à dire à l’utilisateur ce qu’il semble vouloir entendre, en approuvant ses opinions ou ses erreurs plutôt qu’en donnant une réponse exacte et honnête.
Situation où des questions ou réponses d’un benchmark se retrouvent dans les données d’entraînement d’un modèle, ce qui gonfle artificiellement son score lors de l’évaluation.
Méthode publiée en 2023 qui ajoute un contrôle spatial précis à un modèle de diffusion, en le conditionnant sur des contours, une pose humaine, une carte de profondeur ou un croquis.
Assistant IA intégré directement dans un logiciel existant (traitement de texte, messagerie, tableur, éditeur de code) qui aide l’utilisateur dans sa tâche sans agir à sa place.
Plateforme logicielle et modèle de programmation créés par NVIDIA, qui permettent d’utiliser ses GPU pour du calcul généraliste, notamment l’entraînement et l’inférence de modèles d’IA.
Professionnel qui collecte, analyse et modélise des données pour en tirer des connaissances utiles et des prédictions, en combinant statistiques, programmation et compréhension du métier.
Date au-delà de laquelle les données d’entraînement d’un modèle s’arrêtent, de sorte qu’il ignore par lui-même les événements, publications et évolutions survenus ensuite.
Mesure de la vitesse de génération d’un modèle de langage, exprimée en tokens produits par seconde, pour une réponse donnée ou pour l’ensemble d’un serveur.
Technique d’accélération de l’inférence où un petit modèle rapide propose plusieurs tokens à l’avance, que le grand modèle vérifie ensuite en une seule passe.
Sous-domaine du machine learning qui utilise des réseaux de neurones comportant de nombreuses couches successives pour apprendre des représentations de plus en plus abstraites à partir de données brutes.
Contenu vidéo, audio ou image falsifié par IA de façon réaliste, qui fait dire ou faire à une personne réelle quelque chose qu’elle n’a jamais dit ni fait.
Situation dans laquelle une organisation devient si dépendante d’un fournisseur de technologie qu’en changer serait coûteux, long ou techniquement difficile.
Méthode d’optimisation qui ajuste pas à pas les paramètres d’un modèle dans la direction qui fait le plus diminuer la fonction de perte, d’après la pente calculée localement.
Technique de compression où un modèle plus petit, l’élève, apprend à reproduire les sorties d’un modèle plus grand, l’enseignant, pour obtenir des performances proches à moindre coût.
Ensemble d’exemples, textes, images, sons ou tableaux, à partir desquels un modèle d’IA apprend à reconnaître des régularités et à produire des réponses.
Toute information se rapportant à une personne physique identifiée ou identifiable, directement comme un nom ou une photo, ou indirectement par recoupement d’éléments comme un identifiant ou une localisation.
Données produites artificiellement, par un modèle d’IA ou une simulation, plutôt que collectées dans le monde réel, et utilisées pour entraîner, ajuster ou évaluer des modèles.
Méthode d’alignement qui ajuste directement un modèle de langage sur des paires de réponses préférée et rejetée, sans modèle de récompense explicite ni boucle d’apprentissage par renforcement.
Ensemble des questions juridiques posées par l’IA en matière de propriété intellectuelle, notamment l’usage d’œuvres protégées pour l’entraînement et le statut des contenus générés par des modèles.
Représentation d’un texte, d’une image ou d’un autre contenu sous forme de liste de nombres, un vecteur, construite pour que des contenus de sens proche aient des vecteurs proches.
Attaque qui consiste à introduire des données falsifiées ou piégées dans le corpus d’entraînement ou les sources d’un modèle d’IA, afin d’altérer son comportement de façon durable ou ciblée.
Ensemble des impacts sur l’environnement liés au cycle de vie des systèmes d’IA, de la fabrication du matériel à l’entraînement et à l’utilisation des modèles : énergie, eau, émissions, ressources minérales.
Passage complet de l’ensemble des données d’entraînement à travers un modèle pendant l’apprentissage, un entraînement pouvant en compter une seule ou plusieurs.
Espace mathématique compressé dans lequel un modèle représente les données sous forme de vecteurs, en conservant leurs caractéristiques essentielles et leurs ressemblances.
