A
- Agent (IA agentique)
- Système d'IA capable de planifier et d'enchaîner des actions de manière autonome pour atteindre un objectif (naviguer sur le web, écrire du code, utiliser des outils).
- AGI (Intelligence artificielle générale)
- IA hypothétique capable d'égaler ou de dépasser l'humain sur la plupart des tâches cognitives.
- Algorithme
- Suite finie d'instructions permettant de résoudre un problème ou d'effectuer un calcul.
- Apprentissage automatique (machine learning)
- Famille d'algorithmes qui apprennent des régularités à partir de données plutôt que d'être programmés explicitement.
- Apprentissage profond (deep learning)
- Sous-domaine du machine learning fondé sur des réseaux de neurones à plusieurs couches.
- Apprentissage par renforcement
- Un agent apprend en recevant des récompenses ou des pénalités pour ses actions dans un environnement.
- ASI (Super-intelligence artificielle)
- Hypothèse d'une IA dépassant largement les capacités cognitives humaines dans tous les domaines.
- Attention
- Mécanisme central des transformers qui pondère l'importance relative des mots d'une séquence.
B
- Benchmark
- Test standardisé permettant de comparer les performances de différents modèles (MMLU, HumanEval, etc.).
- Biais algorithmique
- Distorsion systématique d'un modèle, souvent issue des données d'entraînement, pouvant produire des résultats injustes.
C / D
- Chatbot
- Programme conversationnel capable de dialoguer en langage naturel.
- Cloud / Edge
- Cloud : exécution sur des serveurs distants. Edge : exécution locale, sur l'appareil de l'utilisateur.
- Corpus / Dataset
- Ensemble de données utilisées pour entraîner ou évaluer un modèle.
- Diffusion (modèles de)
- Famille de modèles génératifs d'images (Stable Diffusion, Midjourney) qui partent d'un bruit et le débruitent progressivement.
E / F
- Embeddings
- Représentation numérique (vecteur) d'un mot, d'une image ou d'un document, qui permet aux machines de comparer leur sens.
- Fine-tuning
- Spécialisation d'un modèle pré-entraîné sur un domaine ou un style particulier.
- Fondation (modèle de)
- Grand modèle généraliste pré-entraîné sur de vastes données, adaptable à de nombreuses tâches.
G / H
- Générative (IA)
- IA produisant des contenus nouveaux (texte, image, son, vidéo, code) plutôt que de simplement classer ou prédire.
- GPT (Generative Pre-trained Transformer)
- Famille de modèles de langage d'OpenAI fondés sur l'architecture transformer.
- GPU / TPU
- Processeurs graphiques (NVIDIA) ou tensoriels (Google) optimisés pour l'entraînement et l'inférence des modèles.
- Hallucination
- Invention par un modèle de faits faux mais formulés avec assurance.
I / L
- Inférence
- Phase d'utilisation d'un modèle déjà entraîné pour produire une réponse.
- LLM (Large Language Model)
- Grand modèle de langage entraîné sur d'énormes corpus textuels (GPT, Claude, Gemini, Mistral, Llama).
- LoRA (Low-Rank Adaptation)
- Technique légère de fine-tuning qui ajoute de petits modules au modèle sans le réentraîner entièrement.
M / N
- Multimodal
- Modèle capable de traiter plusieurs types d'entrées : texte, image, audio, vidéo.
- MoE (Mixture of Experts)
- Architecture où seuls quelques sous-réseaux "experts" sont activés par requête, pour gagner en efficacité.
- NLP (Traitement du langage naturel)
- Branche de l'IA dédiée à la compréhension et à la production du langage humain.
- Neurone artificiel
- Unité de calcul élémentaire d'un réseau de neurones, inspirée du neurone biologique.
O / P
- Open source / Open weights
- Modèles dont le code et/ou les poids sont publiquement disponibles (Mistral, Llama, DeepSeek).
- Overfitting (surapprentissage)
- Un modèle qui mémorise ses données d'entraînement au point d'échouer sur des cas nouveaux.
- Prompt
- Instruction donnée à un modèle en langage naturel.
- Prompt engineering
- Art de formuler des prompts efficaces pour obtenir de meilleures réponses.
- Paramètres (poids)
- Valeurs numériques internes d'un modèle, ajustées pendant l'entraînement (mesurées en milliards : 7B, 70B, 405B…).
Q / R
- Quantization
- Compression d'un modèle en réduisant la précision de ses poids (8-bit, 4-bit) pour qu'il tienne sur du matériel modeste.
- RAG (Retrieval-Augmented Generation)
- Technique qui combine un modèle de langage avec une base documentaire pour répondre à partir de sources réelles.
- Raisonnement (reasoning models)
- Modèles entraînés à "réfléchir étape par étape" (o-series d'OpenAI, DeepSeek R1, Claude thinking, Gemini thinking).
- Réseau de neurones
- Modèle composé de couches de neurones artificiels interconnectés.
- RLHF (Reinforcement Learning from Human Feedback)
- Méthode d'alignement où des humains classent les réponses du modèle pour le rendre plus utile et inoffensif.
S / T
- Singularité technologique
- Hypothèse d'une accélération hors de contrôle des progrès de l'IA, dépassant l'intelligence humaine.
- Supervisé / non supervisé
- Supervisé : on apprend à partir d'exemples étiquetés. Non supervisé : on découvre des structures dans des données sans étiquettes.
- Token
- Unité élémentaire de texte (mot ou fragment) traitée par un LLM.
- Transformer
- Architecture neuronale introduite en 2017 ("Attention is All You Need"), fondement de tous les grands LLM modernes.
- Test de Turing
- Proposé en 1950 : une machine "pense" si un humain ne parvient pas à la distinguer d'un autre humain par conversation.
U / V / Z
- Vision par ordinateur
- Domaine de l'IA dédié à l'analyse d'images et de vidéos.
- Zero-shot / Few-shot
- Capacité d'un modèle à résoudre une tâche sans exemples (zero) ou avec quelques exemples (few) fournis dans le prompt.
Sources : documentation OpenAI / Anthropic / Google DeepMind / Mistral, Wikipédia, magazine Le Point « Le nouveau guide de la super intelligence artificielle ».