Glossaire IA : Comprendre l’intelligence artificielle, un mot à la fois
L’intelligence artificielle est partout.
Elle suggère des contenus, automatise des tâches, génère des textes, des images ou des décisions, et transforme progressivement nos métiers, nos organisations et notre quotidien. Pourtant, pour beaucoup, l’IA reste un sujet abstrait, parfois intimidant, souvent associé à un vocabulaire technique difficile à décrypter.
“Comprendre l’intelligence artificielle commence par maîtriser les mots que l’on utilise pour en parler.”
Ce glossaire IA a été conçu comme un outil de découverte et de clarification, destiné aux non spécialistes : professionnels, étudiants, décideurs, agents publics ou simples curieux. Il n’a pas vocation à faire de vous des experts techniques, mais à vous donner les clés de lecture essentielles pour comprendre l’IA, dialoguer avec des spécialistes et aborder ces technologies avec plus de confiance et d’esprit critique.
Les fondamentaux de l’intelligence artificielle
Algorithme
Suite d’instructions logiques et ordonnées permettant aux systèmes IA d’apprendre et d’améliorer leurs performances, incluant apprentissage auto-supervisé, apprentissage continu et apprentissage par renforcement.
Machine Learning (apprentissage automatique)
Branche de l’intelligence artificielle regroupant des méthodes permettant à un système d’apprendre à partir de données, sans être explicitement programmé pour chaque cas. Ces techniques sont utilisées notamment pour la reconnaissance vocale, les systèmes de recommandation ou la détection de fraude.
Deep Learning (apprentissage profond)
Sous-domaine du machine learning reposant sur des réseaux de neurones à plusieurs couches, permettant de traiter des données complexes comme les images, le son ou le langage.
Réseau de neurones artificiels
Modèle mathématique inspiré du cerveau humain, composé de neurones artificiels interconnectés, utilisé pour analyser des données et produire des prédictions.
Big Data
Ensemble de données massives, variées et produites à grande vitesse, utilisées pour entraîner les modèles d’intelligence artificielle.
IA faible (IA étroite)
IA spécialisée pour accomplir une tâche spécifique, sans capacité de raisonnement général.
IA forte (intelligence artificielle générale)
IA capable de comprendre, apprendre et raisonner comme un humain dans tous les domaines.
AGI – Intelligence Artificielle Générale (Artificial General Intelligence)
IA capable d’égaler les capacités cognitives humaines dans l’ensemble des tâches intellectuelles, avec une faculté de raisonnement, d’apprentissage et d’adaptation comparable à celle d’un être humain.
ASI – Superintelligence Artificielle (Artificial Superintelligence)
Hypothèse d’une intelligence artificielle surpassant largement l’intelligence humaine dans tous les domaines cognitifs, y compris la créativité, la stratégie, la résolution de problèmes complexes et la prise de décision.
Singularité technologique
Moment hypothétique où le développement de l’intelligence artificielle, notamment après l’apparition d’une AGI, deviendrait exponentiel, conduisant à des changements rapides et imprévisibles, dépassant la capacité humaine à les anticiper ou à les contrôler.
Surapprentissage (Overfitting)
Problème d’apprentissage lorsque le modèle s’adapte trop aux données d’entraînement et échoue à généraliser sur de nouvelles données.
Apprentissage et données
Méthodes d’apprentissage
Apprentissage supervisé
Méthode d’apprentissage dans laquelle un modèle est entraîné à partir de données étiquetées, associées à des réponses correctes.
Apprentissage non supervisé
Méthode d’apprentissage utilisant des données non étiquetées afin d’identifier des structures ou des regroupements cachés.
Apprentissage par renforcement
Approche d’apprentissage dans laquelle un agent apprend par essais et erreurs en recevant des récompenses ou des pénalités. Exemple : IA pour jouer au jeu de Go qui a appris en partant de zéro à force de faire des parties et de perdre
Apprentissage auto-supervisé
Méthode d’apprentissage intermédiaire dans laquelle le modèle génère lui-même des étiquettes à partir des signaux présents dans les données, sans intervention humaine explicite.
Apprentissage continu
Capacité d’un modèle à apprendre et à s’adapter en permanence à partir de nouvelles données.
Few-Shot/Zero-Shot Learning
Capacité d’un modèle à apprendre une tâche avec très peu (few-shot) ou aucune (zero-shot) donnée d’entraînement spécifique
Données
Données
Informations brutes ou structurées servant de matière première aux systèmes d’intelligence artificielle.
Dataset (jeu de données)
Ensemble organisé de données utilisé pour entraîner, tester ou valider un modèle.
Golden Dataset
Jeu de données de référence, soigneusement sélectionné et validé, utilisé pour évaluer la qualité d’un modèle.
Feature (caractéristique)
Variable ou information extraite des données et utilisée par un modèle pour apprendre.
IA générative
Modèles et techniques
IA générative (Generative AI)
Famille de modèles d’intelligence artificielle capables de produire du contenu original (texte, image, audio, vidéo, code, etc.) à partir de prompts. Fonctionne sur logique probabiliste, c'est-à-dire que le modèle va afficher le résultat qui sera statistiquement le plus probable compte tenu des données sur lesquelles il est entraînés.
Modèle de langage (LLM)
Modèle génératif basé sur le deep learning et le traitement du langage, capable de comprendre et générer du texte naturel et complexe.
Fine-tuning
Technique consistant à ré-entraîner un modèle IA sur des données spécifiques pour l’adapter à un besoin particulier.