Ensemble de tests conçus pour mesurer de façon systématique la qualité, la fiabilité et la sécurité des réponses d’un modèle ou d’une application d’IA sur des tâches précises.
Capacité d’un système d’IA à fournir, pour une décision ou une prédiction donnée, une justification compréhensible par les personnes concernées, comme les utilisateurs, les clients ou les régulateurs.
Quantité maximale de texte, mesurée en tokens, qu’un modèle peut prendre en compte en une seule fois, incluant les instructions, la conversation, les documents fournis et sa réponse.
Marque, visible ou invisible, intégrée dans un texte, une image, un son ou une vidéo afin de signaler son origine, en particulier lorsqu’il a été généré par une IA.
Technique qui poursuit l’entraînement d’un modèle déjà pré-entraîné sur un jeu de données plus restreint, afin de modifier ses poids et de l’adapter à une tâche, un domaine ou un style.
Unités de mesure du calcul : le FLOP compte des opérations sur des nombres à virgule flottante, tandis que les FLOPS mesurent combien une machine en effectue par seconde.
Formule mathématique qui mesure l’écart entre les prédictions d’un modèle et les résultats attendus, et dont l’entraînement cherche à réduire la valeur au minimum.
Analyse automatisée de grands volumes de textes et de données pour en extraire des informations, encadrée en Europe par une exception au droit d’auteur prévue par la directive (UE) 2019/790.
Architecture d’apprentissage profond où deux réseaux s’affrontent : un générateur qui fabrique de fausses données et un discriminateur qui tente de les distinguer des vraies.
Mécanismes de contrôle placés autour d’un modèle d’IA pour filtrer ses entrées et ses sorties, encadrer ses actions et empêcher les réponses ou comportements jugés dangereux ou hors sujet.
Usage de modèles d’IA générative pour composer de la musique, sous forme de partition ou directement d’audio, à partir d’un texte, d’une mélodie ou d’un style.
Ensemble des règles, rôles, processus et contrôles qu’une organisation met en place pour encadrer le choix, le déploiement et l’usage de l’intelligence artificielle.
Sigle de Generative Pre-trained Transformer, nom d’une famille de modèles de langage développés par OpenAI, souvent employé par extension pour désigner n’importe quel assistant conversationnel.
Processeur composé de milliers de petits cœurs de calcul travaillant en parallèle, conçu à l’origine pour l’affichage graphique et devenu central pour entraîner et exécuter l’IA.
Réponse produite par un modèle d’IA qui paraît plausible et assurée, mais qui contient des informations fausses, inventées ou non étayées par ses sources.
Principe de conception qui prévoit une intervention humaine à des étapes clés d’un système d’IA, pour valider, corriger ou refuser une décision avant qu’elle ne produise ses effets.
Réglages fixés par les concepteurs pour encadrer l’entraînement d’un modèle, comme le taux d’apprentissage, la taille des lots ou le nombre d’époques, et qui ne sont pas appris à partir des données.
Ensemble des approches et systèmes d’IA conçus pour agir avec un certain degré d’autonomie, en enchaînant décisions et actions vers un objectif plutôt qu’en répondant ponctuellement.
IA exécutée directement sur un appareil, comme un smartphone, une caméra, une voiture ou un capteur industriel, plutôt que dans un centre de données distant.
Exécution d’un modèle d’IA directement sur son propre ordinateur ou serveur, sans envoyer les données à un service distant, généralement grâce à un modèle open weights.
Catégorie de systèmes d’intelligence artificielle capables de produire des contenus nouveaux, comme du texte, des images, du son, de la vidéo ou du code, à partir d’une consigne.
Système d’IA publié avec les libertés de l’utiliser, de l’étudier, de le modifier et de le partager, ce qui suppose l’accès aux poids, au code et à des informations suffisantes sur les données d’entraînement.
Démarche de conception, de déploiement et d’usage des systèmes d’IA qui intègre l’équité, la transparence, la sécurité, le respect de la vie privée, la responsabilité humaine et l’impact environnemental.
Approche de l’intelligence artificielle qui représente les connaissances sous forme de symboles et de règles logiques explicites, manipulés par des raisonnements définis par des humains.
