Premier de notre secteur certifié pour une IA responsable
En savoir plus →Le jargon de l'IA enfin décrypté
Bots, acronymes, concepts techniques : ce guide pratique les rend accessibles aux professionnels de la communication interne.
Affinage (Fine-Tuning) – Adaptation d'un modèle d'IA préentraîné à l'aide de données plus spécifiques afin d'améliorer ses performances pour une tâche donnée.
Agent intelligent – (Intelligent Agent) Entité autonome qui perçoit son environnement et agit pour atteindre des objectifs précis.
Algorithme – Suite d'instructions ou de règles qu'un ordinateur suit pour résoudre un problème ou exécuter une tâche.
Annotation des données – (Data Labeling) Processus qui consiste à associer des étiquettes ou des catégories à des données, comme des images ou des textes, afin qu'une IA puisse apprendre à partir de ces exemples.
Apprentissage non supervisé – (Unsupervised Learning) Approche du machine learning dans laquelle les modèles repèrent des schémas dans les données sans étiquettes ni instructions explicites.
Apprentissage par renforcement – (Reinforcement Learning) Méthode d'apprentissage par essais et erreurs, dans laquelle une IA reçoit des récompenses ou des pénalités en fonction de ses actions.
Apprentissage profond (Deep Learning) – Sous-domaine du machine learning qui s'appuie sur des réseaux de neurones à plusieurs couches pour modéliser des schémas complexes à partir de grands volumes de données.
Apprentissage supervisé – (Supervised Learning) Approche du machine learning dans laquelle les modèles sont entraînés à partir d'exemples annotés.
Apprentissage zero-shot – (Zero-Shot Learning) Capacité d'une IA à accomplir une tâche sans avoir vu d'exemple annoté pendant son entraînement, en généralisant à partir de données connexes.
Automatisation – (Automation) Utilisation de technologies pour exécuter des tâches sans intervention humaine, souvent pour gagner en rapidité, en précision et en efficacité.
Biais de l'IA – (Bias in AI) Phénomène par lequel une IA prend des décisions inéquitables ou faussées en raison de défauts dans ses données d'entraînement.
Big Data – Ensembles de données extrêmement volumineux que l'IA analyse pour détecter des tendances, des structures récurrentes ou en tirer des insights.
Chatbot – Programme d'IA conçu pour reproduire une conversation humaine, à l'écrit ou à l'oral.
Données annotées – (Labelled Data) Données assorties d'étiquettes ou de catégories, utilisées pour entraîner des modèles d'IA supervisés.
Données d'entraînement – (Training Data) Ensemble de données utilisé pour apprendre à un modèle d'IA à reconnaître des schémas ou à prendre des décisions.
Données synthétiques – (Synthetic Data) Données générées artificiellement pour entraîner ou tester des modèles d'IA lorsque les données réelles sont indisponibles ou sensibles.
Explicabilité – (Explainability (XAI)) Degré auquel les décisions d'une IA peuvent être comprises par les humains. Cette capacité est essentielle dans les secteurs à enjeux, comme la santé ou la finance.
GenAI (IA générative) – (GenAI (Generative AI)) Modèles d'IA capables de créer de nouveaux contenus, tels que des textes, des images ou de la musique, à partir de schémas appris dans des données existantes.
Génération augmentée par récupération – (Retrieval-Augmented Generation (RAG)) Méthode permettant à une IA de consulter des informations externes, telles que des documents, avant de générer une réponse.
Grand modèle de langage – (Large Language Model (LLM)) Type d'IA entraîné sur de très grands volumes de textes afin de comprendre et de générer du langage humain, comme ChatGPT.
Graphe de connaissances – (Knowledge Graph) Représentation structurée de l'information qui aide une IA à comprendre les liens entre des concepts ou des entités.
Hallucination (IA) – (Hallucination (in AI)) Phénomène par lequel une IA présente avec assurance des informations fausses, trompeuses ou inventées.
Humain dans la boucle – (Human-in-the-Loop) Approche dans laquelle des humains participent à l'entraînement, à la supervision ou à la correction d'une IA pour améliorer la qualité de ses résultats.
