Lexique de l’intelligence artificielle : tous les mots de l’IA expliqués

Méthode qui compare deux versions d’un système, d’une interface ou d’un modèle afin de mesurer laquelle obtient les meilleurs résultats.

Composant matériel spécialisé, comme un GPU, un TPU ou un NPU, conçu pour effectuer plus rapidement les calculs utilisés par l’intelligence artificielle.

Système capable de recevoir un objectif, de choisir des étapes, d’utiliser des outils et d’agir avec un certain degré d’autonomie pour accomplir une tâche.

Se dit d’un système d’IA conçu pour planifier, décider, utiliser des outils et enchaîner plusieurs actions plutôt que de produire une seule réponse.

Règlement de l’Union européenne qui encadre les systèmes d’intelligence artificielle selon leurs usages et leurs niveaux de risque.

Suite d’instructions précises permettant à un ordinateur de transformer des données d’entrée en un résultat.

Travail visant à faire en sorte qu’un système d’IA se comporte conformément aux objectifs, règles et valeurs définis par les humains.

Action d’ajouter une information à une donnée, par exemple indiquer qu’une photo contient un chien, afin d’aider un modèle à apprendre.

Méthode dans laquelle le modèle sélectionne les exemples pour lesquels il a le plus besoin d’une annotation humaine.

Méthode où le modèle crée ses propres exercices à partir de données non étiquetées, par exemple deviner un mot masqué dans une phrase.

Branche de l’IA dans laquelle un logiciel apprend des régularités à partir de données pour faire des prédictions ou produire du contenu.

Méthode qui entraîne un modèle sur plusieurs appareils ou organisations sans centraliser toutes les données brutes au même endroit.

Apprentissage réalisé à partir de données sans réponses fournies à l’avance. Le modèle cherche lui-même des groupes ou des structures.

Méthode dans laquelle un agent apprend en recevant des récompenses ou des pénalités selon les actions qu’il réalise.

Forme d’apprentissage automatique utilisant des réseaux de neurones comportant de nombreuses couches.

Méthode combinant une petite quantité de données étiquetées avec une plus grande quantité de données non étiquetées.

Apprentissage à partir d’exemples contenant la bonne réponse, afin que le modèle apprenne à prédire cette réponse sur de nouvelles données.

Modèle qui prend une décision en suivant une succession de questions, comme les branches d’un arbre.

Tentative de tromper un modèle d’IA en modifiant volontairement ses entrées, ses données ou son environnement.

Mécanisme qui aide un modèle à donner plus d’importance aux éléments les plus utiles d’une entrée, par exemple certains mots d’une phrase.

Création de nouvelles variantes de données existantes, par exemple recadrer ou retourner une image, afin d’améliorer l’entraînement.

Fonction qui propose automatiquement la suite probable d’un texte, d’un code ou d’une commande.

Réseau de neurones qui apprend à compresser une donnée puis à la reconstruire. Il peut servir à réduire le bruit ou détecter des anomalies.

Automatisation qui combine des règles, des logiciels et de l’IA pour traiter des tâches nécessitant une certaine compréhension des données.

Cadre contrôlé permettant de tester une innovation d’IA avec l’accompagnement d’autorités avant un déploiement plus large.

Méthode utilisée pour ajuster les poids d’un réseau de neurones en calculant comment chaque erreur se propage dans ses couches.

Base conçue pour stocker des embeddings et retrouver rapidement les éléments les plus proches en sens ou en similarité.

Petit groupe d’exemples traité en même temps pendant l’entraînement ou l’utilisation d’un modèle.

Ensemble de tests standardisés utilisé pour comparer les performances de plusieurs modèles sur des tâches précises.

Tendance systématique qui peut favoriser ou défavoriser certains résultats, personnes ou groupes dans les données ou les réponses d’un modèle.

Tendance à rechercher ou interpréter les informations de manière à confirmer une idée que l’on possède déjà.

Biais créé lorsque les données choisies ne représentent pas correctement la population ou la situation étudiée.

