L’intelligence artificielle générative transforme notre façon de créer du texte, des images et bien plus encore. Mais entre LLM, deep learning, GPT ou prompt engineering, il est facile de se perdre dans le jargon technique.

Ce lexique simplifié vous aide à comprendre rapidement les concepts clés de l’IA générative. Que vous soyez curieux, passionné ou professionnel, ces définitions claires et concises vous permettront d’exploiter pleinement le potentiel de l’IA.

Intelligence Artificielle (IA)
Système informatique capable d’exécuter des tâches nécessitant normalement l’intelligence humaine, comme l’apprentissage, le raisonnement et la résolution de problèmes.

Machine Learning
Branche de l’IA où les machines apprennent à partir de données pour améliorer leurs performances sans programmation explicite.

Deep Learning
Sous-catégorie du machine learning utilisant des réseaux de neurones profonds pour traiter et extraire des caractéristiques complexes des données.

LLM (Large Language Model)
Modèle de langage de grande envergure qui génère ou analyse du texte en s’appuyant sur d’énormes ensembles de données. Comprendre les LLM : Modèles de Langage IA et leur Fonctionnement

VLM (Vision Language Model)
Modèle qui combine l’analyse d’images et le traitement du langage pour comprendre et générer des contenus multimédias. Vision-Language Models : L’IA Multimodale qui Réinvente l’Entreprise

GPT
Série de modèles LLM développés par OpenAI, connus pour leur capacité à générer un texte cohérent et contextuel.

Transformer
Architecture de réseau de neurones qui utilise des mécanismes d’attention pour traiter les séquences de données, révolutionnant le traitement du langage.

Tokenizer
Outil qui découpe le texte en unités plus petites (mots ou sous-mots) pour faciliter l’analyse et le traitement par les modèles d’IA.

Algorithme
Ensemble de règles ou d’instructions permettant de résoudre un problème ou d’exécuter une tâche de manière automatisée.

Réseau de neurones
Modèle informatique inspiré du cerveau humain, composé de neurones artificiels pour reconnaître des patterns dans les données.

Data Science
Discipline qui utilise des méthodes scientifiques pour extraire des connaissances à partir de données structurées et non structurées.

Données d’entraînement
Ensemble de données utilisé pour apprendre à un modèle d’IA à réaliser des prédictions ou à générer du contenu.

Fine-tuning
Processus d’ajustement d’un modèle pré-entraîné sur un jeu de données spécifique pour améliorer ses performances sur une tâche donnée.

Prompt engineering
Technique qui consiste à formuler des instructions précises pour guider la génération de contenu par un modèle d’IA.

Inférence
Phase où un modèle d’IA utilise ce qu’il a appris pour effectuer des prédictions ou générer des réponses en temps réel.

Chatbot
Programme automatisé capable de simuler une conversation humaine, souvent utilisé pour le support client ou l’assistance en ligne.

Génération de texte
Processus par lequel une IA crée du contenu écrit, que ce soit des articles, des résumés ou des réponses à des questions.

Génération d’images
Technique d’IA qui permet de créer des images réalistes ou artistiques à partir d’un prompt textuel ou d’un modèle génératif.

Data augmentation
Méthode d’enrichissement des données d’entraînement par des transformations ou modifications pour améliorer la robustesse du modèle.

Overfitting
Situation où un modèle apprend trop bien les détails et le bruit des données d’entraînement, nuisant à sa capacité de généralisation.

Underfitting
Cas où un modèle est trop simple et ne capture pas suffisamment les tendances des données, conduisant à de faibles performances.

Hyperparamètres
Paramètres définis avant l’entraînement d’un modèle qui influencent son apprentissage et sa performance finale.

Rétropropagation
Méthode d’optimisation utilisée pour ajuster les poids des réseaux de neurones en fonction de l’erreur produite lors de l’apprentissage.

Régression
Technique statistique utilisée pour prédire une valeur continue à partir d’un ensemble de variables.

Classification
Processus qui consiste à assigner des catégories ou des labels aux données en fonction de leurs caractéristiques.

