Glossaire de l’IA

Des explications simples des mots de l’IA que vous croisez dans l’actualité.

Agent IA: Un système d’IA qui travaille seul vers un objectif : il planifie des étapes, utilise des outils comme un navigateur ou du code, et vérifie les résultats.
AGI (intelligence artificielle générale): Une IA hypothétique capable d’apprendre et d’accomplir la plupart des tâches intellectuelles aussi bien qu’un humain. Il n’existe ni définition ni test qui fassent consensus.
Ajustement fin (fine-tuning): Un entraînement supplémentaire d’un modèle existant sur un jeu de données plus petit et spécifique, pour qu’il soit meilleur dans une tâche ou un style précis.
Alignement: Le travail visant à ce que les systèmes d’IA fassent ce que les humains veulent et évitent les comportements nuisibles, même en devenant plus capables.
API: Un moyen pour des programmes de communiquer entre eux. Les développeurs utilisent l’API d’une entreprise pour intégrer ses modèles d’IA dans leurs applis, en payant souvent au token.
Benchmark (test de référence): Un test standard pour comparer des modèles d’IA. Les résultats sont utiles, mais un bon score ne garantit pas que le modèle soit le meilleur pour votre tâche.
Centre de données: Un bâtiment rempli de serveurs et de puces. Les centres de données d’IA demandent énormément d’électricité et de refroidissement.
Chatbot: Un programme avec lequel on dialogue en langage courant. Les chatbots d’IA modernes rédigent leurs réponses avec un grand modèle de langage.
Deepfake (hypertrucage): Une fausse vidéo, image ou voix réaliste créée avec l’IA, souvent d’une personne réelle. Les deepfakes servent aux arnaques et à la désinformation.
Entraînement: Le processus par lequel un modèle apprend des régularités à partir de grandes quantités de données. Entraîner un modèle de pointe peut prendre des mois et des milliers de puces.
Fenêtre de contexte: La quantité de texte qu’un modèle peut prendre en compte d’un coup, comptée en tokens. Une fenêtre plus grande permet de lire des documents plus longs en une fois.
GPU (processeur graphique): Une puce graphique capable de faire de nombreux calculs en parallèle. Les GPU, notamment de Nvidia, sont le principal matériel pour entraîner et faire tourner l’IA.
Grand modèle de langage (LLM): Un modèle d’IA entraîné sur d’énormes quantités de texte pour prédire le mot suivant. ChatGPT, Claude et Gemini reposent sur de grands modèles de langage.
Hallucination: Quand un modèle d’IA affirme avec assurance quelque chose de faux, comme un fait ou une source inventés. Vérifiez toujours les informations importantes.
IA générative: Une IA qui crée du contenu nouveau – texte, images, son, vidéo ou code – au lieu de seulement trier ou analyser des données existantes.
Inférence: L’exécution d’un modèle déjà entraîné pour obtenir une réponse. Chaque message de chat est une inférence, et c’est ce que les services d’IA paient en puces et en électricité.
Intelligence artificielle (IA): Des systèmes informatiques qui accomplissent des tâches associées à la pensée humaine, comme comprendre le langage, reconnaître des images ou prendre des décisions.
Mélange d’experts (MoE): Une architecture qui divise le réseau en nombreux « experts » et n’en utilise que quelques-uns par mot, ce qui rend les grands modèles moins coûteux à exécuter.
Modèle de diffusion: Un type de modèle qui crée des images, des vidéos ou du texte en partant du bruit et en affinant le résultat étape par étape.
Modèle de raisonnement: Un modèle qui réfléchit étape par étape avant de répondre. Souvent meilleur en maths, en logique et en code, mais plus lent et plus cher.
Modèle ouvert (poids ouverts): Un modèle dont les paramètres entraînés sont publiés : chacun peut le télécharger et l’exécuter, par exemple sur son ordinateur. Les licences varient.
Multimodal: Capable de traiter plusieurs types d’entrées ou de sorties, comme le texte, l’image, le son et la vidéo, dans un même modèle.
Paramètres: Les nombres à l’intérieur d’un modèle ajustés pendant l’entraînement. Plus de paramètres signifie souvent plus de capacités, mais aussi plus de mémoire et de coûts.
Prompt (consigne): L’instruction ou la question que l’on donne à un modèle d’IA. Des prompts clairs, avec du contexte et des exemples, donnent en général de meilleures réponses.
Quantification: Stocker les nombres d’un modèle sur moins de bits pour qu’il utilise moins de mémoire et soit plus rapide, au prix d’une légère perte de qualité. Courant pour faire tourner l’IA en local.
RAG (génération augmentée par récupération): Une technique où l’IA cherche d’abord des documents pertinents puis rédige sa réponse à partir d’eux, ce qui limite les faits inventés.
Token (jeton): Le petit morceau de texte qu’un modèle de langage lit et écrit, souvent une partie de mot. Les prix et les limites se comptent généralement en tokens.