Tendance humaine à faire trop confiance à une décision produite par un système automatisé, même lorsqu’elle est incorrecte.

Ensembles de données très volumineux, rapides ou variés, difficiles à traiter avec des outils classiques.

Système dont on peut observer les entrées et les résultats, mais dont le raisonnement interne reste difficile à comprendre.

Programme automatisé qui réalise des actions répétitives ou dialogue avec des utilisateurs. Un bot n’utilise pas obligatoirement de l’IA.

Processus dans lequel les résultats d’un système sont réutilisés pour le corriger, l’améliorer ou influencer ses prochaines décisions.

Information inutile, imprécise ou aléatoire présente dans des données et susceptible de perturber l’apprentissage d’un modèle.

Compétence qui apparaît chez un modèle à grande échelle alors qu’elle n’était pas explicitement programmée ni clairement visible sur des modèles plus petits.

Document qui décrit un modèle, ses usages prévus, ses performances, ses limites, ses risques et les conditions dans lesquelles il a été évalué.

Méthode qui divise une tâche complexe en plusieurs prompts successifs, chaque réponse servant à l’étape suivante.

Suite d’étapes intermédiaires utilisée par un modèle pour résoudre un problème. Dans un produit, ce raisonnement interne n’est pas toujours affiché à l’utilisateur.

Application permettant de dialoguer avec un logiciel en langage naturel, par écrit ou par la voix.

Tâche qui consiste à attribuer une catégorie à une donnée, par exemple classer un courriel comme normal ou indésirable.

Technique qui crée une voix synthétique ressemblant à celle d’une personne à partir d’enregistrements. Son utilisation nécessite le respect du consentement et des droits applicables.

Ensemble d’éléments similaires regroupés par un algorithme de clustering.

Méthode non supervisée qui rassemble automatiquement des données ressemblantes dans plusieurs groupes.

Type de réseau de neurones particulièrement adapté à l’analyse d’images, de sons et d’autres données organisées en grille.

Valeur qui détermine l’ampleur des ajustements effectués sur un modèle à chaque étape de son entraînement.

Informations fournies à un modèle pour l’aider à comprendre la demande : conversation précédente, documents, règles, exemples ou données.

Opération mathématique utilisée notamment pour repérer des formes locales dans une image, comme des contours ou des textures.

Assistant intégré à un logiciel qui aide l’utilisateur à écrire, analyser, créer ou accomplir des tâches sans prendre entièrement sa place.

Ensemble organisé de textes, d’images, de sons ou d’autres contenus utilisé pour l’analyse ou l’entraînement d’un modèle.

Couche interne d’un réseau de neurones qui transforme les informations entre l’entrée et la sortie.

Dernière couche d’un réseau de neurones, celle qui produit la prédiction ou le résultat final.

Première couche d’un réseau de neurones, celle qui reçoit les données à analyser.

Quantité de calcul et d’argent nécessaire pour faire fonctionner un modèle et produire une réponse après son entraînement.

Méthode qui entraîne et teste plusieurs fois un modèle sur différentes parties des données afin d’estimer plus solidement ses performances.

Changement progressif des données réelles par rapport à celles utilisées lors de l’entraînement, ce qui peut réduire la qualité du modèle.

Recherche automatique de tendances, de relations ou d’informations utiles dans de grands ensembles de données.

Collection structurée de données utilisée pour entraîner, valider ou tester un système d’IA.

Technique d’apprentissage automatique fondée sur des réseaux de neurones comportant plusieurs couches.

Image, vidéo ou son synthétique très réaliste qui imite une personne ou un événement et peut donner l’impression qu’il est authentique.

Mise à disposition d’un modèle ou d’un système d’IA dans un produit, un site, une application ou un environnement réel.

Personne ou organisation qui utilise un système d’IA sous son autorité dans un cadre professionnel, selon la terminologie de l’AI Act.

Techniques visant à retirer de l’influence de certaines données d’un modèle déjà entraîné, sans forcément recommencer tout l’entraînement.

