62 mots, classés, définis, illustrés d'analogies du quotidien. Le vocabulaire dont vous avez besoin pour décider, débattre et déployer l'IA dans votre organisation, sans laisser le sujet aux seuls techs.
Essayez un autre mot, ou réinitialisez les filtres pour voir tout le lexique.
Famille de systèmes informatiques capables d'apprendre, raisonner ou générer à partir de données.
Sous-ensemble de l'IA où la machine apprend des patterns à partir d'exemples, plutôt que d'être programmée règle par règle.
Branche du machine learning qui utilise des réseaux de neurones organisés en plusieurs couches.
Modèle de langage entraîné sur des milliards de mots, capable de comprendre et générer du texte cohérent.
Le résultat d'un entraînement : un fichier qui contient les milliards de paramètres appris, et qui peut ensuite répondre à vos questions.
Variable interne du modèle, ajustée pendant l'entraînement, qui contribue à ses réponses. Les grands modèles en comptent des milliards.
Unité que le modèle manipule quand il lit ou écrit. Ce n'est pas un mot, ni une lettre : c'est un fragment, parfois un mot court, parfois un morceau de mot.
Phase pendant laquelle le modèle ajuste ses milliards de paramètres en lisant d'énormes corpus de données.
Utilisation du modèle après entraînement. Chaque question que vous lui posez déclenche une inférence.
Corpus de données qui sert à entraîner ou évaluer un modèle.
Ce sont trois cercles concentriques, pas trois mots interchangeables.
Famille d'IA qui produit du contenu nouveau : texte, image, son, vidéo, code.
L'instruction que vous donnez au modèle pour obtenir une réponse.
Instruction de fond qui cadre le comportement du modèle pour toute une conversation : son rôle, son ton, ses limites.
Tout ce que vous donnez au modèle en plus du prompt : documents, exemples, historique de conversation, données.
Quantité maximum de tokens que le modèle peut traiter en une fois : votre prompt, vos documents, l'historique de la conversation, tout compris.
Information inventée par le modèle, présentée avec aplomb comme si elle était vraie.
Réglage qui contrôle le degré de créativité du modèle dans ses réponses.
Technique consistant à donner au modèle quelques exemples de ce que vous attendez, directement dans le prompt.
À l'inverse, demander au modèle d'exécuter une tâche sans aucun exemple, en se reposant uniquement sur ses connaissances internes.
Technique qui pousse le modèle à raisonner étape par étape avant de conclure.
Discipline historique qui regroupe toutes les méthodes informatiques pour traiter le langage humain : analyser, traduire, résumer, classer.
L'art et la science de formuler des prompts qui sortent le meilleur du modèle.
Architecture inventée par des chercheurs de Google en 2017 (papier Attention is All You Need), qui fonde tous les LLM actuels.
Représentation numérique d'un mot, d'une phrase ou d'un document sous forme d'une longue liste de nombres.
Le processus qui transforme du texte en embeddings, pour le rendre interrogeable par similarité de sens.
Base de données spécialisée dans le stockage et la recherche d'embeddings.
Spécialiser un modèle généraliste sur un domaine ou un style précis, en le réentraînant sur des données ciblées.
Méthode d'entraînement où des humains classent les réponses du modèle pour lui apprendre à préférer celles qui sont utiles, honnêtes et inoffensives.
Technique où l'IA va d'abord chercher dans vos documents, puis répond en s'appuyant sur ce qu'elle a trouvé.
Architecture où le modèle est composé de plusieurs « experts » spécialisés, dont seuls quelques-uns s'activent à chaque requête.
Interface technique par laquelle une application utilise un modèle ou un service à distance.
Processeur spécialisé conçu à l'origine pour le rendu graphique, devenu le cheval de bataille de l'entraînement et de l'inférence des modèles d'IA.
Les deux servent à adapter un modèle à votre métier. Mais ils ne s'utilisent pas dans les mêmes cas.
