Glossaire de l'IA
Les notions de l'intelligence artificielle expliquées simplement : machine learning, deep learning, LLM, NLP, RAG, embeddings, fine-tuning, MCP…
Les bases
- Intelligence artificielle (IA)
- L'ensemble des techniques qui permettent à une machine de réaliser des tâches dites intelligentes : comprendre un texte, reconnaître une image, prendre une décision.
- Machine learning (apprentissage automatique)
- Une branche de l'IA où la machine apprend à partir d'exemples au lieu d'être programmée règle par règle. Par exemple, à partir de milliers d'e-mails marqués « spam » ou « normal », elle apprend à les trier seule. Les méthodes classiques (régression, arbres de décision) servent surtout sur des tableaux de données.
- Deep learning (apprentissage profond)
- Une branche du machine learning qui utilise des réseaux de neurones à nombreuses couches. Il demande beaucoup de données et de calcul, mais excelle sur le texte, l'image et le son. Tous les modèles récents (LLM, générateurs d'images, reconnaissance vocale) reposent sur le deep learning.
- Réseau de neurones
- Un modèle mathématique inspiré du cerveau, formé de couches de « neurones » reliés entre eux. En ajustant les poids de ces liaisons pendant l'entraînement, le réseau apprend à transformer une entrée (un texte, une image) en sortie (une réponse, une catégorie).
- Modèle
- Le résultat d'un entraînement : un fichier de paramètres (les poids) qui sait accomplir une tâche. On le télécharge, on l'appelle par une API ou on le fait tourner chez soi. Voir le guide →
Les grands domaines
- NLP (traitement du langage naturel)
- Tout ce qui concerne le texte : écrire, résumer, traduire, classer, extraire des informations, répondre à des questions.
- Computer vision (vision par ordinateur)
- Tout ce qui concerne l'image et la vidéo : reconnaître des objets, classer une photo, détecter des visages, générer des images.
- Multimodal
- Un modèle qui traite plusieurs types de données à la fois : décrire une image en texte, répondre à une question sur une photo, générer une vidéo à partir d'un texte.
- IA générative
- Les modèles qui produisent du contenu nouveau (texte, image, vidéo, son, code) plutôt que de seulement classer ou prédire.
Les modèles de langage
- LLM (grand modèle de langage)
- Un modèle de deep learning entraîné sur d'immenses quantités de texte pour prédire la suite d'un texte. C'est ce qui fait fonctionner Claude, GPT, Mistral ou Llama. Voir le guide →
- Transformer
- L'architecture de réseau de neurones derrière presque tous les modèles de langage actuels. Son mécanisme d'attention lui permet de regarder tous les mots d'un texte en même temps et de relier chacun aux autres, au lieu de les lire un par un.
- Classifieur
- Un modèle qui range une entrée dans une catégorie : spam ou non, avis positif ou négatif, type de demande d'un client. Il ne produit pas de texte, il choisit une étiquette parmi une liste.
- Encodeur
- Un modèle (ou la partie d'un modèle) qui lit un texte en entier et le transforme en nombres qui en résument le sens. Les modèles d'embeddings et beaucoup de classifieurs sont des encodeurs, comme BERT. Voir le guide →
- Décodeur
- Un modèle (ou la partie d'un modèle) qui produit un texte mot après mot, en prédisant à chaque fois le token suivant. Les LLM comme Claude, GPT, Mistral ou Llama sont des décodeurs. Voir le guide →
- Token
- Le morceau de texte que lit un LLM : souvent une partie de mot. Les limites (taille du contexte) et les prix des modèles se comptent en tokens.
- Fenêtre de contexte
- La quantité de texte (en tokens) qu'un modèle peut lire en une fois : la question, les instructions, les documents et la réponse.
- Hallucination
- Une réponse fausse donnée avec assurance par un modèle, qui invente au lieu de dire qu'il ne sait pas. Le RAG et les garde-fous la limitent.
- Inférence
- Le moment où l'on utilise un modèle déjà entraîné pour obtenir une réponse, par opposition à l'entraînement. Voir le guide →
- Quantification
- Réduire la précision des nombres d'un modèle (par exemple de 16 à 4 bits) pour qu'il prenne moins de mémoire et tourne sur une machine plus modeste, au prix d'une légère perte de qualité. Voir le guide →
- Tokenizer
- L'outil qui découpe un texte en tokens avant de le donner au modèle. Chaque famille de modèles a le sien : le même texte ne compte pas le même nombre de tokens partout.
