lexique
IA générative
Comment fonctionne un modèle de langage qui répond. 89 termes, par ordre alphabétique.
- A2A
- Protocole ouvert qui permet à des agents IA d’éditeurs différents de communiquer entre eux, d’échanger des informations et de se coordonner.
- Agent IA
- Système dans lequel un modèle de langage décide lui-même des étapes et des outils à employer pour atteindre un objectif fixé par l’utilisateur.
- AI Act
- Règlement (UE) 2024/1689, qui fixe des règles harmonisées pour les systèmes d’IA dans l’Union européenne selon leur niveau de risque.
- Analyse de sentiment
- Classement automatique d’un texte selon l’opinion qu’il exprime — positive, négative ou neutre — parfois assorti d’un score d’intensité.
- Ancrage
- Fait de fournir à un modèle, au moment où il répond, des contenus tirés d’un index pour que sa réponse s’appuie sur eux.
- Appel d’outils
- Mécanisme par lequel un modèle demande l’exécution d’une fonction externe — recherche, calcul, requête à une API — et en reçoit le résultat.
- Apprentissage automatique
- Branche de l’IA où un programme ajuste ses paramètres à partir d’exemples, au lieu de suivre des règles écrites à la main par un développeur.
- Apprentissage en contexte
- Capacité d’un modèle à adapter sa réponse aux exemples et aux documents présents dans son prompt, sans modification de ses paramètres.
- Apprentissage profond
- Forme d’apprentissage automatique fondée sur des réseaux de neurones à nombreuses couches, qui tirent eux-mêmes des données leurs représentations.
- Base de connaissances
- Ensemble organisé de documents ou de faits qu’un système interroge pour répondre, par opposition à ce que le modèle a mémorisé.
- Base de données vectorielle
- Système de stockage conçu pour conserver des embeddings et retrouver rapidement ceux qui sont les plus proches d’un vecteur donné.
- Benchmark
- Jeu d’épreuves standardisé, assorti d’une méthode de notation, qui sert à comparer des modèles sur une même tâche.
- Biais algorithmique
- Écart systématique dans les résultats d’un système automatique, qui favorise ou défavorise certains groupes, sources ou points de vue.
- Bibliothèque de prompts
- Recueil organisé de prompts testés et versionnés, qu’une équipe réutilise pour ses tâches récurrentes au lieu de les réécrire à chaque fois.
- BM25
- Fonction de classement lexicale qui note un document d’après la présence des termes de la requête, leur rareté et la longueur du document.
- Chaîne de pensée
- Technique de prompt qui fait produire au modèle les étapes intermédiaires de son raisonnement avant la réponse finale.
- Chatbot
- Programme qui dialogue avec un utilisateur en langage naturel, par écrit ou à l’oral, pour répondre à ses questions ou accomplir une tâche.
- Chunking
- Découpage d’un document en fragments, les chunks, qui sont indexés et récupérés séparément par un système de recherche.
- Connaissance paramétrique
- Ce qu’un modèle restitue à partir de ses seuls paramètres, sans document fourni ni recherche, par opposition à ce qu’il lit dans son contexte.
- Context engineering
- Discipline qui consiste à choisir ce qu’on place dans la fenêtre de contexte d’un modèle à chaque étape : consignes, outils, documents, historique.
- Contextual retrieval
- Méthode de récupération présentée par Anthropic, qui ajoute à chaque fragment un court contexte le situant dans son document avant de l’indexer.
- Cross-encoder
- Modèle qui lit ensemble une requête et un passage pour noter leur adéquation, par opposition au bi-encoder, qui les encode séparément.
- Date de coupure
- Date après laquelle un modèle n’a plus rien acquis par entraînement, et au-delà de laquelle il ne dispose d’aucune information sans recherche.
- Dense retrieval
- Récupération de documents par comparaison d’embeddings, la requête et les passages étant encodés séparément en vecteurs denses.
- Distillation
- Technique qui entraîne un petit modèle à reproduire les sorties d’un grand, afin d’en conserver l’essentiel des capacités à moindre coût.
- Données d’entraînement
- Ensemble des textes, images ou autres contenus à partir desquels les paramètres d’un modèle ont été ajustés.
- Données synthétiques
- Données produites par un modèle ou un programme, et non recueillies dans le monde réel, pour entraîner ou tester un autre système.
- Embedding
- Représentation d’un texte ou d’une image par une liste de nombres, construite pour que deux contenus de sens proche aient des listes proches.
- Entraînement
- Phase pendant laquelle les paramètres d’un modèle sont ajustés à partir d’un grand volume de données, avant sa mise en service.
- Espace latent
- Espace mathématique à nombreuses dimensions dans lequel un modèle place ses représentations, et où la proximité traduit une ressemblance.