Phase où un modèle d’IA déjà entraîné est utilisé pour produire un résultat, comme une réponse, une prédiction ou une image, à partir de nouvelles données.
Discipline qui consiste à sélectionner, organiser et mettre à jour l’ensemble des informations fournies à un modèle à chaque appel : instructions, documents, historique, mémoire et résultats d’outils.
Professionnel qui conçoit, intègre et met en production des systèmes fondés sur l’intelligence artificielle, du choix du modèle jusqu’à son fonctionnement fiable dans les outils du quotidien.
Attaque qui consiste à dissimuler des instructions malveillantes dans un contenu traité par un système d’IA, comme une page web, un document ou un courriel, afin d’en détourner le comportement.
Technique de génération qui modifie ou remplace uniquement une zone sélectionnée d’une image, en harmonisant le résultat avec le reste de la scène.
Étape de fine-tuning supervisé où un modèle pré-entraîné apprend, sur des paires consigne-réponse, à comprendre et exécuter des instructions formulées en langage naturel.
Réglage proposé par de nombreux assistants IA qui permet d’enregistrer des préférences durables, comme le ton, la langue ou le contexte professionnel, appliquées automatiquement à chaque nouvelle conversation.
Domaine de l’informatique qui conçoit des systèmes capables d’accomplir des tâches associées à l’intelligence humaine, comme comprendre le langage, reconnaître des images, raisonner ou prendre des décisions.
Domaine de recherche qui cherche à comprendre le fonctionnement interne d’un modèle d’IA, c’est-à-dire ce que représentent ses neurones et paramètres et comment ils produisent une réponse donnée.
Technique par laquelle un utilisateur rédige lui-même des requêtes trompeuses pour pousser un modèle d’IA à contourner ses propres règles de sécurité et à produire un contenu normalement refusé.
Portions de données mises de côté pendant l’entraînement, servant d’abord à régler le modèle (validation), puis à mesurer une seule fois sa performance finale sur des exemples jamais vus (test).
Délai d’attente entre l’envoi d’une requête à un modèle d’IA et l’arrivée de la réponse, souvent mesuré par le temps avant l’affichage du premier token.
Plafond fixé par un fournisseur d’API sur le nombre de requêtes ou de tokens qu’un client peut envoyer pendant une période donnée, par exemple par minute.
Technique d’IA qui anime les lèvres et le bas du visage d’une personne ou d’un personnage pour qu’ils correspondent exactement à une piste audio donnée.
Modèle d’IA entraîné sur d’immenses volumes de texte à prédire la suite d’une séquence, ce qui lui permet de rédiger, résumer, traduire, répondre à des questions ou écrire du code.
Méthode d’évaluation qui confie à un grand modèle de langage le soin de noter ou de comparer les réponses produites par un autre système d’IA, selon des critères écrits.
Scores bruts, non normalisés, qu’un modèle produit pour chaque token de son vocabulaire avant leur conversion en probabilités par une fonction softmax.
Relations empiriques selon lesquelles les performances d’un modèle s’améliorent de façon prévisible lorsque l’on augmente la puissance de calcul, la quantité de données et le nombre de paramètres.
Méthode de fine-tuning économe qui gèle les poids d’origine d’un modèle et n’entraîne que de petites matrices de bas rang ajoutées à certaines de ses couches.
Branche de l’intelligence artificielle dans laquelle un programme apprend à accomplir une tâche à partir d’exemples, au lieu de suivre des règles entièrement écrites par un développeur.
Protocole ouvert qui standardise la connexion entre des applications d’IA et des outils ou sources de données externes, grâce à des serveurs exposant outils, ressources et modèles de prompts.
Opération au cœur des Transformers qui permet à chaque token de pondérer l’importance de tous les autres tokens de la séquence pour construire sa représentation en contexte.
Fonctionnalité qui permet à un assistant IA de conserver des informations d’une conversation à l’autre, comme des préférences ou des faits sur l’utilisateur, pour personnaliser ses réponses futures.
Prompt dont l’objet est de faire rédiger, améliorer ou évaluer un autre prompt par un modèle d’IA, plutôt que de produire directement le contenu final.
Optimisation qui réutilise le traitement déjà effectué sur le début identique d’un prompt d’une requête à l’autre, afin de réduire le coût et la latence des appels suivants.