- Modèle de base
- Un modèle sorti du pré-entraînement, qui sait continuer un texte mais ne suit pas encore bien les consignes. On le règle ensuite pour en faire un modèle instruct. Voir le guide →
- Modèle instruct
- Un modèle réglé pour suivre des consignes et dialoguer. C'est la version qu'on utilise dans un assistant. Voir le guide →
- Poids ouverts (open weights)
- Un modèle dont les fichiers de paramètres sont téléchargeables : on peut le faire tourner chez soi et le régler. Sa licence fixe ce qu'on a le droit d'en faire. Voir le guide →
- Latence
- Le temps d'attente avant la réponse du modèle, en particulier avant l'affichage du premier token. Voir le guide →
- Débit (tokens par seconde)
- La vitesse à laquelle un modèle écrit sa réponse. Elle dépend du modèle, du matériel et du nombre de requêtes servies en même temps. Voir le guide →
Utiliser un modèle
- Prompt
- Le texte envoyé au modèle pour lui demander quelque chose. Un prompt réutilisable contient des variables, comme {{produit}}. Voir le guide →
- Contexte (instruction système)
- Les instructions et exemples donnés au modèle avant la question, pour fixer son rôle, son ton et ses règles, sans le réentraîner. Voir le guide →
- Few-shot
- Donner quelques exemples (entrée et sortie attendue) dans le contexte pour montrer au modèle ce qu'on attend. Voir le guide →
- RAG (génération augmentée par la recherche)
- Faire répondre un modèle à partir de vos documents : on retrouve les passages pertinents, puis on les lui donne avec la question. Voir le guide →
- Embeddings
- Des listes de nombres (vecteurs) qui représentent le sens d'un texte. Deux textes proches en sens ont des vecteurs proches : c'est la base de la recherche sémantique et du RAG. Voir le guide →
- Sortie structurée
- Obliger le modèle à répondre dans un format précis, le plus souvent du JSON décrit par un schéma. Voir le guide →
- Température
- Le réglage qui dose le hasard dans les réponses : basse, le modèle répond de façon stable et prévisible ; haute, il varie davantage. Voir le guide →
- Zero-shot
- Demander une tâche au modèle sans lui donner d'exemple, avec la seule consigne. Voir le guide →
- Chaîne de raisonnement (chain-of-thought)
- Faire raisonner le modèle étape par étape avant sa réponse finale, ce qui améliore les tâches de calcul ou de logique. Voir le guide →
- Appel d'outils (function calling)
- La capacité d'un modèle à demander l'exécution d'une fonction (chercher, calculer, lire une base) avec des paramètres structurés, puis à se servir du résultat. Voir le guide →
- Découpage (chunking)
- Couper des documents en morceaux avant de les indexer pour le RAG. La taille des morceaux et leur chevauchement changent la qualité des réponses. Voir le guide →
- Base vectorielle
- Une base de données qui stocke des embeddings et retrouve les textes les plus proches d'une question. C'est le moteur de recherche du RAG. Voir le guide →
- Reranker
- Un modèle qui reclasse les passages retrouvés par la recherche pour ne garder que les plus pertinents avant de les donner au LLM. Voir le guide →
Agir et s'outiller
- Agent
- Un assistant IA qui enchaîne plusieurs étapes et utilise des outils pour atteindre un but, au lieu de répondre en une seule fois. Voir le guide →
- MCP (Model Context Protocol)
- Un standard ouvert pour brancher des outils et des données (fichiers, bases, logiciels) sur un assistant IA, compatible avec Claude, Cursor et d'autres. Voir le guide →
- Workflow
- Un enchaînement d'étapes automatisé où l'IA intervient, construit dans un outil comme n8n ou LangGraph. Voir le guide →
Entraîner et adapter
- Dataset
- Un ensemble d'exemples servant à entraîner, adapter ou évaluer un modèle. Voir le guide →
- Pré-entraînement
- La première phase d'entraînement d'un modèle de langage : il lit d'immenses quantités de texte et apprend à prédire le mot suivant. Elle coûte très cher et seuls les éditeurs de modèles la font ; on part ensuite de ce modèle pré-entraîné pour le spécialiser. Voir le guide →
- Fine-tuning
- Réentraîner un modèle existant sur ses propres exemples pour le spécialiser dans un domaine. Voir le guide →