Méthode d’optimisation qui ajuste progressivement les paramètres d’un modèle dans la direction qui réduit sa fonction de perte.

Famille de modèles génératifs qui apprend à créer une donnée, souvent une image, en partant d’un bruit puis en le supprimant progressivement.

Technique qui transfère une partie des capacités d’un grand modèle vers un modèle plus petit, généralement plus rapide et moins coûteux.

Résultat produit par un système d’IA à partir de ses données d’entrée.

Donnée utilisée pour ajuster les paramètres d’un modèle pendant son apprentissage.

Information fournie à un système d’IA pour qu’il réalise une opération ou produise un résultat.

Information se rapportant à une personne identifiée ou identifiable, directement ou indirectement.

Donnée créée artificiellement pour imiter certaines propriétés de données réelles, par exemple pour compléter un jeu d’entraînement.

Données gardées à part pour mesurer les performances finales d’un modèle sur des exemples qu’il n’a pas utilisés pour apprendre.

Données utilisées pendant le développement pour comparer des réglages et contrôler que le modèle généralise correctement.

Méthode de post-entraînement qui apprend à un modèle à préférer certaines réponses à d’autres à partir de données de comparaison.

Technique qui désactive aléatoirement certains neurones pendant l’entraînement afin de réduire le surapprentissage.

Exécution d’un modèle directement sur un appareil proche de l’utilisateur, comme un téléphone ou une caméra, plutôt que dans un serveur distant.

Représentation numérique d’un mot, d’une image ou d’un document sous forme de vecteur, afin de comparer leur sens ou leur similarité.

Processus pendant lequel un modèle ajuste ses paramètres à partir de données afin d’améliorer ses résultats.

Entraînement réparti sur plusieurs processeurs, serveurs ou centres de données afin de traiter un modèle ou un jeu de données plus important.

Passage complet d’un modèle sur l’ensemble de ses données d’entraînement.

Ajout d’une catégorie ou d’une réponse de référence à une donnée afin de permettre un apprentissage supervisé.

Mesure des résultats d’un modèle à l’aide de règles, de programmes, de métriques ou parfois d’un autre modèle.

Jugement des réponses d’un modèle par des personnes selon des critères comme l’exactitude, l’utilité, la clarté ou la sécurité.

Entrée volontairement modifiée pour provoquer une erreur chez un modèle tout en paraissant normale ou presque normale pour un humain.

Capacité à fournir des raisons compréhensibles sur la manière dont un système d’IA a produit un résultat.

Tâche qui consiste à repérer automatiquement des éléments précis dans un contenu, par exemple des noms, des dates ou des montants.

Métrique qui combine la précision et le rappel en une seule valeur, utile lorsque les deux critères sont importants.

Information mesurable utilisée par un modèle pour apprendre ou prédire, comme l’âge, la couleur, la durée ou le nombre de clics.

Capacité d’un modèle à apprendre une tâche à partir d’un très petit nombre d’exemples.

Technique qui fournit plusieurs exemples dans le prompt afin de montrer au modèle le résultat attendu.

Entraînement supplémentaire d’un modèle déjà pré-entraîné afin de l’adapter à une tâche, un domaine ou un style particulier.

Opération de calcul sur des nombres à virgule. Le nombre de FLOP sert notamment à estimer la quantité de calcul utilisée par un modèle.

Formule qui mesure l’écart entre le résultat du modèle et le résultat attendu pendant l’entraînement.

Fonction mathématique qui décide comment le signal d’un neurone artificiel est transformé avant d’être transmis à la suite du réseau.

Modèle qui combine les décisions de plusieurs arbres de décision afin d’obtenir une prédiction généralement plus robuste.

Personne ou organisation qui développe un système d’IA, ou le fait développer, puis le commercialise ou le met en service sous son nom.

Architecture composée de deux réseaux qui s’opposent : l’un génère des contenus et l’autre tente de reconnaître les faux.