Ensemble de pratiques et d’outils qui industrialisent le cycle de vie des modèles d’IA, du développement au déploiement, puis à la surveillance et à la mise à jour en production.
Architecture de réseau de neurones qui traite une séquence en mettant à jour un état interne de taille fixe, avec un coût qui croît linéairement avec la longueur du texte.
Modèle dont les paramètres entraînés, appelés poids, sont publiés et téléchargeables, ce qui permet de l’exécuter, de l’héberger et de l’adapter soi-même, selon les conditions de sa licence.
Modèle qui génère une séquence élément par élément, chaque nouveau token étant prédit à partir de tous ceux qui le précèdent, y compris ceux qu’il vient lui-même de produire.
Programme issu d’un entraînement sur des données, qui transforme une entrée, comme un texte ou une image, en une sortie, comme une prédiction, une catégorie ou un contenu généré.
Catégorie de l’AI Act désignant les modèles d’IA, souvent entraînés sur de très grands volumes de données, capables d’accomplir un large éventail de tâches et d’être intégrés dans de nombreuses applications.
Modèle génératif qui apprend à retirer progressivement le bruit d’une donnée, afin de créer à partir d’un bruit aléatoire une image, une vidéo ou un son cohérent.
Grand modèle pré-entraîné sur des données massives et variées, conçu pour être adapté ensuite à de nombreuses tâches plutôt que pour un usage unique.
Modèle d’IA généraliste qui se situe à la pointe des capacités disponibles à un moment donné, issu d’entraînements parmi les plus coûteux du secteur.
Modèle de langage entraîné à produire un raisonnement intermédiaire, souvent appelé réflexion ou thinking, avant de formuler sa réponse finale, afin de mieux traiter les problèmes complexes.
Modèle entraîné à attribuer un score à une réponse de façon à prédire la préférence humaine, puis utilisé comme signal de récompense pour entraîner ou filtrer un autre modèle.
Représentation interne, apprise par un système d’IA, de la façon dont son environnement fonctionne et évolue, qui lui permet de prédire les conséquences d’actions ou d’événements.
Processus de détection et de traitement des contenus illicites, dangereux ou contraires aux règles d’un service, réalisé par des humains, des systèmes automatiques ou une combinaison des deux.
Architecture dans laquelle certaines couches sont divisées en plusieurs sous-réseaux, appelés experts, dont seul un petit nombre est activé pour chaque token par un mécanisme de routage.
Caractéristique d’un modèle ou d’un système d’IA capable de traiter ou de produire plusieurs types de données, appelés modalités, comme le texte, l’image, l’audio ou la vidéo.
Approches qui permettent de créer des applications, des automatisations ou des agents IA au moyen d’interfaces visuelles et de briques préfabriquées, avec peu (low-code) ou pas (no-code) de programmation.
Composant intégré à de nombreux smartphones et ordinateurs portables récents, spécialisé dans l’exécution économe en énergie des calculs d’IA directement sur l’appareil.
Règles de l’AI Act, prévues à son article 50, qui imposent d’informer les personnes lorsqu’elles interagissent avec une IA ou sont exposées à des contenus générés ou manipulés artificiellement.
Couche logicielle qui coordonne les appels à un ou plusieurs modèles, outils et agents : ordre des étapes, transmission des données, gestion des erreurs, reprises et journalisation.
Technique de génération qui prolonge une image au-delà de ses bords d’origine, en inventant un décor cohérent avec le contenu existant.
Valeurs numériques internes d’un modèle d’IA, ajustées pendant l’entraînement, qui déterminent comment il transforme une entrée en sortie et stockent ce qu’il a appris.
Comportement d’un système entraîné par renforcement qui exploite les failles ou imperfections de son signal de récompense pour obtenir un bon score sans accomplir réellement la tâche voulue.
Expérimentation courte et limitée qui vérifie qu’une solution, par exemple fondée sur l’IA, fonctionne réellement sur un cas d’usage donné avant d’engager un projet complet.
Usages de l’IA jugés contraires aux valeurs et droits fondamentaux de l’Union européenne, et donc interdits par l’article 5 de l’AI Act depuis le 2 février 2025.
