Introduction
Le vocabulaire de l’intelligence artificielle peut sembler intimidant au premier abord. Acronymes, anglicismes, termes techniques – ce glossaire rassemble et définit les notions essentielles de façon claire et précise. Il s’adresse aussi bien aux débutants qui découvrent le domaine qu’aux professionnels souhaitant consolider ou harmoniser leur vocabulaire. Les termes sont classés par ordre alphabétique.
A
Agent (IA)
Système autonome capable de percevoir son environnement, de raisonner et d’effectuer des actions pour atteindre un objectif défini. Un agent peut être logiciel (chatbot, assistant virtuel) ou incarné dans un robot physique.*¹
→ Article : Les Agents IA
AGI (Artificial General Intelligence – Intelligence artificielle générale)
Concept désignant une IA hypothétique capable d’accomplir toute tâche intellectuelle qu’un être humain peut réaliser, avec la même flexibilité et adaptabilité. Contrairement à l’IA étroite actuelle, l’AGI n’existe pas encore.*²
→ Article : Impact de l’IA sur l’emploi
Algorithme
Suite d’instructions logiques et précises permettant à une machine de résoudre un problème ou d’accomplir une tâche. En IA, un algorithme définit comment un modèle apprend à partir de données.*¹
Annotation (des données)
Processus consistant à étiqueter manuellement des données brutes (images, textes, sons) pour les rendre utilisables en apprentissage supervisé. Exemple : encadrer les visages dans des photos pour entraîner un détecteur de visages.*¹
API (Application Programming Interface)
Interface permettant à deux logiciels de communiquer. En IA, les API permettent d’intégrer des modèles (comme GPT ou Claude) dans des applications tierces sans recoder le modèle depuis zéro.*³
Apprentissage par renforcement (Reinforcement Learning – RL)
Paradigme d’apprentissage dans lequel un agent apprend en interagissant avec un environnement et en recevant des récompenses ou pénalités. Utilisé notamment dans les jeux vidéo, la robotique et les véhicules autonomes.*⁴
→ Article : Le Machine Learning
Apprentissage supervisé
Méthode d’entraînement d’un modèle sur des données étiquetées (chaque entrée est associée à une sortie attendue). Exemples : classification d’images, détection de spam, prédiction de prix.*⁴
→ Article : Le Machine Learning
Apprentissage non supervisé
Méthode dans laquelle le modèle découvre lui-même des structures dans des données non étiquetées. Utilisé pour le clustering, la détection d’anomalies et la réduction de dimensionnalité.*⁴
→ Article : Le Machine Learning
Architecture Transformer
Architecture de réseau de neurones introduite en 2017 par Vaswani et al. chez Google, fondée sur un mécanisme d’attention. Elle est à la base de tous les grands modèles de langage modernes (GPT, BERT, Claude, Gemini).*⁵
→ Articles : Deep Learning, IA multimodale
Attention (mécanisme d’)
Mécanisme clé des architectures Transformer permettant au modèle de pondérer l’importance relative de chaque élément d’une séquence par rapport aux autres. Il permet de capturer les dépendances à longue portée dans un texte.*⁵
Autoencoder
Réseau de neurones entraîné à compresser des données en une représentation réduite (encodage), puis à les reconstruire. Utilisé pour la réduction de bruit, la détection d’anomalies et la compression.*⁴
B
Biais algorithmique
Erreur systématique dans les prédictions d’un modèle due à des biais présents dans les données d’entraînement ou dans la conception de l’algorithme. Exemple : un système de recrutement entraîné sur des données historiquement biaisées qui discrimine certains profils.*¹
→ Articles : Éthique de l’IA, Impacts sociétaux
Boîte noire (Black box)
Système d’IA dont le processus de décision interne est opaque et difficile à interpréter, même pour ses créateurs. La plupart des réseaux de neurones profonds sont des boîtes noires.*²
