« L'IA » n'est pas
une seule chose.

• Agentic

  Agents et automatisation

  Qualifie un système d'IA qui enchaîne des actions de façon autonome — recherche sur le web, exécution de code, appel d'API — pour accomplir une tâche complexe. Le modèle planifie et décide des étapes successives, au lieu de simplement répondre à une question.

• Base vectorielle

  Données et recherche

  Base de données spécialisée pour stocker et interroger des embeddings. Au lieu de chercher par mot-clé exact, elle retrouve les documents dont le sens est le plus proche d'une requête. Indispensable dans les architectures RAG.

• Benchmark

  Général

  Protocole de test standardisé pour mesurer les performances d'un modèle sur des tâches précises : raisonnement mathématique, code, compréhension de texte. Un bon score ne garantit pas que le modèle soit adapté à votre usage spécifique.

• Diffusion

  Image et vidéo

  Famille de modèles qui génèrent des images en partant d'un bruit aléatoire et en le « débruitant » progressivement jusqu'à obtenir une image cohérente. Stable Diffusion, Midjourney et DALL-E reposent sur ce principe, qui s'étend désormais à la vidéo et à l'audio.

• Embedding

  Données et recherche

  Représentation numérique (un vecteur de centaines ou milliers de chiffres) d'un texte, d'une image ou d'un son, qui capture sa « signification ». Deux phrases proches par le sens auront des embeddings proches dans cet espace. C'est la brique de base de la recherche sémantique et du RAG.

• Fenêtre de contexte

  Génération de texte

  Nombre maximum de tokens qu'un modèle peut traiter en une seule fois, incluant la conversation et les documents fournis. Au-delà de cette limite, le modèle ne « voit » plus ce qui est trop loin en arrière ; cette limite varie de quelques milliers à plusieurs millions de tokens selon les modèles.

• Fine-tuning

  Génération de texte

  Technique qui consiste à reprendre un modèle entraîné sur des données générales et à le ré-entraîner sur un ensemble de données spécialisé, afin de l'adapter à un domaine ou un style particulier. Moins coûteux qu'entraîner un modèle depuis zéro.

• GPU

  Général

  Processeur graphique, initialement conçu pour les jeux vidéo, devenu le matériel de référence pour entraîner et faire tourner des modèles d'IA. Ses milliers de cœurs parallèles sont idéaux pour les calculs matriciels qui sous-tendent les réseaux de neurones.

• Hallucination

  Génération de texte

  Phénomène où un LLM génère une information fausse présentée avec assurance — une citation inventée, un fait erroné. Ce n'est pas un bug entièrement corrigeable : le modèle prédit ce qui semble plausible, sans accès à une mémoire factuelle fiable.

• Inférence

  Général

  Phase d'utilisation d'un modèle déjà entraîné : vous lui soumettez une entrée et il produit une sortie. S'oppose à la phase d'entraînement. La vitesse et le coût de l'inférence déterminent ce qu'il est viable de déployer en production.

• LLM

  Génération de texte

  Acronyme de « Large Language Model » (grand modèle de langage). Un LLM est un logiciel entraîné sur d'immenses volumes de texte pour prédire et générer des suites de mots cohérentes. ChatGPT, Claude et Gemini sont des exemples de produits construits sur des LLM.

• Mémoire (agent)

  Agents et automatisation

  Mécanisme qui permet à un agent IA de conserver des informations entre plusieurs sessions ou étapes : résultats intermédiaires, documents récupérés, préférences de l'utilisateur. Sans mémoire explicite, un LLM repart de zéro à chaque échange.

• Modèle fondation

  Général

  Grand modèle généraliste entraîné sur des données massives, qui sert de point de départ à de nombreuses applications. GPT-4, Claude et Llama sont des modèles fondation : on les spécialise ensuite par fine-tuning ou par prompting selon l'usage.

• Multimodal

  Image et vidéo

  Qualifie un modèle capable de traiter plusieurs types de données à la fois : texte, image, audio, voire vidéo. Un modèle multimodal peut décrire le contenu d'une photo ou répondre à une question posée à partir d'un graphique.

• Open weights

  Général

  Un modèle dont les paramètres (les milliards de chiffres appris à l'entraînement) sont publiés, permettant à chacun de l'exécuter et de l'adapter. Llama de Meta est un exemple. À distinguer du vrai « open source » qui inclut aussi les données et le code d'entraînement.

• Prompt

  Génération de texte

  Le texte que vous envoyez à un modèle pour lui donner une instruction ou poser une question. La façon dont le prompt est formulé influence fortement la qualité de la réponse, d'où la discipline du « prompt engineering ».

• Quantization

  Général

  Technique de compression qui réduit la précision des nombres utilisés par un modèle pour diminuer la mémoire nécessaire et accélérer l'inférence. Permet de faire tourner de grands modèles sur du matériel modeste, avec une légère perte de qualité.

• RAG

  Données et recherche

  Acronyme de « Retrieval-Augmented Generation ». Technique qui connecte un LLM à une base documentaire : avant de répondre, le système recherche les passages pertinents et les fournit au modèle, ce qui réduit les hallucinations sur des données spécifiques. Très répandu en entreprise.

• Réseau de neurones

  Général

  Famille d'algorithmes constitués de couches de calculs interconnectés qui apprennent à reconnaître des schémas dans les données. La quasi-totalité des systèmes d'IA actuels — LLM, modèles de diffusion, reconnaissance vocale — sont des réseaux de neurones.

• RLHF

  Génération de texte

  Acronyme de « Reinforcement Learning from Human Feedback ». Technique qui aligne le comportement d'un LLM sur les préférences humaines : des annotateurs notent les réponses du modèle, et ces notes guident son amélioration. Utilisée dans la plupart des assistants grand public.

• Speech-to-text

  Audio et voix

  Aussi appelé reconnaissance vocale : technologie qui transcrit de l'audio parlé en texte. Utilisée dans les sous-titres automatiques, les assistants vocaux et les comptes-rendus de réunion. Whisper d'OpenAI est l'exemple open source le plus connu.

• Token

  Génération de texte

  Unité minimale que manipule un LLM : ni exactement un mot ni une lettre, mais un fragment de texte (souvent 3 à 4 caractères en moyenne). Le modèle lit et produit des tokens en séquence ; la taille maximale d'une conversation est exprimée en nombre de tokens.

• Transformer

  Génération de texte

  Architecture de réseau de neurones publiée en 2017, devenue la base de presque tous les grands modèles d'IA. Son mécanisme central, l'« attention », permet au modèle de peser l'importance relative de chaque élément — mot ou pixel — dans son contexte.

• TTS

  Audio et voix

  Acronyme de « Text-to-Speech » (synthèse vocale) : technologie qui convertit un texte écrit en parole. Les modèles récents produisent des voix difficiles à distinguer de l'humain, utilisées dans les assistants, les livres audio automatisés et les outils d'accessibilité.

• Zero-shot

  Général

  Capacité d'un modèle à accomplir une tâche sans recevoir d'exemple préalable dans le prompt. À l'inverse, le « few-shot » consiste à lui fournir quelques exemples pour le guider. Les grands modèles récents excellent en zero-shot sur un large éventail de tâches.

25 termes · 100 % côté client, sans collecte de données