IA & Apprentissage Automatique
59 termes IA & Apprentissage Automatique expliqués simplement, et comment GAIA met chacun d'eux au travail.
Agent IA
Un agent IA est un système logiciel autonome qui perçoit son environnement, raisonne sur les actions à entreprendre et prend des mesures pour atteindre des objectifs spécifiques sans intervention humaine continue.
IA agentique
L'IA agentique décrit des systèmes d'intelligence artificielle conçus pour fonctionner de manière autonome, prendre des décisions et exécuter des tâches en plusieurs étapes avec un minimum d'intervention humaine.
IA proactive
L'IA proactive est une IA qui agit avant que vous ne le demandiez : elle surveille des événements (un nouvel e-mail, une réunion qui approche, une échéance), décide quand quelque chose mérite votre attention et lance le travail ou vous prévient d'elle-même. L'IA réactive est l'inverse : elle ne fait rien tant que vous ne lui envoyez pas une requête ou une commande, puis elle répond.
Mémoire basée sur les graphes
La mémoire basée sur les graphes est une architecture de mémoire IA qui stocke les informations sous forme de nœuds interconnectés et de relations, permettant une compréhension contextuelle riche et une persistance des connaissances à travers les interactions.
Recherche sémantique
La recherche sémantique est une technique de recherche qui comprend le sens et l'intention derrière une requête, et retourne des résultats fondés sur la pertinence conceptuelle plutôt que sur la correspondance exacte de mots-clés.
Modèle de langage volumineux (LLM)
Un modèle de langage volumineux (LLM) est une intelligence artificielle entraînée sur d'énormes quantités de textes et capable de comprendre, de générer et de raisonner sur le langage humain avec une remarquable aisance.
conscience du contexte
La conscience du contexte dans l’IA est la capacité de comprendre l’ensemble de la situation entourant une tâche ou une interaction, y compris les personnes impliquées, ce qui s’est passé auparavant, les projets connexes, les échéances, ainsi que les préférences et habitudes de l’utilisateur.
Orchestration IA
L'orchestration IA est la coordination de plusieurs agents, modèles et outils d'intelligence artificielle pour collaborer à la réalisation de tâches complexes et multi-étapes, qu’aucun composant unique ne pourrait gérer seul.
Transformeur
Un transformeur est une architecture de réseau de neurones introduite en 2017 qui utilise des mécanismes d'auto-attention pour traiter des séquences de données en parallèle, constituant la base de tous les grands modèles de langage modernes.
Ajustement fin
L'ajustement fin est le processus qui consiste à reprendre l'entraînement d'un modèle d'IA pré-entraîné sur un jeu de données plus petit et spécifique à une tâche afin d'adapter son comportement à un domaine ou une application particuliers.
Embeddings
Les embeddings sont des représentations vectorielles denses de données (texte, image, audio, etc.) qui capturent le sens et les relations sémantiques dans un espace de grande dimension.
Base de données vectorielle
Une base de données vectorielle est un système de base de données conçu pour stocker, indexer et interroger des embeddings vectoriels de haute dimension à grande échelle, permettant une recherche de similarité rapide sur de vastes ensembles de données embarquées.
Génération augmentée par récupération (RAG)
La Génération augmentée par récupération (RAG) est une technique qui améliore les réponses d'un LLM en récupérant d'abord des documents ou données pertinents à partir d'une base de connaissances externe et en injectant ce contexte dans l'invite du modèle.
Ingénierie de prompt
L’ingénierie de prompt est la pratique qui consiste à concevoir et affiner les instructions données à des modèles linguistiques d’IA afin d’obtenir de manière fiable les résultats souhaités, en influençant leur comportement sans modifier leurs paramètres internes.
Zero-shot learning
Le zero-shot learning est la capacité d'un modèle d'IA à réaliser des tâches pour lesquelles il n'a jamais été spécifiquement entraîné, en se basant sur des connaissances générales et du raisonnement plutôt que sur des exemples propres à la tâche.
