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 poursuivre un objectif en plusieurs étapes, décide de la suite et appelle souvent des outils externes (recherche, exécution de code ou API interne) avant de rendre un résultat. Exemple : un agent qui lit un rapport de bug, ouvre le dépôt, modifie un fichier et lance les tests. À ne pas confondre avec un chatbot ou un classifieur à un seul tour, qui répond une fois sans planifier ni agir sur d'autres systèmes.
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.
Citation: Une citation est une référence jointe à une sortie qui indique l'origine d'une affirmation, d'une citation textuelle ou d'un chiffre, en nommant généralement un document, une page ou une source pour que le lecteur puisse vérifier. Exemple : une réponse qui donne un chiffre et renvoie au paragraphe du rapport dont il provient. À ne pas confondre avec l'ancrage ni avec l'exactitude : une citation montre seulement quelle source un système a jointe, et ce même système peut joindre une citation plausible à une affirmation que la source n'étaye pas.
Commercial use: L'usage commercial désigne tout usage d'un modèle, d'un outil ou de leur résultat destiné à générer des revenus ou à soutenir une activité professionnelle : vendre un produit conçu avec lui, l'intégrer à un service payant ou l'appliquer à des travaux facturés aux clients. Exemple : un studio génère des images avec un modèle et les livre à des clients payants. À ne pas confondre avec l'accès payant : acheter un abonnement ne confère pas à lui seul des droits commerciaux, et certaines conditions gratuites autorisent bel et bien l'usage commercial.
Context window: La quantité maximale de texte, mesurée en tokens, qu'un modèle peut prendre en compte dans une seule requête, y compris les instructions, la conversation en cours et les documents fournis ; ce qui dépasse cette limite est écarté ou tronqué. Exemple : un contrat long qui dépasse la fenêtre doit être découpé ou résumé avant qu'on puisse l'interroger en entier. À ne pas confondre avec une mémoire ni avec les données d'entraînement : la fenêtre est une limite par requête et ne stocke pas tout ce que le modèle a vu.
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: Un vecteur numérique qui représente un texte, une image ou un autre élément, de sorte que les éléments de sens proche se retrouvent proches dans un espace à nombreuses dimensions, ce qui rend possibles la recherche sémantique et le regroupement. Exemple : un centre d'aide stocke un vecteur par article afin de rapprocher la question d'un utilisateur des articles les plus proches. À ne pas confondre avec un prompt ni avec un résumé : une représentation vectorielle n'est pas un texte lisible et ses nombres ne s'interprètent pas en les lisant.
Few-shot learning: Guider un modèle avec quelques exemples dans le prompt plutôt que de le réentraîner.
Fine-tuning: Entraînement supplémentaire d'un modèle déjà pré-entraîné sur un jeu de données plus restreint afin qu'il suive de plus près une tâche, un ton ou un domaine donné. Exemple : une entreprise entraîne un modèle de base sur ses propres paires question-réponse sélectionnées pour que les réponses respectent son style maison. À ne pas confondre avec la génération augmentée par récupération, qui laisse les poids intacts et ajoute des documents au moment de répondre, ni avec l'ingénierie de prompt, qui ne fait que réécrire les instructions.
Foundation model: Un grand modèle entraîné sur des données étendues, adaptable à de nombreuses tâches en aval.
Free tier: Un palier gratuit est un niveau d'accès sans frais qu'un service propose en plus de ses offres payantes, généralement limité par des quotas d'usage, des fonctionnalités disponibles, des sièges ou une durée, afin de permettre d'essayer le produit ou de garder un usage léger sans payer. Exemple : une interface qui autorise un certain nombre de requêtes par mois avant d'exiger une offre payante. À ne pas confondre avec un logiciel libre ni avec l'open source : c'est une offre commerciale qui peut être modifiée ou retirée et qui ne dit rien de la licence du modèle sous-jacent.
Function calling: Une capacité du modèle à renvoyer des appels structurés vers des fonctions définies par le développeur plutôt que du texte brut.
Grounding: Relier les réponses d'un modèle à des sources externes vérifiables telles que des documents ou des résultats de recherche.
Guardrails: Des règles et filtres qui encadrent les sorties d'un système d'IA pour qu'elles restent sûres, exactes et pertinentes.
Hallucination: Une sortie dans laquelle le modèle affirme quelque chose de faux ou non étayé, ou invente un détail comme une citation, un chiffre ou un nom de fonction, en écrivant avec la même fluidité et la même assurance que lorsqu'il a raison. Exemple : un résumé qui cite une section d'un document qui ne contient pas l'affirmation attribuée. À ne pas confondre avec un mensonge ni avec un biais : l'hallucination vient de la manière dont le modèle génère le texte, non d'une intention de tromper ni d'un point de vue particulier.
