📖

Glossaire de l'IA

Les mots clés de l'IA expliqués simplement.

62 termes

Agent d'IA: Un système d'IA qui planifie et réalise des tâches en plusieurs étapes à l'aide d'outils.; Voir la leçon: Ce qui fait un agent d'IA
Ajustement fin: Un entraînement supplémentaire d'un modèle pré-entraîné sur des exemples précis pour le spécialiser.; Voir la leçon: Comment on entraîne un LLM
Apprentissage automatique: Une façon de construire l'IA où l'ordinateur apprend des motifs à partir d'exemples au lieu de suivre des règles écrites à la main.; Voir la leçon: Comment les machines apprennent-elles ?
Apprentissage non supervisé: Trouver une structure, comme des groupes, dans des données sans étiquettes.; Voir la leçon: Les données, carburant de l'IA
Apprentissage par renforcement: Un agent apprend par essais et erreurs, guidé par des récompenses et des pénalités.; Voir la leçon: Apprendre par essais et erreurs
Apprentissage profond: L'apprentissage automatique avec des réseaux de neurones à nombreuses couches.; Voir la leçon: Des neurones aux réseaux
Apprentissage supervisé: Apprendre à partir d'exemples accompagnés d'étiquettes (les bonnes réponses).; Voir la leçon: Les données, carburant de l'IA
Arbre de décision: Un modèle qui décide en posant une suite de questions oui/non apprises à partir des données.; Voir la leçon: Les arbres de décision
Attention: Le mécanisme qui permet à chaque token de récupérer l'information des autres tokens du contexte.; Voir la leçon: Attention et transformers
Bac à sable: Un environnement isolé où un agent peut exécuter du code ou tester des changements sans risque pour le vrai système.; Voir la leçon: Le harnais : tout ce qui entoure le modèle
Biais algorithmique: Quand un système d'IA fonctionne moins bien ou injustement pour certains groupes de personnes.; Voir la leçon: Biais et équité
Boucle d'agent: Le cycle que répète un agent : réfléchir, agir avec un outil, observer le résultat, puis continuer ou finir.; Voir la leçon: Ce qui fait un agent d'IA
Caractéristique: Une propriété mesurable d'un exemple que le modèle utilise comme indice.; Voir la leçon: Les données, carburant de l'IA
Compaction: Résumer l'historique ancien d'un agent pour qu'il continue de travailler dans une fenêtre de contexte limitée.; Voir la leçon: L'ingénierie du contexte
Deepfake (hypertrucage): Une image, une voix ou une vidéo truquée et réaliste, créée avec l'IA.; Voir la leçon: Hallucinations et vérification
Dégradation du contexte (context rot): La baisse de qualité quand la fenêtre de contexte se remplit de longs textes peu pertinents.; Voir la leçon: L'ingénierie du contexte
Descente de gradient: S'entraîner en ajustant sans cesse les paramètres dans la direction qui fait baisser la perte.; Voir la leçon: Apprendre = descendre la pente
Données: Des exemples enregistrés du monde (images, textes, nombres, sons) dont un modèle apprend.; Voir la leçon: Les données, carburant de l'IA
Données d'entraînement: Les exemples avec lesquels un modèle apprend.; Voir la leçon: Entraîner et tester
Données de test: Des exemples cachés pendant l'entraînement pour mesurer honnêtement la performance sur du nouveau.; Voir la leçon: Entraîner et tester
Embedding (plongement): Une liste de nombres qui représente le sens d'un token, d'une image ou d'un document.; Voir la leçon: Les embeddings : le sens en géométrie
Étiquette: La bonne réponse attachée à un exemple d'entraînement.; Voir la leçon: Les données, carburant de l'IA
Éval (évaluation): Un jeu de cas de test pour mesurer la performance d'un prompt, d'un modèle ou d'un agent.; Voir la leçon: Le prompt engineering
Fenêtre de contexte: Le nombre maximal de tokens qu'un modèle peut prendre en compte à la fois.; Voir la leçon: Les tokens : comment l'IA lit le texte
Few-shot prompting (exemples): Mettre quelques exemples d'entrées avec leur sortie idéale dans le prompt pour que le modèle reproduise le modèle.; Voir la leçon: Le prompt engineering
Fonction de perte: Un nombre qui mesure à quel point les prédictions d'un modèle sont fausses. L'entraînement cherche à le réduire.; Voir la leçon: Apprendre = descendre la pente
Généralisation: La capacité d'un modèle à bien réussir sur des exemples jamais vus.; Voir la leçon: Surapprentissage et généralisation
Génération augmentée par récupération (RAG): Un assistant trouve d'abord les passages pertinents dans des documents, puis répond en s'en servant.; Voir la leçon: Les embeddings : le sens en géométrie
Grand modèle de langage (LLM): Un très grand réseau de neurones entraîné sur d'énormes quantités de texte pour prédire le token suivant.; Voir la leçon: Prédire le token suivant
Hallucination: Quand une IA affirme avec assurance quelque chose de faux ou d'inventé.; Voir la leçon: Hallucinations et vérification
Harnais (harness): Le logiciel autour d'un modèle qui en fait un agent : boucle, outils, gestion du contexte, permissions, bac à sable et interface.; Voir la leçon: Le harnais : tout ce qui entoure le modèle
Humain dans la boucle: Une personne vérifie ou valide les actions clés d'une IA avant qu'elles aient lieu.; Voir la leçon: Utiliser les agents en sécurité