Règle, filtre ou mécanisme de contrôle destiné à limiter les réponses dangereuses, interdites ou inadaptées d’un système d’IA.

Méthode qui recherche des informations dans des documents ou une base de connaissances avant de les fournir au modèle pour produire une réponse mieux ancrée.

Utilisation d’un modèle pour créer, compléter, expliquer ou corriger du code informatique à partir d’instructions.

Production automatique de texte par un modèle de langage à partir d’une instruction ou d’un contexte.

Création ou transformation de séquences vidéo par un modèle à partir d’un texte, d’images ou d’une vidéo existante.

Création d’images par un modèle à partir d’un texte, d’une image de référence ou d’autres informations.

Processeur conçu pour effectuer de nombreux calculs en parallèle et très utilisé pour entraîner ou exécuter des modèles d’IA.

Information mathématique indiquant dans quelle direction modifier les paramètres d’un modèle pour réduire son erreur.

Fait de relier une réponse à des données, documents ou sources vérifiables plutôt que de laisser le modèle répondre uniquement de mémoire.

Réponse fausse, inventée ou non vérifiable produite avec assurance par un modèle d’IA.

Organisation dans laquelle une personne vérifie, corrige, valide ou reprend le contrôle à une étape importante du système.

Réglage choisi avant ou pendant l’entraînement, comme le nombre de couches, la taille des lots ou le coefficient d’apprentissage.

Catégorie de systèmes d’IA soumise à des obligations renforcées par l’AI Act en raison de son usage potentiel dans des domaines sensibles.

Modèle d’IA capable d’accomplir un large éventail de tâches et pouvant être intégré dans de nombreux systèmes ou applications.

Intelligence artificielle intégrée directement dans un appareil, un véhicule, un objet connecté ou une machine.

IA spécialisée dans une tâche ou un ensemble limité de tâches. Les systèmes disponibles aujourd’hui appartiennent principalement à cette catégorie.

Famille de systèmes capables de créer de nouveaux contenus comme du texte, des images, du son, de la vidéo ou du code.

IA capable de comprendre ou produire plusieurs types de contenus, par exemple du texte, des images, de l’audio et de la vidéo.

Approche visant à concevoir et utiliser l’IA de façon fiable, équitable, transparente, sûre et respectueuse des droits.

Approche fondée sur des règles, des symboles et une logique explicitement écrite, plutôt que principalement sur l’apprentissage à partir de données.

Utilisation de caractéristiques biologiques ou comportementales, comme le visage ou la voix, pour identifier une personne.

Technique qui transforme une image existante en une nouvelle image selon une instruction, un style ou une structure donnée.

Capacité d’un modèle à adapter sa réponse grâce aux instructions et exemples présents dans le prompt, sans modifier durablement ses paramètres.

Phase pendant laquelle un modèle déjà entraîné utilise une entrée pour produire une prédiction, une décision ou un contenu.

Attaque qui insère des instructions malveillantes dans une demande ou un document afin de détourner le comportement d’un modèle.

Post-entraînement réalisé avec des exemples d’instructions et de réponses afin d’apprendre au modèle à mieux suivre les demandes.

Ensemble de techniques permettant à des machines de réaliser des tâches associées à des capacités humaines, comme comprendre, prévoir, reconnaître ou créer.

Possibilité d’analyser le fonctionnement interne d’un modèle et de comprendre les facteurs qui influencent son résultat.

Tentative de faire ignorer à un modèle ses règles ou ses garde-fous afin d’obtenir un comportement normalement bloqué.

Ensemble structuré d’exemples utilisé pour entraîner, valider ou tester un modèle.

Représentation numérique d’un objet, d’un système ou d’un processus réel, parfois enrichie par l’IA pour simuler et prévoir son comportement.

Algorithme de clustering qui répartit des données en un nombre choisi de groupes selon leur proximité.

Organisation d’informations sous forme d’entités et de relations, par exemple relier une personne à une entreprise, un lieu ou un événement.

