Dans le domaine de l’intelligence artificielle, de nombreux concepts clés émergent. Voici un aperçu des notions essentielles à connaître, allant des instructions génératives aux modèles préentraînés, en passant par l’apprentissage automatique et l’IA générative. Ces technologies ont des applications variées, allant du traitement du langage à la création de contenus.
##A
Algorithme : Ensemble d’instructions ou de règles qu’un ordinateur suit pour effectuer une tâche particulière. En IA, les algorithmes sont utilisés pour traiter les données et prendre des décisions.
“Analogous task” : Proposer à un outil d’IA générative un problème similaire ou connexe comme guide pour résoudre un nouveau problème.
Apprentissage automatique (« Machine learning ») : Sous-domaine de l’IA dans lequel les systèmes informatiques apprennent et s’améliorent automatiquement sans être explicitement programmés. Ils utilisent des données et des algorithmes pour faire des prédictions et prendre des décisions.
Apprentissage non supervisé (« Unsupervised learning ») : Type d’apprentissage automatique dans lequel l’algorithme utilise des données non étiquetées et recherche des patterns et des structures sans connaissances ou cibles préalables. Cela peut aider à révéler des insights et à regrouper des données.
Apprentissage par renforcement (« Reinforcement learning ») : Type d’apprentissage automatique dans lequel un agent apprend à effectuer des actions dans un environnement pour atteindre un certain objectif. Il apprend grâce à des interactions répétées et à un retour d’information sous forme de récompenses et de punitions.
Apprentissage profond (« Deep learning ») : Sous-ensemble de l’apprentissage automatique dans lequel des algorithmes complexes fonctionnent avec plusieurs couches de réseaux neuronaux. L’apprentissage profond est utilisé pour des tâches telles que la reconnaissance d’images et la reconnaissance vocale.
Apprentissage semi-supervisé (« Semi-supervised learning ») : Combinaison de l’apprentissage supervisé et non supervisé, dans lequel l’algorithme est entraîné avec une petite quantité de données étiquetées et une grande quantité de données non étiquetées. L’algorithme peut classer des données inédites à l’aide des modèles appris.
Apprentissage supervisé (« Supervised learning ») Un type d’apprentissage automatique dans lequel l’algorithme est entraîné avec des données étiquetées qui fournissent la réponse souhaitée pour chaque entrée. L’objectif est d’apprendre une fonction capable de classer ou de prédire correctement de nouvelles données inédites.
##B
Biais : Dans le contexte de l’IA, le terme « biais » fait référence au phénomène selon lequel les algorithmes présentent des biais indésirables basés sur des facteurs tels que l’appartenance ethnique, le sexe ou d’autres caractéristiques démographiques. Cela peut conduire à des traitements injustes ou des inégalités.
Big data : Terme désignant des ensembles de données extrêmement vastes et complexes qui ne peuvent pas être facilement gérés, traités ou analysés à l’aide des méthodes traditionnelles de traitement des données. Les techniques d’IA sont souvent utilisées pour extraire des informations précieuses des big data.
##C
Chatbot : Programme d’IA capable de mener des conversations automatisées avec des utilisateurs, souvent par le biais de textes. Les chatbots peuvent répondre à des questions, fournir un service à la clientèle et effectuer des tâches basées sur le langage naturel.
Classification : Tâche dans laquelle l’IA est utilisée pour classer des objets, des textes ou des points de données dans différentes catégories ou classes. Par exemple, classer des images comme « chat » ou « chien ».
“Chain-of-density prompting” : Une technique d’incitation itérative utilisée pour générer des résumés de texte de plus en plus détaillés, en s’appuyant sur une vue d’ensemble générale et en incorporant progressivement des informations plus spécifiques.
“Chain-of-thought prompting” : Une technique de prompt où un outil d’IA génératrice retrace son chemin de l’entrée à la sortie, en énumérant le raisonnement derrière sa réponse étape par étape.