→ Articles : Éthique de l’IA, Opportunités et limites de l’IA
BERT (Bidirectional Encoder Representations from Transformers)
Modèle de langage développé par Google en 2018, capable de comprendre le contexte d’un mot dans une phrase en lisant le texte dans les deux sens. Utilisé pour la recherche sémantique et l’analyse de texte.*³
C
Chatbot
Programme informatique simulant une conversation écrite ou orale avec un utilisateur humain. Les chatbots modernes s’appuient sur des LLM pour des conversations naturelles et contextuelles.*¹
→ Article : IA conversationnelle
Classification
Tâche d’apprentissage supervisé consistant à attribuer une catégorie à une entrée. Exemples : classifier un e-mail en spam/non-spam, identifier la maladie sur une radio médicale.*⁴
→ Articles : Machine Learning, IA prédictive
Clustering (regroupement)
Technique d’apprentissage non supervisé visant à regrouper des données similaires. Utilisé en segmentation de marché, analyse comportementale, détection d’anomalies.*⁴
CNN (Convolutional Neural Network – Réseau de neurones convolutif)
Architecture de réseau de neurones spécialisée dans le traitement des images. Elle détecte des motifs locaux (bords, textures, formes) et les assemble en représentations de plus en plus abstraites.*⁴
→ Articles : Deep Learning, Computer Vision
Computer Vision (Vision par ordinateur)
Domaine de l’IA permettant aux machines d’analyser et d’interpréter des images et des vidéos. Applications : reconnaissance faciale, détection d’objets, conduite autonome, diagnostic médical.*⁴
→ Article : La Computer Vision
D
Données d’entraînement (Training data)
Jeu de données utilisé pour entraîner un modèle de machine learning. La qualité, la quantité et la représentativité de ces données déterminent en grande partie les performances du modèle.*¹
→ Article : IA et droits d’auteurs
Deep Learning (Apprentissage profond)
Sous-branche du machine learning utilisant des réseaux de neurones artificiels comportant de nombreuses couches (d’où le terme « profond »). Particulièrement efficace pour le traitement des images, du son et du texte.*⁴
→ Article : Le Deep Learning
Diffusion Model
Type de modèle génératif qui apprend à reconstruire des données en inversant un processus progressif de bruit. À la base des générateurs d’images comme DALL·E, Midjourney et Stable Diffusion.*²
→ Article : L’IA générative
E
Embedding
Représentation vectorielle d’une donnée (mot, phrase, image) dans un espace mathématique de haute dimension, où des éléments sémantiquement proches sont représentés par des vecteurs proches. Les embeddings sont fondamentaux dans le NLP et les moteurs de recherche sémantique.*¹
→ Article : L’IA multimodale
Epoch
Un passage complet à travers l’intégralité des données d’entraînement lors de l’entraînement d’un modèle. Un modèle est généralement entraîné sur plusieurs epochs.*⁴
F
Feature (caractéristique)
Variable d’entrée utilisée par un modèle pour faire une prédiction. Dans une maison, les features pourraient être : surface, nombre de pièces, localisation, année de construction.*⁴
Fine-tuning (ajustement fin)
Technique consistant à reprendre un modèle pré-entraîné sur de grandes données génériques et à le spécialiser sur un jeu de données plus restreint pour une tâche spécifique. Permet d’obtenir des performances élevées avec peu de données supplémentaires.*³
→ Article : Le Machine Learning
F1-score
Métrique d’évaluation combinant la précision et le rappel en une seule valeur. Particulièrement utile pour les problèmes de classification déséquilibrés.*⁴
G
GAN (Generative Adversarial Network)
Architecture composée de deux réseaux en compétition : un générateur (qui crée des contenus) et un discriminateur (qui évalue leur authenticité). Leur confrontation produit des contenus de plus en plus réalistes (images, vidéos, sons).*⁴
