Vocabulaire de l'IA : les définitions à connaître en entreprise

Ensemble de techniques permettant à une machine d'accomplir des tâches généralement associées à l'intelligence humaine, comme comprendre le langage, reconnaître des images, apprendre à partir de données, résoudre des problèmes ou prendre des décisions.

Branche de l'intelligence artificielle qui permet à un système d'apprendre à partir de données afin d'effectuer une tâche ou de produire des prédictions, sans que toutes les règles soient explicitement programmées à l'avance.

Exemples d'algorithmes de Machine Learning :

• – AlphaZero aux échecs : apprend à sélectionner les meilleurs coups en jouant des millions de parties contre lui-même grâce à l'apprentissage par renforcement.
• – Les recommandations de Netflix : analysent notamment les préférences et les comportements des utilisateurs afin de personnaliser les contenus proposés.

Le deep learning est une méthode qui permet à une intelligence artificielle d'apprendre à partir d'un grand nombre d'exemples grâce à un système de couches successives. Chaque couche analyse une partie de l'information, puis transmet son résultat à la suivante pour parvenir progressivement à reconnaître un élément complexe, comme un visage ou une voix.

L'intelligence artificielle générative est un type d'IA capable de créer de nouveaux contenus, comme du texte, des images, des vidéos, de la musique ou du code. Vous en connaissez probablement déjà plusieurs exemples : ChatGPT, Claude, Gemini ou encore Le Chat de Mistral AI.

L'AGI est un concept désignant une intelligence artificielle capable de comprendre, d'apprendre et d'accomplir des tâches intellectuelles très variées, avec une polyvalence comparable à celle de l'être humain, voire supérieure. Contrairement aux IA actuelles, elle pourrait transférer ses connaissances d'un domaine à un autre et s'adapter à des situations entièrement nouvelles.

À ce jour, l'AGI est l'objectif final des grandes entreprises d'intelligence artificielle.

Sa définition et les critères permettant de prouver son existence ne font pas consensus, ce qui rend difficile de déterminer si une intelligence artificielle peut véritablement être considérée comme une AGI.

Un modèle de fondation correspond à un modèle d'intelligence artificielle entraîné sur une très grande quantité de données afin d'acquérir des capacités générales. Ce type de modèle sert de socle commun pour différentes applications et peut ensuite être décomposé pour réaliser des tâches plus précises, comme la génération de texte, l'analyse d'images, la traduction ou la création de code.

Un LLM est un modèle d'intelligence artificielle entraîné sur de très grandes quantités de textes afin d'en apprendre les structures, la construction des phrases et les relations entre les mots.

Lorsqu'il reçoit une demande d'un utilisateur, il analyse son contexte, puis génère une réponse en prédisant successivement les mots les plus probables pour vous répondre.

Un SLM est un modèle de langage conçu pour être plus léger et moins gourmand en ressources qu'un LLM afin d'être spécialisé dans une tâche plus précise et fonctionner plus rapidement.

Un modèle multimodal est un modèle d'intelligence artificielle capable de comprendre ou de générer plusieurs formats de contenus, comme du texte, des images, de l'audio ou de la vidéo.

Un réseau de neurones est un système qui permet à une intelligence artificielle d'apprendre à partir de nombreux exemples. Inspiré du fonctionnement du cerveau humain, il analyse les informations en plusieurs étapes pour reconnaître des éléments, comme un visage, une voix ou un objet.

Intrinsèquement lié aux réseaux de neurones, le transformeur est une architecture qui permet à une intelligence artificielle d'identifier les informations importantes dans un texte ou d'autres données, afin de comprendre les relations entre les différents éléments. Il est aujourd'hui au cœur de la majorité des grands modèles de langage.

L'entraînement est la phase durant laquelle un modèle analyse une grande quantité de données afin d'apprendre à réaliser une tâche et à réduire progressivement ses erreurs.

Entraîner un modèle depuis zéro nécessite énormément de données, de puissance de calcul et d'expertise, c'est pourquoi la plupart des entreprises utilisent ou adaptent un modèle existant comme ChatGPT, Claude, Gemini ou Mistral.

Le fine-tuning représente une phase d'entraînement supplémentaire d'un modèle d'intelligence artificielle. L'objectif est de poursuivre l'entraînement d'un modèle existant à partir d'exemples soigneusement sélectionnés afin de l'adapter à une tâche, à un format de réponse ou à un comportement précis.

L'inférence correspond à la phase d'utilisation d'un modèle déjà entraîné.

Lorsque vous envoyez une demande à une intelligence artificielle, le modèle s'appuie sur ce qu'il a appris pendant son entraînement pour générer une réponse à votre demande.

Le token est une petite unité utilisée par un modèle d'intelligence artificielle pour découper et traiter un contenu, il peut correspondre à un mot entier, à une partie de mot, à un signe de ponctuation ou à un caractère.

Aujourd'hui, les géants de l'intelligence artificielle utilisent les tokens envoyés et générés pour mesurer votre consommation et fixer les limites de certains abonnements.

La fenêtre de contexte correspond à la quantité d'informations qu'un modèle d'intelligence artificielle peut prendre en compte au cours d'un même échange.

Plus cette fenêtre est grande, plus le modèle peut analyser de contenus, comme un long document ou l'historique d'une conversation, cependant, cela ne garantit pas qu'il retiendra et utilisera chaque information avec la même précision.

Un GPU est un processeur capable d'effectuer de nombreux calculs en parallèle.