Embedding
Représentation vectorielle d’éléments (mots, images) qui permet de capter leurs relations sémantiques dans un espace numérique.

Mécanisme d’attention
Composant des modèles de deep learning qui permet de focaliser l’analyse sur les parties les plus pertinentes des données.

Modèle pré-entraîné
Modèle déjà formé sur un large jeu de données et réutilisable pour diverses tâches avec un ajustement minimal.

Data mining
Processus d’extraction d’informations pertinentes à partir de grands ensembles de données grâce à des techniques analytiques.

Optimisation
Ensemble des techniques visant à améliorer les performances d’un modèle en minimisant les erreurs et en accélérant l’apprentissage.

Apprentissage supervisé
Méthode d’entraînement d’un modèle où les données d’entrée sont associées à des réponses connues pour guider l’apprentissage.

Apprentissage non supervisé
Technique d’IA qui explore les structures cachées des données sans utiliser d’étiquettes ou de réponses prédéfinies.

Réseau convolutionnel (CNN)
Type de réseau de neurones principalement utilisé pour l’analyse et la reconnaissance d’images grâce à des filtres de convolution.

Réseau récurrent (RNN)
Architecture de réseau de neurones adaptée au traitement de séquences, comme le texte ou la parole, en tenant compte du contexte.

Auto-encodeur
Modèle de deep learning utilisé pour apprendre des représentations compressées des données, utile pour la réduction de dimensionnalité.

GAN (Generative Adversarial Network)
Réseau de neurones composé de deux modèles en compétition qui génèrent des contenus réalistes, souvent utilisé pour la création d’images.

Modèles de diffusion
Algorithmes génératifs qui créent des images en partant d’un bruit aléatoire et en affinant progressivement le résultat.

Sémantique
Étude du sens des mots et des phrases, essentielle pour que les modèles d’IA comprennent et génèrent un contenu cohérent.

Biais algorithmique
Tendance d’un modèle d’IA à produire des résultats discriminatoires en raison de données d’entraînement non équilibrées.

Intelligence augmentée
Collaboration entre l’humain et l’IA pour améliorer la prise de décision, en combinant l’analyse automatique et l’expertise humaine.

Synthèse vocale
Technologie qui convertit du texte en parole, utilisée dans les assistants vocaux et les outils d’accessibilité.

Reconnaissance vocale
Processus par lequel une IA transcrit la parole en texte, facilitant les interactions vocales avec les machines.

Analyse de sentiment
Technique d’IA qui détecte et interprète les émotions ou opinions exprimées dans un texte.

Visualisation de données
Représentation graphique des informations pour faciliter leur compréhension et mettre en évidence des tendances ou des anomalies.

Framework IA
Ensemble d’outils et de bibliothèques qui simplifient le développement, l’entraînement et le déploiement de modèles d’IA.

API d’IA
Interface de programmation qui permet d’intégrer des fonctionnalités d’IA dans des applications et services externes.

Explicabilité de l’IA
Capacité à comprendre et à expliquer les décisions prises par un modèle d’IA, essentielle pour la transparence et la confiance.

Éthique de l’IA
Ensemble de principes et de pratiques visant à garantir que le développement et l’utilisation de l’IA se font de manière responsable et juste.

Intelligence artificielle générative
Branche de l’IA qui se concentre sur la création de contenu nouveau et original (texte, images, musique) à partir de modèles prédictifs.

Sécurité des données
Ensemble de mesures et de protocoles visant à protéger les informations utilisées et générées par les systèmes d’IA contre les accès non autorisés.

Prompting
C’est l’action de fournir une instruction ou une requête à un modèle d’IA pour générer une réponse ou un contenu. Le prompting est essentiel pour orienter l’IA vers des résultats précis et pertinents. Comprendre les LLM : Maîtriser le Prompting

Prompt Engineering
C’est la technique qui consiste à formuler, tester et optimiser ces instructions afin d’obtenir des performances maximales du modèle d’IA. Le prompt engineering améliore la qualité des réponses et permet de tirer le meilleur parti des modèles de langage.