- Évaluation de modèle
- Mesure méthodique de la qualité des sorties d’un modèle ou d’un prompt sur un ensemble de cas préparés à l’avance.
- Fenêtre de contexte
- Quantité maximale de texte, comptée en tokens, qu’un modèle peut prendre en compte en une fois : consignes, conversation, documents et réponse.
- Few-shot
- Manière d’interroger un modèle en plaçant dans le prompt quelques exemples de la tâche résolue, pour qu’il en reproduise le schéma.
- Fine-tuning
- Poursuite de l’entraînement d’un modèle déjà pré-entraîné sur un jeu de données plus restreint, pour l’adapter à un domaine ou à un style.
- Garde-fous
- Ensemble des mécanismes qui encadrent ce qu’un modèle accepte de traiter et de produire : filtres, consignes, contrôles en entrée et en sortie.
- Génération d’images
- Production d’une image par un modèle à partir d’une description en langage naturel, sans prise de vue ni dessin.
- GPT
- Sigle de Generative Pre-trained Transformer : famille de modèles de langage d’OpenAI et, par extension, nom d’usage de ce type de modèle.
- Hallucination
- Affirmation fausse ou invérifiable produite par un modèle génératif avec la même assurance qu’une affirmation exacte.
- HyDE
- Technique de récupération qui fait rédiger par un modèle une réponse hypothétique, puis cherche les documents réels qui lui ressemblent.
- IA agentique
- Usage de l’IA dans lequel des modèles ne se bornent plus à répondre, mais enchaînent des actions pour mener une tâche à son terme.
- IA générative
- Famille de modèles d’IA qui produisent du contenu nouveau — texte, image, son, code — à partir d’une consigne, au lieu de classer ou de prédire.
- Inférence
- Phase d’utilisation d’un modèle entraîné : il reçoit une entrée et calcule une sortie, sans que ses paramètres soient modifiés.
- Injection de prompt
- Attaque qui glisse des instructions dans un contenu lu par un modèle, pour détourner son comportement à l’insu de l’utilisateur.
- Intelligence artificielle
- Ensemble des techniques qui font exécuter à une machine des tâches jusque-là réservées à l’humain : reconnaître, classer, prédire, rédiger.
- Jailbreak
- Manœuvre par laquelle un utilisateur rédige ses demandes de façon à faire produire à un modèle ce que ses garde-fous lui interdisent.
- LLM
- Modèle entraîné sur de très grands volumes de texte à prédire la suite d’une séquence, ce qui lui permet de rédiger, résumer ou répondre.
- LLM juge
- Emploi d’un modèle de langage pour noter les sorties d’un autre modèle, à la place ou en complément d’une évaluation humaine.
- MCP
- Protocole ouvert qui normalise la façon dont une application d’IA se connecte à des sources de données, des outils et des services externes.
- Mécanisme d’attention
- Calcul par lequel un modèle pondère, pour chaque token, l’influence de tous les autres tokens du texte qu’il traite.
- Mémoire
- Fonction qui permet à un assistant de conserver des informations d’une conversation à l’autre et de les réutiliser dans ses réponses.
- Modèle autorégressif
- Modèle qui génère une séquence élément par élément, chaque nouveau token étant prédit à partir de tous ceux qui le précèdent.
- Modèle de diffusion
- Modèle génératif qui produit une image en partant d’un bruit aléatoire et en le débruitant par étapes, guidé par une description.
- Modèle de fondation
- Modèle entraîné sur des données larges et variées, puis adapté à de nombreuses tâches qu’il n’a pas apprises une à une.
- Modèle de raisonnement
- Modèle de langage qui produit des étapes de raisonnement internes avant de rédiger sa réponse, au prix de plus de temps et de tokens.
- Modèle multimodal
- Modèle capable de traiter ou de produire plusieurs types de contenus — texte, image, son, vidéo — au sein d’un même échange.
- Modèle ouvert
- Modèle dont les poids sont publiés et téléchargeables, ce qui permet de l’exécuter et de l’adapter sur sa propre infrastructure.
- Non-déterminisme
- Propriété d’un modèle génératif de pouvoir donner des réponses différentes à une même question posée plusieurs fois.
- Orchestration d’agents
- Coordination de plusieurs agents ou appels de modèle, chacun chargé d’une sous-tâche, par un programme ou par un agent principal.
- Paramètres
- Valeurs numériques internes d’un modèle, ajustées pendant l’entraînement, qui déterminent la sortie calculée pour chaque entrée.
- Pré-entraînement
- Première phase d’entraînement d’un modèle, sur un très grand corpus non étiqueté, où il acquiert ses capacités générales.