Inference: Exécuter un modèle déjà entraîné sur une nouvelle entrée pour produire une sortie, par exemple une prédiction, une traduction ou une image générée. C'est l'étape où un service consomme du calcul à chaque requête, et elle est distincte de l'entraînement, qui a eu lieu avant. Exemple : une application envoie une photo importée à un modèle et reçoit une légende en une seconde. À ne pas confondre avec l'entraînement ou l'affinage, qui ajustent les paramètres du modèle sur un jeu de données et coûtent en général bien plus cher par exécution.
Large language model (LLM): Un réseau de neurones entraîné sur de grandes quantités de texte pour prédire et générer du langage.
License: Une licence est l'autorisation juridique accordée par le titulaire des droits sur la façon dont un modèle, ses poids ou un logiciel peuvent être utilisés, copiés, modifiés et rediffusés ; elle fixe les conditions attachées à ces droits plutôt que de décrire la technique. Exemple : un modèle peut être publié pour la recherche uniquement, tandis qu'un autre autorise des produits commerciaux mais exige que les versions modifiées conservent les mêmes termes. À ne pas confondre avec les poids ouverts ni avec l'open source : des poids peuvent être téléchargeables selon des conditions qui interdisent l'usage commercial, et une licence de code permissive ne dit rien des données d'entraînement.
Mixture of experts (MoE): Une architecture de modèle qui achemine chaque entrée vers un sous-ensemble de sous-réseaux spécialisés pour économiser du calcul.
Model Context Protocol (MCP): Un protocole ouvert qui standardise la façon dont les assistants et d'autres applications pilotées par un modèle se connectent à des sources de données et à des outils externes, afin qu'un même connecteur soit réutilisé par plusieurs clients au lieu d'être réécrit pour chaque combinaison d'application et de service. Exemple : un serveur qui expose le système de tickets d'une entreprise peut être rattaché sans modification à un assistant de bureau et à un outil de programmation. À ne pas confondre avec un modèle ni avec l'API d'un seul fournisseur : il décrit la manière dont les outils sont proposés et appelés et ne dit rien de la qualité du modèle en face.
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 publiés pour que d'autres puissent les télécharger, les exécuter et souvent les modifier, par opposition à un modèle accessible uniquement via le service hébergé d'un fournisseur. Exemple : une équipe télécharge les poids publiés et les exécute sur ses propres machines afin que les données restent dans son réseau. À ne pas confondre avec l'open source : les poids seuls ne disent rien de la licence, des données d'entraînement ni du code d'entraînement ; un modèle à poids ouverts n'est donc pas automatiquement open source.
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 recherche dans un corpus externe les passages pertinents pour une question et les transmet à un modèle, afin que la réponse s'appuie sur les sources récupérées et non uniquement sur les connaissances mémorisées par le modèle. Exemple : un assistant de support qui trouve le paragraphe correspondant dans un manuel produit et le cite dans sa réponse. À ne pas confondre avec l'affinage, qui modifie les poids du modèle : la génération augmentée par récupération laisse les poids intacts et ne change que le texte que le modèle voit au moment de répondre.
Self-hosting: L'auto-hébergement consiste à exécuter un modèle ou une application sur une infrastructure que l'on contrôle, serveurs propres, cloud privé ou ordinateur portable, plutôt que d'y accéder par le service hébergé d'un fournisseur. Exemple : une entreprise installe des modèles à poids ouverts dans son propre réseau pour que les invites et les documents n'en sortent jamais. À ne pas confondre avec les poids ouverts : le droit d'exécuter soi-même un modèle dépend de sa licence, et un modèle dont les poids sont téléchargeables peut tout de même être proposé principalement comme service hébergé.
Small language model (SLM): Un modèle de langage compact conçu pour fonctionner efficacement sur des appareils ou à faible coût avec une qualité compétitive.
Speech recognition (ASR): La conversion automatique d'un enregistrement vocal en texte écrit.
Synthetic data: Des données générées artificiellement, utilisées pour entraîner ou évaluer des modèles lorsque les données réelles sont rares ou sensibles.
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.
Text-to-video: Générer des clips vidéo à partir de descriptions en langage naturel à l'aide de modèles génératifs.
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.
Vibe coding: Un style de développement logiciel où les développeurs décrivent leurs objectifs en langage naturel et laissent l'IA générer le code.
Voice cloning: Le clonage vocal construit une voix synthétique à partir d'enregistrements d'une personne qui parle, afin qu'un texte nouveau puisse être lu à voix haute avec une voix qui ressemble à la sienne ; les méthodes vont d'un court échantillon à des heures d'audio. Exemple : un narrateur enregistre quelques minutes une fois, puis fait lire une phrase corrigée par la même voix sans reprendre de séance. À ne pas confondre avec la reconnaissance vocale : celle-ci transforme l'audio en texte, tandis que le clonage transforme le texte en audio imitant un locuteur donné.
World model: Un système d'IA qui apprend une représentation interne d'un environnement pour prédire son évolution dans le temps.
Zero-shot learning: La capacité d'un modèle à effectuer une tâche sans avoir vu d'exemples dans l'invite.