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 →

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.

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 →
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 →

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 →

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 →

Dataset: Un ensemble d'exemples servant à entraîner, adapter ou évaluer un modèle. 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 →

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.