- Prompt
- Texte soumis à un modèle génératif pour obtenir une réponse : une question, une consigne, des documents, ou les trois à la fois.
- Prompt engineering
- Pratique qui consiste à rédiger et à organiser les consignes données à un modèle pour en obtenir des sorties plus justes et plus régulières.
- Prompt système
- Jeu d’instructions placé par l’éditeur d’un produit en amont de la conversation, qui fixe le rôle, le ton et les limites du modèle.
- RAG
- Architecture qui fait précéder la génération d’une recherche : le modèle rédige sa réponse à partir de documents récupérés pour l’occasion.
- Rappel et précision
- Deux mesures d’une recherche : la part des documents pertinents effectivement retrouvés, et la part de pertinents parmi ceux retrouvés.
- Recherche agentique
- Recherche menée par un modèle qui décide lui-même de ses requêtes, lit les résultats, puis relance ou approfondit jusqu’à pouvoir répondre.
- Recherche des plus proches voisins
- Opération qui consiste à trouver, parmi un très grand nombre de vecteurs, ceux qui sont les plus proches d’un vecteur de requête.
- Recherche hybride
- Recherche qui exécute en parallèle une recherche lexicale et une recherche vectorielle, puis fusionne les deux listes de résultats.
- Recherche lexicale
- Recherche qui retrouve les documents contenant les mots de la requête et les classe selon la fréquence et la rareté de ces mots.
- Recherche vectorielle
- Recherche qui retrouve les contenus dont l’embedding est le plus proche de celui de la requête, sans exiger de mots en commun.
- Récupération
- Étape où un système va chercher, dans un index, les documents ou les passages susceptibles de répondre à une question.
- Réécriture de requête
- Transformation de la question d’un utilisateur en une ou plusieurs requêtes mieux adaptées à l’index, avant de lancer la recherche.
- Reranking
- Second tri appliqué aux passages récupérés : un modèle plus précis les note un par un face à la requête et n’en garde que les meilleurs.
- Réseau de neurones
- Modèle de calcul fait de couches d’unités reliées par des poids, dont les valeurs sont ajustées pendant l’entraînement.
- Résumé automatique
- Production par un modèle d’un texte court qui restitue l’essentiel d’un ou de plusieurs documents plus longs.
- RLHF
- Méthode d’entraînement qui affine un modèle à partir de jugements humains sur ses réponses, pour qu’il préfère les sorties les mieux notées.
- Similarité cosinus
- Mesure de proximité entre deux vecteurs fondée sur l’angle qu’ils forment, indépendamment de leur longueur.
- SLM
- Modèle de langage de taille réduite, conçu pour tourner à moindre coût, parfois sur un téléphone ou un ordinateur sans passer par un serveur.
- Sortie structurée
- Réponse d’un modèle contrainte à respecter un format lisible par un programme, le plus souvent un objet JSON conforme à un schéma.
- Tatouage numérique
- Marque imperceptible insérée dans un contenu généré par IA au moment de sa création, pour permettre d’en détecter l’origine ensuite.
- Température
- Paramètre de génération qui règle la part de hasard dans le choix de chaque token : basse, la sortie est plus prévisible ; haute, plus variée.
- Token
- Unité de texte que manipule un modèle de langage : un mot, un fragment de mot, un signe de ponctuation ou quelques caractères.
- Tokenisation
- Découpage d’un texte en tokens, première opération qu’un modèle de langage applique à tout ce qu’il reçoit.
- Top-p
- Paramètre d’échantillonnage qui limite le choix du token suivant aux candidats les plus probables, jusqu’à un seuil de probabilité cumulée.
- Traduction automatique
- Traduction d’un texte d’une langue vers une autre par un modèle, sans intervention d’un traducteur humain.
- Traitement automatique du langage
- Discipline qui fait traiter le langage humain par des programmes : analyser un texte, le classer, le traduire, le résumer ou en produire un.
- Transcription automatique
- Conversion d’un enregistrement audio ou vidéo en texte par un modèle de reconnaissance de la parole.
- Transformer
- Architecture de réseau de neurones fondée sur le mécanisme d’attention, sur laquelle reposent les modèles de langage actuels.
- Zero-shot
- Manière d’interroger un modèle en lui décrivant la tâche sans lui fournir aucun exemple de réponse attendue.
Et sur votre site ?
Cette question se pose chez vous ?
Décrivez votre situation : nous répondons par écrit, avec une première lecture de ce qu’il faudrait regarder d’abord.
Voir le diagnostic
Vous recevez un premier avis écrit et le prix du diagnostic.
4,9/5 sur 34 avis Google. Réponse écrite, sans relance commerciale. Vos données ne servent qu’à vous répondre.