Apprentissage Few-Shot
L'apprentissage few-shot est la capacité d'un modèle d'IA à s'adapter à une nouvelle tâche ou à un nouveau format de sortie à partir de seulement quelques exemples d'entrée-sortie fournis dans l'invite, sans mise à jour des poids.
chaînage de raisonnement
Le chaînage de raisonnement (Chain-of-Thought, ou CoT) est une technique d’invite qui incite le modèle d’IA à expliciter ses étapes de raisonnement intermédiaires avant de produire une réponse finale, ce qui améliore considérablement la précision sur des problèmes complexes à étapes multiples.
Hallucination
L’hallucination d’IA est un phénomène où un modèle de langage produit des informations fausses, fabriquées ou incohérentes tout en semblant fiable, sans que celles-ci soient issues des données d’entrée ou d’entraînement.
Tokenisation
La tokenisation est le processus qui consiste à découper un texte en unités plus petites appelées jetons, qui constituent les éléments de base en entrée pour les modèles de langage. Les jetons représentent généralement des fragments de mots, des mots entiers ou des signes de ponctuation.
Fenêtre de contexte
La fenêtre de contexte correspond au nombre maximal de jetons qu'un modèle de langage peut traiter en une seule inférence, incluant le prompt système, l'historique de conversation, les documents récupérés et la sortie générée.
Réseau de neurones
Un réseau de neurones est un modèle computationnel inspiré des systèmes neuronaux biologiques, constitué de couches de nœuds interconnectés qui apprennent à transformer des données d'entrée en sortie en ajustant les poids des connexions lors de l'apprentissage.
Traitement automatique du langage naturel (TALN)
Le traitement automatique du langage naturel (TALN) est une branche de l’intelligence artificielle qui vise à permettre aux ordinateurs de comprendre, interpréter, générer et répondre au langage humain de manière pertinente.
IA multimodale
L'IA multimodale désigne des systèmes d'intelligence artificielle capables de traiter et de générer plusieurs types de données, comme du texte, des images, de l'audio et de la vidéo, au sein d'un même modèle ou d'une chaîne intégrée.
Modèle fondamental
Un modèle fondamental est un grand modèle d'IA entraîné à grande échelle sur des données variées et pouvant être adapté à un large éventail de tâches via l'ajustement fin, l'invite ou l'intégration dans des architectures applicatives.
Inférence
L'inférence est le processus consistant à exécuter un modèle d'IA entraîné sur de nouvelles données afin de générer des prédictions, des réponses ou des décisions, par opposition à l'entraînement, qui est le processus de création du modèle à partir de données.
Alignement de l'IA
L'alignement de l'IA est un domaine de recherche et d'ingénierie qui vise à ce que les systèmes d'IA poursuivent des objectifs bénéfiques, sûrs et alignés sur les valeurs et intentions humaines, même lorsqu'ils deviennent plus puissants et autonomes.
Utilisation d’outils
L'utilisation d'outils correspond à la capacité des agents IA à invoquer des fonctions, API, bases de données et services externes afin de récupérer des informations ou d’agir dans le monde réel, au-delà de la simple génération de texte.
Appel de fonction
L’appel de fonction est une fonctionnalité des modèles d’IA qui leur permet de générer des appels structurés et lisibles par machine vers des fonctions prédéfinies, permettant aux systèmes d’IA d’appeler de façon fiable des API et outils externes avec les bons arguments.
Agent autonome
Un agent autonome est un système d’IA capable de percevoir son environnement, de prendre des décisions et d’entreprendre des actions de façon indépendante afin d’atteindre ses objectifs, sans intervention humaine à chaque étape.
Orchestration
L’orchestration en IA désigne la coordination systématique de plusieurs agents, modèles, outils et sources de données afin d’exécuter des tâches multi-étapes complexes avec gestion des dépendances, de l’état et des erreurs.
Mémoire d'agent
La mémoire d'agent est la capacité d'un agent IA à stocker, retrouver et utiliser des informations issues d'interactions, d'observations et d'actions passées pour orienter son comportement futur, assurant ainsi un contexte persistant entre les sessions.
Température (IA)
La température d'une IA (ou température d'un LLM) est le réglage qui détermine à quel point un modèle de langage choisit son mot suivant au hasard : basse (proche de 0), le modèle prend presque toujours le token le plus probable et ses réponses sont stables et prévisibles ; haute, il accepte des tokens moins probables et ses réponses deviennent plus variées, plus créatives et plus souvent fausses.