Première phase d’entraînement, la plus longue et la plus coûteuse, au cours de laquelle un modèle acquiert des connaissances générales à partir d’un très grand volume de données non annotées.
Paire de mesures d’évaluation : la précision indique la part des éléments signalés qui sont réellement pertinents, le rappel la part des éléments pertinents que le système a effectivement retrouvés.
Texte, question ou consigne qu’une personne adresse à un modèle d’IA générative pour obtenir une réponse, un contenu ou une action.
Technique qui demande au modèle d’adopter un rôle ou une identité précise, par exemple juriste, professeur ou relecteur, pour orienter son vocabulaire, son niveau de détail et son ton.
Professionnel chargé de concevoir, tester et améliorer les instructions données aux modèles d’IA générative afin d’obtenir des résultats fiables et adaptés à un usage précis.
Pratique qui consiste à concevoir, tester et améliorer les instructions données à un modèle d’IA afin d’obtenir des réponses plus fiables, pertinentes et reproductibles.
Texte indiquant à un générateur d’images ou de vidéos les éléments, défauts ou styles à éviter dans le résultat, en complément du prompt principal.
Instructions placées en amont d’une conversation, généralement par le développeur ou l’éditeur, qui fixent le rôle, le ton, les règles et les limites d’un assistant IA.
Capacité de traitement mobilisée pour entraîner ou faire fonctionner des modèles d’IA, qui dépend du type de puces, de leur nombre et de leur durée d’utilisation.
Architecture qui, avant de générer une réponse, recherche dans une collection de documents les passages pertinents et les fournit au modèle de langage comme contexte.
Méthode d’agent dans laquelle un modèle de langage alterne explicitement étapes de raisonnement, actions sur des outils et observations des résultats, jusqu’à pouvoir répondre.
Mode de certains assistants IA qui mène de façon autonome une recherche en plusieurs étapes sur le web ou dans des documents, puis rédige un rapport synthétique avec ses sources.
Méthode de recherche qui retrouve des contenus selon leur sens et l’intention de la requête, plutôt que selon la présence exacte des mots-clés saisis.
Technologie qui transcrit automatiquement la parole, enregistrée ou captée par un micro, en texte écrit, en identifiant les mots prononcés malgré les accents et le bruit ambiant.
Pratique de test qui consiste à attaquer volontairement un système d’IA, comme le ferait un adversaire, afin de découvrir ses failles de sécurité et ses comportements indésirables avant les utilisateurs malveillants.
Tâche de machine learning qui consiste à prédire une valeur numérique continue, comme un prix, une température ou une durée, à partir de données d’entrée.
Étape qui réévalue et réordonne, avec un modèle plus précis, une liste de résultats issus d’une première recherche rapide, afin de ne conserver que les plus pertinents.
Modèle mathématique composé de nombreuses unités de calcul simples, organisées en couches et reliées entre elles, dont les connexions sont ajustées pendant l’entraînement pour accomplir une tâche.
Algorithme qui calcule efficacement, couche par couche en partant de la sortie, la contribution de chaque poids d’un réseau de neurones à l’erreur finale.
Règlement (UE) 2016/679, applicable depuis le 25 mai 2018, qui fixe les règles de collecte et d’utilisation des données personnelles dans l’Union européenne et les droits des personnes concernées.
Méthode d’alignement où des humains comparent des réponses d’un modèle, ces préférences entraînent un modèle de récompense, puis l’apprentissage par renforcement optimise le modèle pour maximiser cette récompense.
Méthode d’apprentissage par renforcement où la récompense provient d’une vérification automatique du résultat, comme des tests unitaires réussis ou une réponse mathématique exacte, plutôt que d’un jugement humain.
Rapport entre les gains obtenus grâce à un projet d’intelligence artificielle et l’ensemble des coûts engagés pour le concevoir, le déployer et le faire fonctionner dans la durée.
Technologie d’automatisation qui reproduit, au moyen de robots logiciels, les actions répétitives qu’une personne effectue sur des applications : clics, copier-coller, saisies et transferts de fichiers.
Nombre qui initialise le générateur aléatoire d’un modèle génératif et détermine le bruit de départ, ce qui permet de reproduire un résultat ou d’en obtenir des variantes.
