IA (Intelligence Artificielle)
L’intelligence artificielle est le domaine de l’informatique consacré à la conception de systèmes capables d’accomplir des tâches qui nécessitent normalement l’intelligence humaine (compréhension du langage, perception, raisonnement, apprentissage). Les progrès de l’apprentissage automatique depuis les années 2010 ont transformé l’IA en technologie largement déployée.
Machine Learning (Apprentissage automatique)
L’apprentissage automatique (machine learning) est une branche de l’IA où des systèmes apprennent à partir de données pour faire des prédictions ou prendre des décisions, sans être explicitement programmés pour chaque cas. C’est la méthode au cœur de la plupart des applications d’IA contemporaines.
Deep Learning (Apprentissage profond)
L’apprentissage profond (deep learning) est une forme d’apprentissage automatique qui utilise des réseaux de neurones comportant de nombreuses couches. C’est ce type de modèle, entraîné sur de très grands volumes de données, qui a permis les percées récentes (reconnaissance d’image, traduction, grands modèles de langage).
Réseau de neurones (Neural Network)
Un réseau de neurones artificiel est un modèle inspiré du cerveau, formé de couches de « neurones » reliés par des poids. Il transforme une entrée (texte, image) en sortie en ajustant ces poids pendant l’entraînement. Les réseaux profonds constituent la base technique des modèles d’IA modernes.
Transformer
Le Transformer est une architecture de réseau de neurones introduite en 2017 par des chercheurs de Google dans l’article « Attention Is All You Need ». Fondée sur le mécanisme d’attention, elle se passe des traitements séquentiels antérieurs et est à la base de tous les grands modèles de langage actuels (GPT, Claude, Gemini).
Modèle de fondation (Foundation Model)
Un modèle de fondation est un modèle de très grande taille pré-entraîné sur d’immenses volumes de données variées, puis adapté à de nombreuses tâches différentes. Les LLM et les modèles multimodaux en sont les principales incarnations.
LLM (Grand modèle de langage)
Le grand modèle de langage (Large Language Model, LLM) est un modèle entraîné à très grande échelle sur d’immenses quantités de texte, généralement composé de milliards de paramètres. Il apprend les structures du langage et peut générer du texte, traduire, résumer ou répondre à des questions. Les exemples les plus connus sont les modèles GPT (OpenAI), Claude (Anthropic) et Gemini (Google).
GPT (Generative Pre-trained Transformer)
GPT signifie Generative Pre-trained Transformer. C’est une famille de modèles développée par OpenAI : GPT-1 en 2018, GPT-2 en 2019, GPT-3 en 2020 (175 milliards de paramètres). Le lancement de ChatGPT fin 2022, reposant sur GPT-3.5, a popularisé l’usage grand public des LLM.
Token
Le token est l’unité de texte que le modèle traite : un mot, un sous-mot ou un caractère. Les phrases sont découpées en tokens avant d’être analysées et générées. Le nombre de tokens détermine la longueur utilisable (fenêtre de contexte) et le coût d’utilisation.
Embedding (Plongement vectoriel)
Un embedding (ou plongement) est une représentation d’un mot ou d’un texte sous forme de vecteur de nombres qui en capture le sens. Deux textes proches en signification ont des vecteurs proches, ce qui permet la recherche sémantique, notamment utilisée par la méthode RAG.
Inférence (Inference)
L’inférence est la phase où un modèle déjà entraîné produit une réponse à partir d’une entrée. Pour un LLM, il s’agit de générer le texte token après token, en calculant le token suivant le plus probable jusqu’à la fin de la réponse.
Fenêtre de contexte (Context Window)
La fenêtre de contexte est le nombre maximal de tokens qu’un modèle peut « voir » et utiliser en une fois pour générer sa réponse (historique de la conversation inclus). Sa taille varie selon les modèles : certains dépassent aujourd’hui un million de tokens, soit environ 3 000 pages.
Température
La température est un paramètre qui contrôle le caractère aléatoire de la génération. Une température basse privilégie les réponses prévisibles et factuelles, une température élevée favorise la variété et la créativité, parfois au détriment de la précision.
Prompt (Invite)
Le prompt est le texte (question ou consigne) soumis au modèle par l’utilisateur. Sa formulation influence fortement la qualité de la réponse : un prompt précis et contextualisé donne de meilleurs résultats.
Ingénierie des prompts (Prompt Engineering)
L’ingénierie des prompts consiste à concevoir et structurer les instructions envoyées au modèle pour obtenir les meilleures réponses. Elle recourt à des techniques comme le découpage en étapes, la fourniture d’exemples ou la définition d’un rôle.
Few-shot et Zero-shot
Le zero-shot désigne la capacité du modèle à répondre sans aucun exemple fourni ; le few-shot (ou multi-shot) consiste à lui donner quelques exemples dans le prompt pour guider le format ou le style attendu. Ces capacités distinguent les LLM des modèles classiques nécessitant un entraînement par tâche.
Hallucination
Une hallucination survient quand un modèle génère un contenu qui semble plausible mais est inexact, inventé ou sans fondement. Ce phénomène est inhérent aux modèles génératifs, ce qui impose de vérifier les faits produits. Le dictionnaire Cambridge a ajouté ce sens lié à l’IA en 2023.
Fine-tuning (Réglage fin)
Le fine-tuning (ou affinage) consiste à poursuivre l’entraînement d’un modèle déjà pré-entraîné sur un jeu de données spécifique, afin de l’adapter à un domaine ou un style. Des méthodes économes en ressources (comme LoRA) permettent d’ajuster une partie des poids sans réentraîner tout le modèle.