IA qui ne se contente pas de répondre, mais qui exécute des tâches : interroger des outils, prendre des décisions, enchaîner des actions vers un objectif.
Agent capable de planifier, agir, observer le résultat et ajuster, sans intervention humaine à chaque étape.
Capacité du modèle à utiliser des outils externes pour accomplir une tâche : calculer, chercher sur le web, interroger une base, envoyer un mail.
Mécanisme technique qui permet au modèle d'appeler une fonction de votre code de manière structurée et fiable.
Protocole standardisé, publié par Anthropic en novembre 2024, qui connecte une IA à vos outils (Slack, Notion, votre CRM, vos fichiers) sans intégration sur mesure.
Compétence packagée et réutilisable qu'on greffe à un agent : « rédiger un brief client », « générer un rapport hebdo », « auditer un document ».
Coordination de plusieurs agents ou modèles qui collaborent sur une tâche complexe.
Processus automatisé où un ou plusieurs agents exécutent une chaîne d'étapes : déclencheur, analyse, action, validation, restitution.
Capacité d'un agent à piloter un navigateur web : cliquer, remplir, comparer, extraire.
Pousse le browser-use plus loin : l'agent prend le contrôle de l'écran, du clavier et de la souris pour utiliser n'importe quel logiciel.
Assistant IA intégré à un logiciel existant, qui propose, suggère, complète, mais laisse l'humain aux commandes.
Trois mots souvent confondus, trois niveaux d'autonomie très différents.
Préjugés présents dans les données d'entraînement, reproduits puis amplifiés par le modèle.
Effort pour faire en sorte que les modèles agissent conformément aux intentions et aux valeurs humaines.
Discipline qui étudie les risques des systèmes d'IA et les méthodes pour les éviter, depuis la robustesse technique jusqu'aux risques systémiques.
Équipe interne ou externe chargée d'attaquer un modèle pour découvrir ses failles avant que d'autres ne les exploitent.
Technique pour contourner les garde-fous d'un modèle et lui faire produire du contenu qu'il devrait refuser.
Attaque où un texte caché dans un document, un mail ou une page web détourne le comportement de votre IA à l'insu de l'utilisateur.
Règlement européen sur l'IA, entré en vigueur le 1er août 2024, applicable progressivement jusqu'au 2 août 2027.
Capacité d'une organisation ou d'un pays à maîtriser ses données, ses modèles et ses dépendances technologiques.
Principe consistant à intégrer la protection des données personnelles dès la conception d'un système IA, pas en pansement après coup.
Coût énergétique de l'entraînement et de l'inférence des modèles, mesuré en consommation électrique et en émissions de CO2.
Marquage invisible inséré dans un contenu généré par IA (texte, image, audio) pour permettre, plus tard, d'identifier qu'il vient d'une IA.
Deux paires sémantiques qui se confondent souvent, et qu'il faut absolument distinguer pour piloter sans angle mort.
Application concrète de l'IA à un problème métier identifié.
Retour sur investissement d'un projet IA. Souvent surévalué dans les promesses, sous-estimé dans la mise en œuvre.
Usage non encadré de l'IA par les collaborateurs, en dehors de tout cadre officiel.
Intégration réelle de l'IA dans les pratiques quotidiennes des équipes.
Conduite du changement spécifique aux projets IA : peurs, postures professionnelles, redéfinition des rôles.
Ensemble cohérent d'outils IA déployés dans l'organisation : assistant généraliste, outils métiers spécialisés, agents internes, gouvernance.
Niveau de culture IA des équipes : comprendre, questionner, exploiter, refuser à bon escient.
Architecture où un humain valide, corrige ou tranche aux étapes sensibles d'un workflow IA.
Téléchargez la version PDF : 62 termes, 4 encarts, mise en page sous identité Afervescence. À imprimer, à partager en formation, à glisser dans vos onboardings IA.