Invite système
Une invite système est un ensemble d’instructions fournies à un modèle de langage au début d’une session, définissant sa personnalité, ses contraintes, son ton et ses lignes directrices comportementales avant toute interaction utilisateur.
Sortie structurée
La sortie structurée est une technique qui contraint un LLM à répondre selon un format prédéfini — généralement JSON ou XML — permettant une analyse programmatique fiable des réponses du modèle, par opposition au texte libre.
Garde-fous
Les garde-fous sont des contraintes de sécurité appliquées aux systèmes d'IA qui limitent, filtrent ou redirigent les sorties du modèle afin d'éviter des comportements nuisibles, incorrects ou non désirés, tout en permettant une utilisation bénéfique.
Boucle d'agent
Une boucle d'agent est le cycle d'exécution itératif d'un agent IA, au cours duquel il raisonne sur l'état actuel, sélectionne et exécute une action (souvent l'appel d'un outil), observe le résultat, et répète ce processus jusqu'à ce que la tâche soit terminée ou qu'une condition d'arrêt soit atteinte.
Agent superviseur
Un agent superviseur est l'agent IA qui dirige un système multi-agent. Il reçoit la demande, la découpe en sous-tâches, confie chacune à un agent exécutant spécialisé (un sous-agent) doté des bons outils, vérifie ce qui revient et combine les résultats en une seule réponse. Les exécutants font le travail ; le superviseur décide qui fait quoi et quand la tâche est terminée.
Sous-agent
Un sous-agent est un agent IA qu'un autre agent lance pour traiter une partie d'une tâche plus vaste. L'agent principal (souvent appelé superviseur ou orchestrateur) lui confie une consigne écrite, un jeu d'outils restreint et un contexte vierge qui lui est propre ; le sous-agent travaille sur cette partie de façon indépendante et ne renvoie que son résultat. Découper le travail ainsi permet de faire tourner plusieurs sous-agents en parallèle et garde propre le contexte de l'agent principal.
Agents parallèles
Les agents parallèles sont plusieurs agents IA qui s'exécutent en même temps sur des tâches indépendantes, combinant leurs résultats pour accomplir des flux de travail complexes plus rapidement qu'en traitement séquentiel d’un agent unique.
État de l’agent
L’état de l’agent désigne les données structurées qu’un agent IA conserve tout au long de l’exécution d’une tâche, en suivant ce qui a été fait, ce qui a été appris et les étapes restantes — permettant ainsi un raisonnement multi-étapes sans refaire le travail.
Enchaînement de prompts
L'enchaînement de prompts est une technique où la sortie d’un prompt LLM est utilisée comme entrée pour le suivant, créant ainsi une séquence d’appels connectés qui accomplissent ensemble une tâche complexe qu’aucun prompt unique ne pourrait réaliser de façon fiable.
Routage Sémantique
Le routage sémantique consiste à classifier les saisies utilisateur selon leur signification et leur intention, afin de les donner au bon agent, outil ou stratégie de réponse — permettant ainsi à une interface IA unique de gérer intelligemment des demandes variées.
LLM local
Un LLM local est un grand modèle de langage qui fonctionne entièrement sur votre propre matériel — qu'il s'agisse d'un ordinateur portable, d'une station de travail ou d'un serveur auto-hébergé — sans transmettre de données à des fournisseurs d'API externes.
Apprentissage par transfert
L'apprentissage par transfert en IA est une technique dans laquelle un modèle entraîné sur une tâche réutilise ce qu'il a appris comme point de départ pour une tâche différente mais proche, au lieu d'être entraîné depuis zéro. C'est ce qui rend les grands modèles de langage praticables : ils sont pré-entraînés une fois sur d'énormes volumes de texte, puis adaptés à la conversation, au code ou à un domaine précis avec une petite fraction des données et du calcul.
Apprentissage par renforcement
L'apprentissage par renforcement (RL) est un paradigme d'apprentissage automatique dans lequel un agent apprend à prendre des décisions en recevant des signaux de récompense pour les actions menant à des résultats désirés et des punitions pour les actions non souhaitées.