IA agentique: Des systèmes d'IA qui agissent vers des objectifs en plusieurs étapes, au lieu de seulement répondre.; Voir la leçon: Ce qui fait un agent d'IA
IA générative: Une IA qui crée du contenu nouveau : texte, images, audio, vidéo ou code.; Voir la leçon: Le paysage de l'IA
Ingénierie du contexte: Choisir précisément les informations qui entrent dans la fenêtre de contexte à chaque étape : instructions, outils, documents, historique et mémoire.; Voir la leçon: L'ingénierie du contexte
Injection de prompt: Des instructions cachées dans un contenu lu par une IA (page web, e-mail, fichier) qui tentent de détourner ce qu'elle fait.; Voir la leçon: Utiliser les agents en sécurité
Intelligence artificielle (IA): Des systèmes informatiques qui réalisent des tâches demandant normalement de l'intelligence humaine : comprendre le langage, reconnaître des images, prendre des décisions.; Voir la leçon: C'est quoi, l'IA ?
Mémoire d'agent: Des notes ou fichiers qu'une IA enregistre et recharge plus tard dans son contexte, car le modèle oublie entre les sessions.; Voir la leçon: L'ingénierie du contexte
Model Context Protocol (MCP): Un standard ouvert qui relie les applis d'IA (clients) aux outils et sources de données (serveurs) par une prise commune.; Voir la leçon: Outils, appel de fonctions et MCP
Modèle à poids ouverts: Un modèle dont les paramètres sont publiés : chacun peut le télécharger et le faire tourner.; Voir la leçon: Choisir le bon modèle et le bon outil
Modèle de raisonnement: Un modèle entraîné à réfléchir étape par étape avant de donner sa réponse finale.; Voir la leçon: Le prompt engineering
Neurone (artificiel): Une petite unité qui multiplie ses entrées par des poids, ajoute un biais et applique une activation.; Voir la leçon: Les neurones artificiels
Paramètre: Un nombre appris dans un modèle (un poids ou un biais). Les grands modèles en ont des milliards.; Voir la leçon: Des neurones aux réseaux
Poids: Un nombre qui fixe l'influence d'une entrée sur un neurone. Appris pendant l'entraînement.; Voir la leçon: Les neurones artificiels
Précision: La part de prédictions correctes.; Voir la leçon: Entraîner et tester
Prompt (consigne): Les instructions, la question et les documents que l'on donne à un modèle d'IA.; Voir la leçon: Bien formuler ses demandes
Prompt engineering: Concevoir, tester et améliorer les instructions sur lesquelles tourne un modèle d'IA.; Voir la leçon: Le prompt engineering
Prompt système: Des instructions permanentes du créateur d'une appli qui fixent le rôle, les règles et le ton du modèle pour chaque conversation.; Voir la leçon: Le prompt engineering
Réseau de neurones: De nombreux neurones artificiels reliés en couches, qui apprennent ensemble.; Voir la leçon: Des neurones aux réseaux
Réseau de neurones convolutif (CNN): Un réseau pour les images qui fait glisser de petits filtres appris sur l'image.; Voir la leçon: Comment voient les ordinateurs
Rétropropagation: La méthode qui calcule le gradient de chaque poids en renvoyant l'erreur à travers le réseau, à l'envers.; Voir la leçon: Apprendre = descendre la pente
RLHF: Apprentissage par renforcement à partir de retours humains : orienter un modèle vers les réponses que les gens préfèrent.; Voir la leçon: Comment on entraîne un LLM
Skills (compétences d'agent): Des instructions et fichiers empaquetés qu'un agent ne charge que lorsqu'une tâche en a besoin, pour garder un contexte léger.; Voir la leçon: Le harnais : tout ce qui entoure le modèle
Sortie structurée: Une réponse dans un format fixe lisible par une machine, comme du JSON avec des champs nommés.; Voir la leçon: Le prompt engineering
Sous-agent: Un agent assistant avec son propre contexte vierge qui traite une partie du travail et rend compte à l'agent principal.; Voir la leçon: Ce qui fait un agent d'IA
Surapprentissage: Quand un modèle mémorise ses données d'entraînement, bruit compris, et échoue sur de nouvelles données.; Voir la leçon: Surapprentissage et généralisation
Taux d'apprentissage: La taille de chaque pas de la descente de gradient.; Voir la leçon: Apprendre = descendre la pente
Température: Un réglage qui rend la sortie d'un modèle plus prévisible (basse) ou plus variée (haute).; Voir la leçon: Prédire le token suivant
Token: Un morceau de texte (mot, bout de mot ou caractère) qu'un modèle de langage lit et écrit.; Voir la leçon: Les tokens : comment l'IA lit le texte
Transformer: L'architecture de réseau de neurones, fondée sur l'attention, derrière les modèles de langage modernes.; Voir la leçon: Attention et transformers
Utilisation d'outils (appel de fonction): Le modèle produit une demande structurée pour utiliser un outil (recherche, code, agenda) ; l'appli l'exécute et renvoie le résultat.; Voir la leçon: Outils, appel de fonctions et MCP
Vibe coding: Créer un logiciel surtout en décrivant ce que l'on veut à un agent de code et en acceptant son code, souvent sans le relire de près. Rapide pour un prototype, risqué pour une vraie appli.; Voir la leçon: Le harnais : tout ce qui entoure le modèle