Contraintes : Paramètres ou limitations spécifiques qui orientent la sortie d’un outil d’IA générative vers un résultat particulier.
Contexte : Informations générales, détails ou lignes directrices qui éclairent la sortie d’un outil d’IA générative, en particulier son public, son objectif, son ton et sa structure.
Compréhension contextuelle : La capacité d’un outil d’IA générative à comprendre et à interpréter des informations dans un contexte spécifique.
##D
Délimiteurs : Symboles spéciaux (comme « », <> ou **) qui aident à différencier les différents éléments de votre saisie, tels que la tâche ou le contexte, en gardant les prompts ordonnés et en augmentant la probabilité d’une sortie utile.
Données (Data) : Informations collectées, telles que du texte, des images, des sons ou des vidéos. Les données sont utilisées pour entraîner les modèles d’IA.
Deepfakes : Forme de média synthétique qui se réfère spécifiquement à des contenus multimédias (vidéos, images, audio) générés par l’IA pour créer une illusion trompeuse de personnes ou de situations inexistantes. Les deepfakes sont souvent utilisés pour superposer le visage et la voix de personnes sur des vidéos existantes, créant ainsi des scénarios fictifs.
##E
Entraînement (« Training ») : Processus par lequel un modèle d’IA est alimenté en données afin de lui permettre d’apprendre et de l’optimiser. Le modèle s’adapte aux données et apprend à reconnaître des patterns.
Éthique de l’IA : L’éthique de l’IA concerne les implications morales et sociales de l’utilisation de l’intelligence artificielle. Cela inclut les questions de responsabilité, de vie privée et de transparence que les juristes doivent impérativement comprendre dans le cadre des questions juridiques liées à l’IA.
Évaluation : Les processus d’évaluation critique d’un résultat pour confirmer qu’il est exact, impartial, suffisant, pertinent et cohérent avec tout contexte ou prompt fourni.
##F
“Few-shot prompting” : Technique qui fournit au moins deux exemples ou références dans un prompt.
Format : Structure, mise en page ou présentation d’un résultat.
##G
“Generative AI” : Type d’intelligence artificielle capable de créer du nouveau contenu, tel que du texte, des images ou de la musique, en apprenant des modèles à partir de données existantes.
Génération d’images : Lorsqu’un outil d’IA produit des images à partir de descriptions textuelles ou d’autres données d’entrée.
“Greedy decoding” : “Prompting” dans laquelle les paramètres d’échantillonnage ont été définis pour garantir le résultat le plus probable.
##H
Hallucinations : En IA, une « hallucination » se réfère à une situation où un modèle génère des informations fausses ou non fondées, souvent en réponse à un prompt ou une question. Cela peut arriver quand l’IA « imagine » des détails ou des faits qui ne sont pas soutenus par les données sur lesquelles elle a été entraînée.
“Human-in-the-loop approach” (Approche avec intervention humaine) : Lorsqu’un humain réfléchit de manière critique à la manière dont il utilise, vérifie et perfectionne les outils d’IA générative et leurs résultats.
##I
“Input” : Données ou informations fournies au modèle d’IA pour générer une réponse ou un résultat souhaité.
Intelligence artificielle (IA – AI en anglais) : Capacité des machines à effectuer des tâches qui requièrent normalement l’intelligence humaine, telles que l’apprentissage, le raisonnement, la résolution de problèmes, la reconnaissance vocale, la reconnaissance d’images et la prise de décision.
Intelligence artificielle générative : Les modèles d’IA capables de produire de nouveaux contenus, tels que des images, des textes, des musiques ou des vidéos. Contrairement aux modèles classiques qui effectuent des tâches spécifiques, les IA génératives ont pour but de créer du contenu original en s’appuyant sur les schémas appris à partir de données d’entraînement. Ces modèles peuvent être utilisés pour générer des créations artistiques, des simulations ou des résultats divers en imitant le style et la structure des données fournies lors de leur apprentissage.