Réponse ou catégorie associée à une donnée, utilisée notamment pour entraîner et évaluer un modèle supervisé.

Temps écoulé entre l’envoi d’une demande à un système et le début ou la fin de sa réponse.

Modèle de langage entraîné sur une très grande quantité de texte et capable de comprendre ou générer du langage naturel.

Technique d’ajustement efficace qui entraîne un petit nombre de paramètres supplémentaires au lieu de modifier l’ensemble d’un grand modèle.

Valeur qui représente l’erreur d’un modèle pendant l’entraînement. Plus elle est faible, plus le modèle correspond généralement aux réponses attendues.

Domaine dans lequel des modèles apprennent à partir de données plutôt que d’être entièrement programmés règle par règle.

Tableau qui montre combien de prédictions ont été correctement ou incorrectement classées dans chaque catégorie.

Protocole ouvert permettant à des applications d’IA de se connecter de manière standardisée à des outils, des données et des services externes.

Informations conservées ou réinjectées afin qu’un assistant tienne compte d’échanges antérieurs ou de préférences utiles.

Donnée qui décrit une autre donnée, par exemple la date, l’auteur, le format, la source ou les dimensions d’une image.

Mesure utilisée pour évaluer un modèle, comme la précision, le rappel, le score F1, le coût ou la latence.

Étape où un système d’IA quitte l’environnement de test pour être utilisé par de vrais utilisateurs ou processus.

Architecture composée de plusieurs sous-réseaux experts, dont seulement certains sont activés pour traiter chaque entrée.

Système mathématique entraîné ou programmé pour transformer des données en prédictions, décisions ou contenus.

Modèle pré-entraîné qui sert de point de départ pour une adaptation ou un fine-tuning destiné à un usage particulier.

Très grand modèle pré-entraîné sur des données variées, capable de servir à de nombreuses tâches et applications.

Modèle qui apprend les relations entre des unités de texte afin de prévoir, comprendre ou générer du langage.

Modèle capable de traiter ou produire plusieurs formats, comme le texte, les images, l’audio ou la vidéo.

Modèle dont les paramètres entraînés sont rendus accessibles. Cela ne signifie pas toujours que les données, le code et la licence sont entièrement ouverts.

Modèle contrôlé par une organisation qui n’en publie pas nécessairement les poids, le code ou les détails complets d’entraînement.

Détection ou traitement de contenus interdits, dangereux ou inadaptés selon des règles définies.

Capacité à associer plusieurs types d’informations, par exemple comprendre une question écrite portant sur une image.

Petite unité de calcul qui combine plusieurs entrées, leur applique des poids puis produit une sortie.

Nom anglais du traitement automatique du langage, domaine qui permet aux machines d’analyser, comprendre et générer du texte ou de la parole.

Transformation de données afin de les placer sur une échelle ou dans un format plus cohérent pour l’apprentissage.

Processeur spécialisé dans les opérations utilisées par les réseaux de neurones, souvent intégré aux téléphones et ordinateurs récents.

Technique qui transforme le texte présent dans une image ou un document numérisé en texte exploitable par un ordinateur.

Capacité d’un modèle à reconnaître ou apprendre une tâche à partir d’un seul exemple.

Prompt qui contient un seul exemple pour montrer au modèle le format ou le comportement attendu.

Logiciel dont le code source est accessible sous une licence autorisant certains usages, modifications et redistributions.

Mise à disposition des paramètres numériques d’un modèle. Les droits d’utilisation dépendent toujours de la licence associée.

Algorithme qui modifie les paramètres d’un modèle afin de réduire son erreur pendant l’entraînement.

Résultat produit par un système à partir d’une entrée : texte, score, image, recommandation, décision ou action.

Situation où un modèle mémorise trop précisément ses données d’entraînement et fonctionne moins bien sur de nouveaux exemples.

Valeur interne apprise pendant l’entraînement et utilisée par le modèle pour transformer une entrée en résultat.