IA agentique – (Agentic AI) Systèmes d'IA capables de planifier, de décider et d'agir de manière autonome pour atteindre des objectifs précis. Ils s'appuient sur une mémoire, des capacités de raisonnement et des outils, souvent avec une supervision humaine limitée.
IA en périphérie (Edge AI) – IA qui traite les données directement sur des appareils locaux, comme des téléphones ou des capteurs, plutôt que de les envoyer vers des serveurs cloud.
IA éthique – (Ethical AI) Principes et pratiques visant à concevoir et à utiliser des systèmes d'IA de façon équitable, transparente et responsable, dans le respect des valeurs humaines.
IA explicable (XAI) – (Explainable AI (XAI)) Systèmes d'IA conçus pour rendre leurs décisions et leur fonctionnement compréhensibles par les humains.
IA générative – (Generative AI) IA capable de produire des contenus originaux en analysant et en reproduisant les schémas qu'elle a appris.
Inférence – (Inference) Étape durant laquelle un modèle d'IA mobilise ce qu'il a appris pour formuler des prédictions ou prendre des décisions.
Ingénierie des prompts – (Prompt Engineering) Méthode qui consiste à formuler des instructions, ou prompts, de manière à aider un modèle d'IA à produire des réponses plus pertinentes ou plus exactes.
Intelligence artificielle (IA) – (Artificial Intelligence (AI)) Technologie qui permet aux machines d'accomplir des tâches faisant habituellement appel à l'intelligence humaine, comme apprendre, raisonner ou prendre des décisions.
Jupyter Notebook – Outil fréquemment utilisé par les data scientists pour écrire et tester du code Python, notamment dans le cadre de projets d'IA et de machine learning.
Machine learning (ML) – Branche de l'IA dans laquelle les machines apprennent à partir de données et améliorent progressivement leurs performances, sans avoir été explicitement programmées pour chaque tâche.
Modèle – (Model) Algorithme entraîné pour analyser des données et formuler des prédictions ou prendre des décisions.
Modèle de fondation – (Foundation Model) Grand modèle d'IA généraliste, comme un grand modèle de langage, qui peut être adapté à de nombreuses tâches.
Poids – (Weights) Valeurs numériques d'un réseau de neurones qui déterminent la manière dont les données sont traitées et influencent les prédictions du modèle.
Préentraînement – (Pre-training) Phase d'entraînement initiale durant laquelle un modèle d'IA apprend des schémas généraux à partir de grands volumes de données.
Quantification – (Quantization) Technique qui réduit la taille des modèles d'IA pour les rendre plus rapides et plus efficaces, notamment sur les appareils mobiles ou embarqués.
Représentation vectorielle – (Vector Embedding) Méthode qui représente des mots ou des concepts sous forme de vecteurs numériques afin qu'une IA puisse comparer et comprendre leur sens.
Réseau de neurones – (Neural Network) Type de modèle d'IA inspiré du cerveau humain, composé de couches de neurones artificiels interconnectés qui traitent l'information.
Sous-apprentissage – (Underfitting) Phénomène qui se produit lorsqu'un modèle est trop simple pour identifier les schémas présents dans les données, ce qui limite ses performances.
Surapprentissage – (Overfitting) Phénomène dans lequel un modèle d'IA obtient de bons résultats sur ses données d'entraînement, mais ne parvient pas à généraliser ses acquis à des données nouvelles qu'il n'a jamais vues.
Test de Turing – (Turing Test) Test visant à déterminer si une machine peut manifester un comportement impossible à différencier de celui d'un humain.
Traitement automatique du langage naturel – (Natural Language Processing (NLP)) Capacité des ordinateurs à comprendre, à interpréter et à générer du langage humain.
Vision par ordinateur – (Computer Vision) Domaine de l'IA qui permet aux machines d'interpréter et de comprendre des contenus visuels, comme des photos ou des vidéos.
YOLO (You Only Look Once) – Algorithme répandu de détection d'objets en temps réel, utilisé en vision par ordinateur.