Intelligence générale artificielle (« Artificial General Intelligence » – AGI) : Forme d’intelligence artificielle similaire à l’intelligence humaine et capable d’effectuer un large éventail de tâches comme le ferait un être humain.
Interprétabilité de l’IA : La mesure dans laquelle un être humain peut comprendre comment un modèle d’IA prend ses décisions. L’interprétabilité est essentielle pour la confiance et l’éthique dans les applications d’IA.
Itération : Affinement continu des prompts pour améliorer la qualité des résultats générés par l’intelligence artificielle.
##L
“Long-context window” : Permet aux outils d’IA générative de conserver et d’utiliser davantage d’informations issues des interactions passées lors de la génération d’une réponse.
##M
Médias synthétiques : Contenus générés par ordinateur, tels que des images, des vidéos, des sons ou des textes, qui imitent des contenus réels. Ces médias sont produits à l’aide de techniques d’IA pour créer des résultats visuels ou auditifs très proches de la réalité.
“Meta-prompting” : La pratique de l’IA générative de « prompter » pour aider à la conception de prompts plus efficaces et performants.
Modalités : Différents supports de transmission d’informations, notamment du texte, des images, des vidéos ou du son, que vous pouvez combiner en entrées et en sorties.
“Multimodal prompting” : Technique qui inclut plusieurs modalités, telles que du texte, de l’audio et des images, dans un même prompt, et qui permet de transformer une modalité en une autre, comme la génération d’images à partir de texte ou de texte à partir de vidéo.
##O
“One-shot prompting” : Technique fournissant un exemple ou une référence unique dans un prompt.
“Output” : Réponse fournie par un modèle d’IA en fonction des données et informations fournies, ou entrée.
##P
Prédiction : Utilisation de l’IA pour prédire des résultats futurs sur la base de données historiques. Cela peut s’appliquer à différents domaines, tels que la finance ou les soins de santé.
Paramètres d’échantillonnage : Variables qui élargissent ou limitent le bassin de données parmi lesquelles un outil d’IA générative sélectionne et déterminent la probabilité des options individuelles au sein de ce bassin.
Persona : Rôle ou caractère que vous attribuez à un outil d’IA générative, en guidant son comportement, son ton et sa base de connaissances pour générer des réponses personnalisées répondant à vos besoins et objectifs spécifiques.
Prompt (Invocation) : Un prompt est une instruction ou une entrée spécifique donnée à un modèle de langage pour générer le comportement ou la réponse souhaitée. Elle est souvent utilisée dans les modèles linguistiques génératifs tels que ChatGPT pour générer du texte en fonction d’un contexte donné.
“Prompt chaining” : Processus consistant à s’appuyer sur des prompts interconnectées pour exploiter un éventail de fonctionnalités plus larges et plus complexes.
“Prompt framework” : La formule des meilleures pratiques en matière de « prompting » comprend les éléments suivants : Tâche, Contexte, Référence, Evaluation, Itération.
“Prompt generation strategies” : Stratégies pour générer un meta-prompt de A à Z.
“Prompt refinement strategies” : Stratégies pour améliorer les meta-prompts déjà conçues.
“Prompt versioning” : Suivi des différentes versions d’un prompt, permettant de les comparer ou de les affiner pour en améliorer l’efficacité.
##R
Références : Ressources complémentaires fournies à un outil d’IA générative, qui ressemblent ou se rapportent à un résultat souhaité.
Recherche d’architecture neuronale (« Neural architecture search ») : Processus dans lequel des algorithmes d’IA sont utilisés pour trouver l’architecture optimale d’un modèle de réseau neuronal, y compris le nombre de couches, le nombre de neurones par couche, etc. L’objectif est de créer des modèles plus performants.