Modèle simple de neurone artificiel qui combine des entrées pour réaliser une décision binaire.

Suite organisée d’étapes allant par exemple de la collecte des données à leur préparation, l’entraînement, l’évaluation et le déploiement.

Paramètre qui représente l’importance accordée à une connexion ou à une information dans un modèle.

Ensemble d’étapes réalisées après le pré-entraînement pour rendre un modèle plus utile, spécialisé, sûr ou conforme à des préférences.

Première grande phase d’entraînement d’un modèle sur un vaste ensemble de données générales.

Parmi les éléments déclarés positifs par le modèle, proportion de ceux qui sont réellement positifs.

Résultat estimé par un modèle à partir de données, par exemple une catégorie, une valeur ou une probabilité.

Principe consistant à intégrer la protection de la vie privée et des données personnelles dès la conception d’un système.

Texte, image, son ou ensemble d’informations fourni à un modèle pour lui indiquer ce qu’il doit faire.

Conception et amélioration d’instructions afin d’obtenir des réponses plus utiles, précises et adaptées.

Instruction qui combine plusieurs formats, par exemple une question écrite accompagnée d’une image ou d’un fichier audio.

Instruction de niveau élevé qui définit le rôle, les règles et le comportement général d’un assistant avant les demandes de l’utilisateur.

Technique qui apprend de petits paramètres associés à des prompts virtuels afin d’adapter un modèle sans modifier tous ses poids.

Demande envoyée par l’utilisateur au modèle pendant une conversation ou une tâche.

Algorithme d’apprentissage par renforcement qui apprend la valeur des actions possibles dans différentes situations.

Réduction de la précision numérique des poids ou calculs d’un modèle afin de diminuer sa taille, son coût et son temps d’exécution.

Technique qui récupère des passages pertinents dans une source externe puis les ajoute au contexte du modèle avant la génération.

Capacité d’un modèle à combiner des informations et des étapes intermédiaires pour résoudre une question ou planifier une action.

Parmi tous les éléments réellement positifs, proportion de ceux que le modèle a correctement retrouvés.

Système qui tente d’identifier ou d’inférer des émotions à partir de signaux comme le visage, la voix ou le comportement. Ses résultats peuvent être incertains et sensibles.

Technique biométrique qui compare les caractéristiques d’un visage à des images de référence afin de vérifier ou rechercher une identité.

Tests menés de façon volontairement offensive pour repérer les faiblesses, comportements dangereux et moyens de contourner un système.

Tâche qui consiste à prédire une valeur numérique, par exemple un prix, une durée ou une température.

Ensemble de techniques qui limitent la complexité d’un modèle afin de réduire le surapprentissage.

Modèle composé de couches de neurones artificiels reliés entre eux et capables d’apprendre des relations complexes dans les données.

Réseau conçu pour traiter des séquences en tenant compte des éléments précédents, historiquement utilisé pour le texte, la parole et les séries temporelles.

Méthode qui utilise des préférences ou évaluations humaines pour orienter le comportement d’un modèle après son pré-entraînement.

Domaine qui conçoit des machines capables de percevoir leur environnement, de décider et d’agir dans le monde physique.

Famille de métriques qui compare notamment le chevauchement entre un texte généré et un texte de référence, souvent pour les résumés.

Travail visant à prévenir les dommages, erreurs graves, usages dangereux ou comportements incontrôlés d’un système d’IA.

Méthode utilisée pour choisir le prochain élément généré parmi plusieurs possibilités, selon leurs probabilités.

Valeur indiquant à quel point un modèle estime sa prédiction probable. Ce score ne garantit pas que la réponse soit correcte.

Tâche qui découpe une image, un texte ou un ensemble de données en zones ou groupes distincts.

Mécanisme qui permet à chaque élément d’une séquence de mesurer son lien avec les autres éléments de cette même séquence.

Étude du sens des mots, phrases et informations. En IA, elle aide à rapprocher des contenus ayant une signification similaire.