Usage d’outils d’intelligence artificielle par des salariés sans validation ni encadrement de leur organisation, souvent au moyen de comptes personnels ou de services gratuits.
Modèle de langage de taille réduite, généralement de quelques centaines de millions à quelques milliards de paramètres, conçu pour tourner à moindre coût, y compris sur un ordinateur ou un téléphone.
Réponse d’un modèle d’IA contrainte à suivre un format machine prédéfini, le plus souvent un objet JSON conforme à un schéma, pour être exploitée directement par un programme.
Capacité d’un État, d’une organisation ou d’un ensemble comme l’Union européenne à maîtriser ses infrastructures, ses données et ses technologies, sans dépendance excessive envers des acteurs ou des législations étrangers.
Concept d’intelligence artificielle hypothétique dont les capacités dépasseraient largement celles des meilleurs humains dans la quasi-totalité des domaines intellectuels, y compris la science et la stratégie.
Situation où un modèle apprend trop fidèlement ses données d’entraînement, y compris leurs particularités et leur bruit, et perd sa capacité à bien fonctionner sur de nouvelles données.
Technologie qui convertit un texte écrit en parole audio, avec une voix de synthèse capable de reproduire l’intonation, le rythme et parfois l’émotion d’un locuteur humain.
Catégorie de l’AI Act regroupant les systèmes d’IA susceptibles d’affecter gravement la santé, la sécurité ou les droits fondamentaux, soumis pour cette raison à des obligations renforcées.
Architecture dans laquelle plusieurs agents IA, chacun doté d’un rôle, d’instructions ou d’outils propres, coopèrent ou se coordonnent pour accomplir une tâche commune.
Mode de facturation des modèles de langage accessibles par API, dans lequel le prix dépend du nombre de tokens envoyés en entrée et générés en sortie.
Paramètre de génération qui règle le degré d’aléa dans le choix des tokens : basse, elle rend les réponses plus prévisibles ; élevée, plus variées et surprenantes.
Expérience proposée par Alan Turing en 1950, dans laquelle un évaluateur humain converse par écrit avec une machine et un humain, puis doit déterminer lequel est la machine.
Tâche d’IA générative qui consiste à produire une image inédite à partir d’une description écrite, le prompt, en interprétant le sujet, le style et la composition demandés.
Tâche d’IA générative qui consiste à créer une courte séquence vidéo à partir d’une description écrite, en générant des images successives cohérentes dans le temps.
Unité élémentaire de texte manipulée par un modèle de langage, qui correspond selon le découpage à un mot, un morceau de mot, un signe de ponctuation ou un espace.
Étape qui découpe un texte en tokens et convertit chacun en identifiant numérique, à l’aide d’un outil appelé tokenizer, avant que le modèle puisse le traiter.
Méthode d’échantillonnage qui ne retient, à chaque étape, que les tokens les plus probables dont les probabilités cumulées atteignent un seuil p, puis tire le suivant parmi eux.
Puce spécialisée conçue par Google pour accélérer les calculs des réseaux de neurones, utilisée dans ses propres centres de données et proposée à la location via son offre cloud.
Domaine de l’intelligence artificielle consacré à la compréhension, à l’analyse et à la production du langage humain, écrit ou oral, par des machines.
Architecture de réseau de neurones fondée sur le mécanisme d’attention, introduite en 2017, qui sert de base à la plupart des grands modèles de langage actuels.
Réseau de neurones qui compresse une donnée en une représentation compacte et probabiliste, puis apprend à la reconstruire, ce qui permet aussi d’en générer de nouvelles.
Pratique de développement où une personne décrit en langage naturel ce qu’elle veut obtenir et laisse une IA écrire l’essentiel du code, souvent sans le relire en détail.
Domaine de l’intelligence artificielle qui permet aux machines d’analyser et d’interpréter des images ou des vidéos, par exemple pour reconnaître des objets, des visages ou du texte.
Modèle capable de traiter conjointement des images et du texte, pour décrire une photo, lire un document scanné, analyser un graphique ou répondre à des questions sur une scène.
Mémoire rapide intégrée à une carte graphique, qui stocke les paramètres du modèle et les données en cours de calcul ; sa capacité limite la taille des modèles exécutables.