- LoRA
- Une méthode de fine-tuning économique qui n'entraîne qu'une petite partie du modèle. QLoRA l'applique à un modèle quantifié. Voir le guide →
- Évaluation (benchmark)
- Un ensemble de tests pour mesurer la qualité d'un modèle, d'un prompt ou d'un agent. Voir le guide →
- SFT (réglage supervisé)
- La forme la plus courante de fine-tuning : on montre au modèle des questions et les réponses attendues pour qu'il apprenne à répondre de la même façon. Voir le guide →
- QLoRA
- Une variante de LoRA qui charge le modèle quantifié en 4 bits pendant le réglage, pour entraîner un gros modèle sur une seule carte graphique. Voir le guide →
- Époque (epoch)
- Un passage complet sur tous les exemples du dataset pendant l'entraînement. Trop d'époques mènent au surapprentissage. Voir le guide →
- Données synthétiques
- Des exemples d'entraînement produits par un modèle plutôt qu'écrits par des humains. Rapides à obtenir, ils doivent être relus et filtrés. Voir le guide →
- Distillation
- Entraîner un petit modèle à imiter les réponses d'un plus grand, pour obtenir un modèle moins cher et plus rapide sur une tâche donnée. Voir le guide →
- RLHF
- Le réglage par retours humains : des personnes classent des réponses, et le modèle apprend à produire celles qu'elles préfèrent. Voir le guide →
Fiabilité et conformité
- Garde-fou
- Une règle qui contrôle ce qui entre dans un assistant IA ou ce qui en sort : bloquer des données personnelles, refuser un sujet hors périmètre. Voir le guide →
- Injection de prompt
- Une attaque qui cache des instructions dans un message ou un document pour détourner le modèle de ses règles. Voir le guide →
- Red teaming
- Attaquer volontairement un système d'IA pour trouver ses failles avant les utilisateurs. Voir le guide →
- AI Act
- Le règlement européen sur l'intelligence artificielle : il impose des obligations de transparence, de documentation et de contrôle selon le niveau de risque du système. Voir le guide →
- RGPD
- Le règlement européen sur la protection des données personnelles, qui s'applique aussi aux données envoyées à une IA ou utilisées pour l'entraîner.
- LLM juge
- Un modèle chargé de noter les réponses d'un autre modèle selon des critères écrits, quand une comparaison exacte n'est pas possible. Voir le guide →
Les termes des fiches
- JSONL
- Un fichier texte avec un exemple par ligne, chaque ligne étant un objet JSON. C'est le format standard des datasets de fine-tuning. Voir le guide →
- Consigne système (system prompt)
- Le message placé avant la conversation qui fixe le rôle, le ton et les règles du modèle. Dans un dataset de chat, c'est le message de rôle « system ». Voir le guide →
- Harness
- La configuration qui encadre un assistant de code (Claude Code, Codex, Cursor…) : ses instructions, ce qu'il a le droit de faire sans demander, ce qui lui est interdit, et les contrôles automatiques. Voir le guide →
- Hook
- Une commande lancée automatiquement à un moment précis du travail d'un agent, par exemple les tests après chaque modification de fichier. Voir le guide →
- GGUF
- Un format de fichier pour les modèles quantifiés, lu par llama.cpp, Ollama et LM Studio pour faire tourner un modèle sur un ordinateur. Voir le guide →
- VRAM
- La mémoire de la carte graphique. Elle limite la taille du modèle qu'on peut faire tourner : un modèle trop gros pour la VRAM ne se charge pas ou devient très lent. Voir le guide →
- DPO (optimisation directe des préférences)
- Une méthode de réglage qui montre au modèle, pour une même question, une réponse préférée et une réponse rejetée, pour l'orienter vers le style voulu. Voir le guide →
- Surapprentissage (overfitting)
- Quand un modèle apprend ses exemples par cœur au lieu d'en tirer la règle : excellent sur les exemples d'entraînement, mauvais sur les nouveaux cas. Un jeu de test séparé permet de le repérer. Voir le guide →
- Jeu de test
- Une partie des exemples mise de côté et jamais montrée pendant l'entraînement, pour mesurer si le modèle a vraiment progressé. Voir le guide →