RAG (Retrieval Augmented Generation)
Ensemble de fichiers / éléments contextuels que l'on met à disposition d'une IA pour obtenir des réponses contextualisées
RLHF (Reinforcement Learning from Human Feedback)
Méthode d’entraînement intégrant des retours humains pour ajuster le comportement d’un modèle. Exemple : chat GPT avec les icônes 👍🏻 👎🏻 sous chaque réponse.
Interaction avec les modèles
Prompt
Instruction ou consigne fournie à un modèle d’IA pour orienter sa génération de contenu ou sa prise de décision.
System prompt
Instruction de haut niveau définissant le rôle, le comportement et les règles générales que l’IA doit respecter tout au long de la conversation, indépendamment des prompts de l’utilisateur. Exemple : ton, limites, priorités.
Token
Unité de base utilisée par un modèle d’IA pour traiter le texte. Un mot, une partie de mot ou un symbole peut correspondre à un ou plusieurs tokens. Plus un texte est long, plus il consomme de tokens.
Context window (fenêtre de contexte)
Quantité maximale de texte (prompts, réponses et informations précédentes) que le modèle peut prendre en compte en même temps pour générer une réponse. Au-delà de cette limite, l’IA ne “se souvient” plus des éléments plus anciens.
Prompt engineering
Pratique visant à concevoir des prompts efficaces afin d’optimiser les réponses d’un modèle.
Régurgitation
Reproduction de contenus proches des données d’entraînement sans réelle reformulation. C'est un résultat de mauvaise qualité et pas véritablement enrichi par le modèle d’IA.
Hallucination
Production d’informations incorrectes ou inventées par un modèle, présentées de manière crédible, qui n'est pas repris de ses sources.
Agents et automatisation
AI Agent
Système autonome ou semi-autonome capable de percevoir son environnement, de prendre des décisions et d’agir pour atteindre un objectif, souvent en s’adaptant aux changements et en apprenant de leurs actions.
Un agent = un LLM + des objectifs + des capacités d’action + une boucle de décision
Agentic AI
Approche de l’IA mettant l’accent sur l’autonomie, la planification et la prise d’initiative des agents.
Agentic Automation
Automatisation de processus reposant sur des agents d’IA capables de s’adapter à des contextes variés afin d’optimiser les workflows et améliorer l’efficacité opérationnelle.
Agentic Orchestration
Coordination d’agents IA, humains et robots travaillant ensemble pour gérer des processus complexes.
Robotic Process Automation (RPA)
Technologie visant à automatiser des tâches humaines répétitives à l’aide de robots logiciels.
Cognitive Automation
Automatisation qui ne se contente pas de suivre des règles et qui intègre des capacités cognitives comme la compréhension du langage ou la reconnaissance d’images.
Applications et technologies
Chatbot
Programme conversationnel basé sur l’IA permettant d’interagir avec des utilisateurs via du texte ou de la voix.
Computer Vision (vision par ordinateur)
Domaine de l’IA permettant d’analyser et d’interpréter des images ou des vidéos.
Natural Language Processing (NLP)
Branche de l’IA dédiée à la compréhension, l’analyse et la génération du langage humain.
Réalité augmentée (AR)
Technologie qui superpose des éléments numériques (images, textes, animations) à l’environnement réel.
Réalité virtuelle (VR)
Technologie immersive plongeant l’utilisateur dans un environnement entièrement numérique à l’aide d’un casque VR.
Réalité mixte (MR)
Combinaison de la réalité augmentée et de la réalité virtuelle, permettant des interactions entre réel et virtuel.
Deepfake
Vidéos ou audios manipulés par IA pour imiter des personnes de manière réaliste, avec des risques élevés de désinformation. Appelé aussi "hyper-trucages".
Hologramme IA
Projection 3D générée par IA pouvant représenter objets ou personnes de façon réaliste et interactive.
Gouvernance, éthique et régulation
Éthique de l’IA
Réflexion visant à garantir un développement et un usage responsable, transparent et respectueux des droits humains de l’intelligence artificielle.
Biais algorithmique
Distorsions, erreurs ou discriminations due à des données d'entrainement contenant des préjugés ou déséquilibre ou des choix de conception biaisés.
Alignement
Principe visant à garantir que les objectifs et comportements d’un système d’IA sont compatibles avec les règles, valeurs et attentes humaines.
Human-in-the-loop (HITL)
Approche intégrant une intervention humaine dans le fonctionnement ou la supervision d’un système d’IA.
Effet boîte noire de l’IA
Difficulté à comprendre ou expliquer les décisions prises par certains modèles complexes, même pour les développeurs. Cela induit des biais et un défaut de confiance face aux résultats.
Modérateurs
Personnes chargées de contrôler et filtrer les contenus produits par l’IA, souvent dans des “usines à clics".
Copyright et IA générative
Ensemble de questions juridiques concernant la propriété des contenus créés par IA et l’usage de données protégées.
AI Act (règlement européen sur l’IA)
Entré en vigueur le 1er août 2024, il s'agit d'un règlement au niveau Européen encadrant le développement, la mise sur le marché et l’utilisation de systèmes d'intelligence artificielle (IA), pouvant poser des risques pour la santé, la sécurité ou les droits fondamentaux. Il se décline en 4 niveau de risques avec des règles associés (cf. pyramide dans l'article)
Conclusion
Ce glossaire de l’IA est là pour rendre le vocabulaire de l’intelligence artificielle plus simple et plus accessible. En se familiarisant avec les termes clés, il devient plus simple d’en comprendre les usages, les limites et les enjeux. Un bon point de départ pour aborder l’IA sans se prendre la tête 🤖✨
Quelques articles pour aller plus loin :