Référence

Glossaire

Définitions en langage clair des termes d'IA courants, pour les lecteurs et les moteurs de réponse.

AI agent: Un système qui utilise un modèle pour planifier et exécuter des tâches en plusieurs étapes, souvent en appelant des outils.
Alignment: L'effort visant à faire en sorte que les systèmes d'IA se comportent selon les intentions et les valeurs humaines.
Attention: Un mécanisme qui permet à un modèle de pondérer les parties de l'entrée les plus importantes pour chaque sortie.
Chain-of-thought: Une approche de prompting ou d'entraînement où un modèle déroule des étapes de raisonnement intermédiaires avant de répondre.
Context window: La quantité maximale de texte, mesurée en tokens, qu'un modèle peut prendre en compte à la fois.
Diffusion model: Un modèle génératif qui produit des images ou d'autres médias en retirant itérativement le bruit d'un signal aléatoire.
Distillation: L'entraînement d'un modèle plus petit à imiter un plus grand, en conservant une grande partie de ses capacités à moindre coût.
Embedding: Une représentation vectorielle numérique d'un texte ou d'autres données qui capture des aspects de leur sens.
Few-shot learning: Guider un modèle avec quelques exemples dans le prompt plutôt que de le réentraîner.
Fine-tuning: Entraînement supplémentaire d'un modèle pré-entraîné sur un jeu de données plus restreint pour l'adapter à une tâche ou un domaine précis.
Foundation model: Un grand modèle entraîné sur des données étendues, adaptable à de nombreuses tâches en aval.
Hallucination: Lorsqu'un modèle génère un texte fluide mais factuellement incorrect ou non étayé.
Inference: L'exécution d'un modèle entraîné pour produire des sorties, par opposition à son entraînement.
Large language model (LLM): Un réseau de neurones entraîné sur de grandes quantités de texte pour prédire et générer du langage.
Mixture of experts (MoE): Une architecture de modèle qui achemine chaque entrée vers un sous-ensemble de sous-réseaux spécialisés pour économiser du calcul.
Multimodal: Qualifie un modèle capable de traiter ou de générer plusieurs types de données, comme du texte et des images.
Open weights: Paramètres d'un modèle rendus publics afin que d'autres puissent l'exécuter ou l'adapter.
Prompt: Le texte ou toute autre entrée fournie à un modèle pour lui donner des instructions ou obtenir une réponse.
Prompt engineering: La pratique consistant à concevoir et affiner des prompts pour obtenir des sorties de modèle plus fiables ou utiles.
Quantization: La réduction de la précision numérique des poids d'un modèle pour qu'il s'exécute plus vite et consomme moins de mémoire.
Reasoning model: Un modèle entraîné à consacrer du calcul supplémentaire à raisonner pas à pas avant de répondre.
Red-teaming: Le fait de sonder délibérément un système d'IA à la recherche de comportements nuisibles, dangereux ou involontaires, avant et après sa mise en service.
Reinforcement learning from human feedback (RLHF): Une méthode d'entraînement qui utilise des jugements de préférence humains pour orienter un modèle vers un comportement plus utile.
Retrieval-augmented generation (RAG): Une technique qui récupère des documents pertinents et les fournit à un modèle pour étayer ses réponses.
Speech recognition (ASR): La conversion automatique d'un enregistrement vocal en texte écrit.
System prompt: Une instruction masquée qui définit le rôle, les règles et le comportement d'un modèle avant l'entrée de l'utilisateur.
Temperature: Un paramètre d'échantillonnage qui contrôle le caractère aléatoire ou prévisible des sorties d'un modèle.
Text-to-image: La génération d'images à partir de descriptions écrites à l'aide d'un modèle génératif.
Token: Une unité de texte, comme un mot ou un fragment de mot, qu'un modèle de langage lit et génère.
Tool use (function calling): La capacité d'un modèle à appeler des fonctions externes, des API ou des applications pour accomplir une tâche.
Transformer: Une architecture de réseau de neurones fondée sur l'attention, à la base de la plupart des modèles de langage et multimodaux modernes.
Vector database: Une base de données qui stocke des embeddings et retrouve des éléments par similarité, souvent utilisée pour la récupération dans les applications d'IA.