Réseau neuronal : Algorithme informatique inspiré du fonctionnement du cerveau humain. Il se compose de plusieurs couches de neurones artificiels qui transmettent et traitent des informations pour comprendre des modèles complexes et faire des prédictions.
Réseaux antagonistes génératifs (« Generative Adversarial Networks » – GAN) : Ensemble de réseaux neuronaux qui travaillent ensemble pour générer de nouvelles données similaires à un lot d’apprentissage donné. Un réseau générateur tente de générer des données réalistes, tandis qu’un réseau discriminateur tente de distinguer les données réelles des données fictives.
Réseaux neuronaux convolutifs (« Convolutional Neural Networks » – CNN) : Type de réseau neuronal largement utilisé pour les tâches de reconnaissance d’images. Les CNN utilisent des couches convolutives pour détecter et apprendre les caractéristiques des images.
Robotique : Branche de l’IA qui s’occupe de la conception, de la construction et de la programmation de robots. Elle combine souvent d’autres techniques d’IA telles que l’apprentissage automatique et la vision par ordinateur pour aider les robots à réagir à leur environnement et à accomplir des tâches.
##O
Surajustement (« Overfitting ») : Phénomène qui se produit lorsqu’un modèle d’apprentissage automatique apprend trop de choses à partir des données d’entraînement et qu’il donne donc de mauvais résultats sur de nouvelles données inédites. Le modèle s’adapte trop aux données d’apprentissage et perd sa capacité de généralisation.
##T
Tâche : Action ou objectif qu’un outil d’IA générative est censé accomplir.
Température : Paramètre d’échantillonnage qui détermine le degré d’aléatoire du processus de sélection de l’IA générative. Une température plus élevée favorise une plus grande variation dans la sélection aléatoire de l’IA générative.
“Tokens” : Éléments fondamentaux du texte utilisés par les modèles d’IA pour traiter et comprendre le langage, qui peuvent être aussi petits qu’un seul caractère, un fragment de mot, voire plusieurs mots.
“Top-k value” : Paramètre d’échantillonnage qui détermine la probabilité totale combinée des jetons parmi lesquels l’IA effectue sa sélection.
“Top-p value” : Paramètre d’échantillonnage qui détermine la probabilité totale combinée des jetons parmi lesquels l’IA effectue sa sélection.“Tree-of-thought prompting” : Technique de prompting par laquelle l’IA générative affiche simultanément plusieurs résultats possibles à un prompt.
Traitement du langage naturel (« Natural Language Processing » – NLP) : Sous-domaine de l’IA qui se concentre sur l’interaction entre les ordinateurs et le langage humain. Il comprend des tâches telles que la reconnaissance vocale, la traduction et l’analyse des sentiments.
Transformers : Modèle d’IA utilisé pour le traitement du langage naturel (NLP) et d’autres tâches. Contrairement aux GANs, les transformers se fondent sur un mécanisme d’attention pour capturer les dépendances à longue distance dans les données. Leur architecture parallèle leur permet d’atteindre des performances exceptionnelles dans la compréhension du langage et d’autres domaines.
##V
Validation des données : Processus visant à garantir que les données sont exactes, complètes, cohérentes et répondent à des critères spécifiques avant d’être utilisées.
Pour aller plus loin :
- https://www.cnil.fr/fr/intelligence-artificielle/glossaire-ia
- https://urls.fr/JWalBw
- https://www.coe.int/en/web/artificial-intelligence/glossary
- https://en.wikipedia.org/wiki/Glossary_of_artificial_intelligence
- https://developers.google.com/machine-learning/glossary
- https://post.parliament.uk/artificial-intelligence-ai-glossary/
- ChatGPT pour le SEO : 20 prompts à connaître !
- Meta AI : l’IA de Meta s’invite sur WhatsApp
- Les 18 meilleurs outils IA d’apprentissage en 2025
- NotebookLM : le guide 2025 (non exhaustif)
- « AI Glossary! »