Initialement conçu pour le graphisme ou le jeu-vidéo, il est aujourd'hui largement utilisé pour entraîner et faire fonctionner les modèles d'intelligence artificielle.

La distillation est une technique qui consiste à transférer une partie des capacités d'un grand modèle vers un modèle plus petit.

Le modèle le plus petit, également appelé « élève », apprend à reproduire le comportement du modèle d'origine, appelé « professeur », afin d'être plus rapide, plus léger et surtout moins coûteux à utiliser.

L'orchestration désigne la manière dont les différents éléments d'un système d'intelligence artificielle sont coordonnés.

À la manière d'un carrefour, elle oriente chaque demande vers le modèle, l'outil ou la source de données la plus adaptée, pour mieux comprendre les erreurs, conserver une trace des actions et maîtriser les coûts.

Un prompt est une instruction envoyée à une intelligence artificielle pour lui indiquer la tâche à réaliser. Aujourd'hui, les experts IA s'accordent à dire que plus le prompt est clair et précis, plus l'intelligence artificielle sera en mesure de produire une réponse adaptée au besoin.

Le prompt engineering consiste à concevoir, tester et améliorer les instructions envoyées à une intelligence artificielle afin d'obtenir des réponses plus précises et mieux adaptées au besoin. Cette pratique repose notamment sur l'ajout d'un objectif clair, d'un contexte pertinent, de contraintes, d'exemples et d'un format de réponse attendu.

Le context engineering est une pratique qui consiste à organiser l'ensemble des informations mises à la disposition d'un modèle d'intelligence artificielle comme les consignes, les documents, ou l'historique des échanges.

Ici l'objectif est de fournir à l'intelligence artificielle les informations clés, afin d'obtenir des réponses et des actions plus pertinentes.

Une API est une porte d'entrée technique qui permet à deux logiciels d'échanger des informations et de communiquer entre eux.

Son objectif est donc de connecter différents outils afin qu'ils puissent partager des données ou déclencher automatiquement des actions, sans intervention humaine.

Une base vectorielle est une base de données qui permet à une intelligence artificielle de retrouver rapidement des contenus ayant un sens similaire. Elle peut ainsi rechercher une information précise parmi des milliers de documents, même lorsque la question posée n'utilise pas exactement les mêmes mots.

Par exemple, Google Photos peut retrouver toutes vos photos de chiens lorsque vous recherchez simplement le mot « chien », même si vos photos ne portent pas ce nom.

Le RAG, de son nom anglais Retrieval-Augmented Generation, est une méthode qui permet à une intelligence artificielle de rechercher une information dans les documents d'une entreprise avant de répondre.

Par exemple, un assistant IA peut consulter les procédures internes, les contrats ou les catalogues de l'entreprise afin de fournir une réponse adaptée, sans avoir besoin de réentraîner le modèle.

Le MCP, ou Model Context Protocol, est un protocole informatique public qui permet à une intelligence artificielle de se connecter plus facilement à des outils et à des sources de données externes, comme un agenda, une messagerie, un CRM ou une base documentaire.

Un projet open source est un projet dont le code informatique est mis à la disposition du public. Selon les conditions prévues par sa licence, il peut être consulté, utilisé, modifié et redistribué.

Un chatbot est un outil qui permet à un utilisateur d'échanger avec un système informatique sous la forme d'une conversation en langage naturel. Un chatbot peut répondre aux demandes des utilisateurs, néanmoins il n'est pas capable d'effectuer des actions ou des suites d'actions de manière autonome.

Un agent IA est un système capable d'utiliser un modèle d'intelligence artificielle pour atteindre un objectif en plusieurs étapes. Contrairement à un simple chatbot, il peut choisir les actions à effectuer et utiliser des outils externes, comme une messagerie, un agenda ou un CRM, afin de réaliser une tâche spécifique.

Le human-in-the-loop désigne un système dans lequel une personne intervient à une étape définie pour vérifier, corriger ou valider le travail réalisé par une intelligence artificielle.

L'objectif est de conserver un contrôle humain avant qu'une réponse ou une action importante ne soit définitivement exécutée.

Les garde-fous sont des règles et des contrôles destinés à encadrer le fonctionnement d'un système d'intelligence artificielle. Ils peuvent prendre la forme de filtres, de permissions, de formats de réponse obligatoires ou de validations humaines.

Leur objectif est de limiter les erreurs, les contenus inappropriés et les actions non autorisées, sans pouvoir supprimer totalement tous les risques.

Une hallucination désigne une réponse produite par une intelligence artificielle qui semble crédible, mais qui contient des informations fausses, inventées ou non vérifiables. Pour les usages importants, il est donc indispensable de vérifier les réponses à partir de sources fiables et, si nécessaire, de les faire valider par une personne compétente.

Un biais algorithmique est un écart systématique qui peut conduire un système d'intelligence artificielle à produire des résultats défavorables ou inéquitables. Il peut provenir de la phase d'entraînement des données, du modèle, des critères d'évaluation ou du contexte dans lequel l'outil est utilisé.

Le Shadow AI correspond à l'utilisation d'outils d'intelligence artificielle en dehors du cadre défini par l'entreprise. Cette pratique peut exposer l'organisation à des fuites d'informations sensibles et créer des risques liés à la confidentialité des données ou à la propriété intellectuelle.

L'AI Act est le règlement européen qui encadre le développement et l'utilisation des systèmes d'intelligence artificielle. Ce texte classe notamment les usages de l'IA selon différents niveaux de risque et impose des obligations adaptées à chacun.