Reconnaissance d’intention
La reconnaissance d’intention est le processus par lequel un système d’IA identifie l’objectif ou le but implicite d’une entrée utilisateur, ce qui lui permet de choisir la réponse ou l’action appropriée, plutôt que de répondre seulement à la formulation de surface.
Extraction d'entités
L'extraction d'entités est le processus de traitement du langage naturel (NLP) visant à identifier et à classer des informations spécifiques — telles que des personnes, des organisations, des dates, des lieux et des tâches — au sein d'un texte non structuré.
Reconnaissance d'entités nommées (NER)
La reconnaissance d'entités nommées (NER) est une tâche de traitement automatique du langage naturel qui identifie et classe les entités nommées dans un texte selon des catégories prédéfinies comme les personnes, organisations, lieux, dates et entités spécifiques à un domaine.
Analyse de sentiment
L’analyse de sentiment est l’utilisation du traitement du langage naturel (NLP) et de l’IA pour identifier le ton émotionnel d’un texte et lui attribuer une étiquette, généralement positif, négatif ou neutre, parfois avec un score d’intensité ou une étiquette plus fine comme frustré, enthousiaste ou urgent.
Reconnaissance vocale
La reconnaissance vocale (speech-to-text, STT), aussi appelée reconnaissance automatique de la parole (ASR), est la technologie d'IA qui convertit l'audio parlé en texte écrit : vous parlez, et le logiciel écrit ce que vous avez dit. Elle fait fonctionner la dictée sur smartphone, les sous-titres en direct, les assistants vocaux et les chatbots vocaux, et c'est la première étape chaque fois qu'un système d'IA doit comprendre la parole.
Synthèse vocale
La synthèse vocale (TTS) est une technologie qui transforme un texte écrit en un audio parlé synthétique, permettant aux ordinateurs et aux systèmes IA de communiquer verbalement à l’aide de voix naturelles.
Architecture cognitive
L'architecture cognitive en IA est le cadre structurel qui définit comment un agent intelligent perçoit son environnement, traite l'information, stocke et récupère des connaissances, prend des décisions et exécute des actions.
IA augmentée par la mémoire
L’IA augmentée par la mémoire est une architecture d’IA qui enrichit les capacités d’un modèle de langage en le reliant à des systèmes de mémoire persistante externes, permettant à l’agent de se souvenir et de retrouver des informations au-delà des limites d’une simple fenêtre de contexte.
Modèle de raisonnement
Un modèle de raisonnement est un modèle de langage IA spécifiquement optimisé pour réfléchir à un problème étape par étape à l’aide d’une délibération interne approfondie avant de fournir une réponse finale, atteignant ainsi une meilleure précision sur les tâches de raisonnement complexes.
Reinforcement Learning from Human Feedback (RLHF)
Reinforcement Learning from Human Feedback (RLHF) is a machine learning technique that trains AI models to produce outputs preferred by humans by learning from human-provided rankings or ratings rather than purely from raw data.
Constitutional AI
Constitutional AI (CAI) is a training methodology developed by Anthropic that aligns AI models with human values by having the AI evaluate and revise its own outputs against a written set of principles — a 'constitution' — rather than relying exclusively on human-labeled preference data.
Token
In AI, a token is the basic unit of text that language models process — roughly equivalent to 4 characters or ¾ of an average English word. Tokens are used to measure context window capacity and determine API usage costs.
Chatbot vs assistant IA
Un chatbot est un logiciel qui converse avec vous : il répond aux questions dans une fenêtre de chat à l'aide de règles prédéfinies ou d'un modèle de langage. La différence entre un chatbot et un assistant IA, c'est l'action. Un chatbot répond ; un assistant IA (souvent appelé assistant virtuel ou numérique) fait aussi le travail, comme envoyer l'e-mail, réserver la réunion ou créer la tâche, dans les outils que vous utilisez déjà.
Assistant IA vs agent IA
Un assistant IA est une IA qui aide une personne à sa demande : vous demandez, il répond ou exécute la tâche, et vous gardez la main. Un agent IA est une IA à qui l'on confie un objectif et qui travaille seule pour l'atteindre, en décidant des étapes à suivre et des outils à utiliser en chemin. Aujourd'hui, la plupart des assistants IA performants reposent sur des agents en coulisses.
