Sommaire
L’intelligence artificielle (IA) s’impose dans notre quotidien, que ce soit à travers les assistants vocaux, les outils de création de contenu ou les systèmes de recommandation. Pour mieux comprendre ce domaine en constante évolution, voici un glossaire des 61 termes essentiels, classés par thèmes.
Concepts de base : les fondements de l’IA
- Intelligence Artificielle (IA) : Technologie capable de simuler des processus cognitifs humains, comme l’apprentissage, la résolution de problèmes ou la prise de décision.
- Machine Learning (ML) : Sous-domaine de l’IA où les systèmes apprennent à partir de données, sans être explicitement programmés pour chaque tâche.
- Deep Learning (DL) : Forme avancée de ML utilisant des réseaux de neurones profonds pour traiter des données en plusieurs couches.
- Réseau de neurones : Structure inspirée du cerveau humain, composée de couches de nœuds interconnectés qui traitent l’information.
- IA générative (GenAI) : IA capable de créer du contenu original (textes, images, musique, code).
- IA prédictive : Utilise des données pour anticiper des événements futurs (ex : tendances d’achat).
- Traitement Automatique du Langage (NLP) : Permet aux machines de comprendre, interpréter et générer du langage humain.
- Vision par ordinateur : Domaine de l’IA qui permet aux machines d’analyser et d’interpréter des images ou vidéos.
Entraînement des modèles : comment l’IA apprend
- Modèle : Algorithme entraîné capable de réaliser des prédictions ou de générer du contenu.
- Jeu de données (Dataset) : Ensemble de données utilisé pour entraîner un modèle d’IA.
- Apprentissage supervisé : Méthode où le modèle apprend à partir de données étiquetées.
- Apprentissage non supervisé : Le modèle identifie des motifs dans des données non étiquetées.
- Apprentissage par renforcement : Le modèle apprend par essai-erreur, avec des récompenses ou pénalités.
- Fine-tuning : Ajustement d’un modèle pré-entraîné pour une tâche spécifique.
- Surdimensionnement (Overfitting) : Le modèle mémorise les données d’entraînement au lieu d’en généraliser les règles.
- Inférence : Utilisation d’un modèle entraîné pour analyser de nouvelles données.
- Biais (Bias) : Erreur systématique dans un modèle, souvent due à des données d’entraînement non représentatives.
- Distillation de données : Technique pour transférer les connaissances d’un grand modèle vers un modèle plus petit et efficace.
Interaction avec l’IA : le langage des chatbots
- Prompt : Requête textuelle ou vocale adressée à une IA pour obtenir une réponse.
- Ingénierie de prompt (Prompt Engineering) : Art de formuler des requêtes pour optimiser les réponses de l’IA.
- Fenêtre de contexte (Context Window) : Quantité d’informations qu’un modèle peut traiter en une fois.
- Token : Unité minimale de traitement (mot, partie de mot, ponctuation).
- Température (Temperature) : Paramètre contrôlant la créativité des réponses (faible = réponses précises, élevée = réponses variées).
- Agents IA : Systèmes autonomes capables d’effectuer des tâches complexes (ex : réservation de vol).
Termes techniques avancés
- Paramètres : Variables internes d’un modèle, ajustées pendant l’entraînement.
- Embeddings : Représentation numérique de données (mots, images) pour faciliter leur traitement.
- Mécanisme d’attention (Attention Mechanism) : Permet à un modèle de se concentrer sur les parties pertinentes des données.
- Transformeur (Transformer) : Architecture de réseau de neurones utilisée pour les tâches de langage.
- Latence : Temps de réponse d’un modèle à une requête.
- Dérive du modèle (Model Drift) : Dégradation des performances d’un modèle au fil du temps.
- IA explicable (XAI) : Approche visant à rendre les décisions des modèles plus transparentes.
Applications concrètes
- Deepfake : Contenu audiovisuel synthétique ultra-réaliste.
- Génération d’images : Création d’images à partir de descriptions textuelles.
- Reconnaissance vocale (STT) : Conversion de la parole en texte.
- Synthèse vocale (TTS) : Conversion de texte en parole synthétique.
- Analyse de sentiment : Détection des émotions ou opinions dans un texte.
Matériel et infrastructure
- GPU : Processeur optimisé pour les calculs parallèles, essentiel à l’entraînement des modèles.
- API : Interface permettant à des logiciels de communiquer avec un modèle d’IA.
Défis et enjeux
- Hallucination : Réponse erronée mais présentée avec confiance par une IA.
- Données synthétiques : Données artificielles utilisées pour entraîner des modèles en l’absence de données réelles.