RAG (Génération augmentée par récupération)
Le RAG (Retrieval-Augmented Generation) est une méthode qui complète le modèle par une étape de recherche : avant de répondre, le système récupère des documents pertinents (via des embeddings) et les injecte dans le prompt. Cela ancre la réponse dans des sources vérifiables et réduit les hallucinations, sans modifier les poids du modèle.
RLHF (Apprentissage par renforcement à partir de retours humains)
Le RLHF (Reinforcement Learning from Human Feedback) est une technique d’alignement : on entraîne d’abord un « modèle de récompense » à partir de préférences humaines, puis on optimise le modèle par apprentissage par renforcement pour produire des réponses jugées utiles et sûres. C’est l’une des étapes ayant permis d’obtenir ChatGPT (fin 2022) à partir de GPT-3.
Multimodal (Modèle multimodal)
Un modèle multimodal traite plusieurs types de données (texte, image, audio, vidéo) dans une même architecture. Les modèles récents comme GPT-4o (2024) peuvent ainsi recevoir une image ou un son en entrée et y répondre en langage naturel.
Modèles de diffusion (Diffusion Models)
Les modèles de diffusion génèrent des images (ou vidéos) en partant de bruit aléatoire et en le « débruitant » progressivement selon un texte descriptif. Stable Diffusion, publié en 2022, a démocratisé cette approche en la rendant exécutable sur du matériel grand public, aux côtés de DALL·E et Midjourney.
IA générative (GenAI)
L’IA générative désigne les systèmes capables de créer de nouveaux contenus (texte, image, audio, vidéo, code) à partir de ce qu’ils ont appris, par opposition à ceux qui se contentent de classer ou de prédire. Les LLM et les modèles de diffusion en sont les formes les plus visibles.
Agent IA (AI Agent)
Un agent IA est un système capable d’accomplir des tâches de façon autonome en planifiant ses actions et en utilisant des outils externes (recherche web, exécution de code, accès à des API). Contrairement à un simple chatbot, il peut enchaîner plusieurs étapes pour atteindre un objectif.
Agentic AI (IA agentique)
L’IA agentique désigne des systèmes (souvent composés de plusieurs agents) qui planifient et agissent de manière autonome, en décomposant une tâche complexe et en coordonnant des outils. Le Model Context Protocol (MCP), introduit fin 2024, est devenu la norme pour relier ces agents à des données et services externes.
MCP (Model Context Protocol)
Le Model Context Protocol est une norme ouverte, introduite par Anthropic en novembre 2024, qui définit comment un modèle se connecte à des outils, bases de données et services externes via une seule interface. On le compare souvent à un « port USB-C pour l’IA ». Adopté par les principaux fournisseurs, il a été confié en 2025 à une gouvernance communautaire (Linux Foundation).
Modèle de raisonnement (Reasoning Model)
Un modèle de raisonnement consacre un temps de « réflexion » avant de répondre : il décompose le problème (chaîne de pensée, chain-of-thought) pour mieux résoudre des tâches complexes en mathématiques, programmation ou logique. OpenAI a lancé son premier modèle de ce type (o1) fin 2024.
Biais (Bias)
Le biais désigne les distorsions d’un modèle héritées de ses données d’entraînement (ex. stéréotypes, sous-représentation de certains groupes). Il se traduit par des réponses systématiquement faussées, d’où l’importance de diversifier les données et de tester les modèles.
Alignement (AI Alignment)
L’alignement vise à faire en sorte que le comportement d’un modèle d’IA corresponde aux intentions et aux valeurs humaines. Le RLHF et les garde-fous en sont des outils clés, d’autant que les modèles puissants peuvent produire des comportements non souhaités s’ils ne sont pas encadrés.
Garde-fous (Guardrails)
Les garde-fous sont des contraintes et mécanismes de sécurité qui encadrent les sorties d’un modèle (filtres de contenu, refus de requêtes dangereuses, validation humaine). Ils visent à maintenir les réponses sûres, conformes et utilisables.
Ancrage (Grounding)
L’ancrage (grounding) consiste à relier la réponse du modèle à des sources ou données vérifiables (documents, bases, outils), plutôt qu’à sa seule mémoire d’entraînement. C’est le principe du RAG : chaque affirmation peut être tracée à une origine réelle.
Prompt injection
La prompt injection est une attaque consistant à insérer dans l’entrée du modèle une consigne conçue pour contourner ses instructions initiales (par exemple via un texte lu dans une page web). C’est un risque de sécurité majeur pour les agents IA qui consomment du contenu externe.
Coupure de connaissances (Knowledge Cutoff)
La coupure de connaissances est la date limite des données ayant servi à l’entraînement d’un modèle. Au-delà, le modèle ignore les événements ou faits survenus après cette date, sauf s’il dispose d’outils (recherche web, RAG) pour les obtenir.
Données synthétiques (Synthetic Data)
Les données synthétiques sont des données générées artificiellement (souvent par une IA) plutôt que collectées dans le monde réel. Elles servent à entraîner ou compléter l’apprentissage de modèles lorsque les données réelles sont rares, sensibles ou coûteuses.
Poids ouverts (Open-weight)
Un modèle à poids ouverts (open-weight) est un modèle dont les paramètres entraînés sont publiquement distribués, permettant de l’exécuter ou de l’adapter soi-même (contrairement aux modèles fermés accessibles uniquement via une API). Les familles Llama (Meta) et Mistral en sont des exemples connus.