Suite de valeurs ordonnées dans le temps, comme des ventes quotidiennes, des températures ou des mesures de capteurs.

Ajustement fin supervisé réalisé à partir d’exemples d’instructions accompagnées des réponses souhaitées.

Modèle de langage plus petit qu’un LLM, souvent plus rapide, moins coûteux et plus facile à exécuter localement.

Situation où un modèle est trop simple ou insuffisamment entraîné pour apprendre correctement les relations présentes dans les données.

Technologie qui transforme une parole enregistrée ou en direct en texte.

Situation où un modèle réussit très bien sur ses exemples d’entraînement mais moins bien sur des données nouvelles.

Technologie qui transforme un texte écrit en parole produite par une voix artificielle.

Système qui propose des contenus, produits ou actions à partir du profil, du comportement ou des préférences estimées d’un utilisateur.

Système fondé sur une machine qui reçoit des entrées et produit des prédictions, contenus, recommandations ou décisions avec un certain niveau d’autonomie.

Programme qui applique une base de connaissances et des règles pour reproduire le raisonnement d’un spécialiste dans un domaine limité.

Domaine de l’IA consacré à l’analyse, la compréhension et la génération du langage humain par des machines.

Réglage qui influence la diversité des sorties d’un modèle. Une valeur faible favorise souvent des réponses plus prévisibles.

Structure mathématique contenant des nombres sur une ou plusieurs dimensions, très utilisée pour représenter les données et calculs des réseaux de neurones.

Expérience proposée par Alan Turing pour déterminer si, dans une conversation, une machine peut être confondue avec un humain.

Génération d’une image à partir d’une description écrite.

Conversion automatique d’un texte en voix synthétique.

Génération d’une vidéo à partir d’une description écrite.

Petite unité de texte traitée par un modèle. Un token peut correspondre à un mot, une partie de mot, un signe ou un espace selon le système.

Découpage d’un texte en tokens avant son traitement par un modèle de langage.

Capacité d’un modèle à demander l’exécution d’une fonction ou d’un service externe, par exemple rechercher une donnée ou créer un événement.

Réutilisation des connaissances apprises par un modèle sur une tâche pour l’adapter plus rapidement à une autre tâche.

Architecture de réseau fondée sur l’attention, largement utilisée dans les modèles de langage et de nombreux systèmes multimodaux.

Fait de communiquer clairement qu’un système utilise l’IA, comment il est utilisé, quelles données il traite et quelles sont ses limites.

État d’un modèle qui n’a pas suffisamment appris les relations importantes présentes dans les données.

Méthode qui cherche des structures dans des données ne contenant pas de réponse ou d’étiquette fournie à l’avance.

Évaluation répétée d’un modèle sur plusieurs découpages des données afin de vérifier que ses résultats sont stables.

Liste ordonnée de nombres pouvant représenter une donnée, ses caractéristiques ou sa position dans un espace mathématique.

Façon de créer un logiciel en décrivant principalement le résultat souhaité à une IA, puis en affinant le code généré par itérations.

Domaine qui permet aux machines d’analyser des images et des vidéos pour reconnaître, localiser ou comprendre ce qu’elles contiennent.

Ajout d’un signal visible ou invisible à un contenu afin d’indiquer son origine ou d’aider à détecter qu’il a été généré ou modifié.

Valeur numérique apprise qui règle l’importance d’une connexion ou d’une information dans un modèle.

Processus dans lequel un ou plusieurs agents planifient, utilisent des outils, vérifient des résultats et enchaînent plusieurs actions.

Ensemble de méthodes cherchant à rendre les résultats et le fonctionnement des systèmes d’IA plus compréhensibles.

Famille de modèles de vision capables de détecter rapidement des objets et leur position dans une image ou une vidéo.

Capacité à réaliser une tâche ou reconnaître une catégorie sans avoir reçu d’exemple spécifique de cette tâche pendant l’utilisation.

Instruction qui demande une tâche directement, sans fournir d’exemple du résultat attendu.