→ Articles : IA générative, Deep Learning
GPT (Generative Pre-trained Transformer)
Famille de grands modèles de langage développés par OpenAI. GPT-4 est capable de rédiger, raisonner, coder et dialoguer dans des dizaines de langues. C’est la base technique de ChatGPT.*²
GPU (Graphics Processing Unit)
Processeur graphique massivement parallèle, devenu indispensable pour l’entraînement des réseaux de neurones profonds. Sa capacité à effectuer des millions de calculs simultanés accélère considérablement l’entraînement.*⁴
H
→ Article : Impacts environnementaux de l’IA
Hallucination (en IA)
Phénomène par lequel un modèle de langage génère des informations fausses mais présentées avec assurance. Problème majeur des LLM, notamment pour les applications critiques nécessitant des faits vérifiables.*²
→ Article : IA conversationnelle
→ Enjeux : Impacts sociétaux de l’IA, Opportunités et limites de l’IA
Hyperparamètre
Paramètre de configuration d’un modèle défini avant l’entraînement (et non appris par le modèle). Exemples : taux d’apprentissage, nombre de couches, taille des lots. Leur optimisation est cruciale pour les performances.*⁴
I
Inférence
Phase d’utilisation d’un modèle déjà entraîné pour effectuer des prédictions sur de nouvelles données. S’oppose à l’entraînement (apprentissage).*¹
→ Article : Impacts environnementaux de l’IA
IA étroite (ou IA faible)
IA conçue pour une tâche spécifique et uniquement celle-là. C’est la forme d’IA la plus répandue aujourd’hui (reconnaissance vocale, recommandation, traduction…).*²
→ Article : Opportunités et limites de l’IA
IA générative
Branche de l’IA capable de créer de nouveaux contenus : textes, images, vidéos, sons, code. Exemples : ChatGPT, Claude, DALL·E, Midjourney, Sora.*¹
→ Article : L’IA générative
L
→ Enjeux : IA et droits d’auteurs, Impacts environnementaux
LLM (Large Language Model – Grand modèle de langage)
Modèle de deep learning entraîné sur d’immenses corpus de textes pour comprendre et générer du langage naturel. Exemples : GPT-4, Claude, Gemini, LLaMA. Leur capacité à généraliser les a rendus utiles dans presque tous les secteurs.*¹
→ Articles : IA conversationnelle, Agents IA
M
→ Enjeux : IA et droits d’auteurs, Impacts environnementaux, Impact sur l’emploi
Machine Learning (Apprentissage automatique)
Branche de l’IA permettant aux machines d’apprendre à partir de données sans être explicitement programmées pour chaque tâche. Le modèle identifie des patterns et améliore ses prédictions par l’expérience.*⁴
→ Article : Le Machine Learning
Modèle
En IA, représentation mathématique apprise à partir de données, capable de faire des prédictions ou de générer des sorties à partir de nouvelles entrées.*¹
N
NLP (Natural Language Processing – Traitement du Langage Naturel)
Branche de l’IA permettant aux machines de comprendre, analyser et générer du texte ou de la parole humaine. Applications : traduction, chatbots, analyse de sentiment, résumé automatique.*³
→ Article : IA conversationnelle
Neurone artificiel
Unité de base d’un réseau de neurones artificiel. Reçoit des signaux en entrée, les combine avec des poids, puis produit une sortie transmise aux neurones suivants.*⁴
O
Overfitting (Surapprentissage)
Phénomène où un modèle apprend trop précisément les données d’entraînement et perd sa capacité à généraliser sur de nouvelles données. Il performe très bien sur les données connues mais échoue sur les données inconnues.*⁴
→ Article : Le Machine Learning
P
Prompt
Instruction ou texte fourni en entrée à un modèle de langage pour orienter sa réponse. L’art d’écrire des prompts efficaces s’appelle le prompt engineering.*¹
Pré-entraînement (Pre-training)
Phase initiale d’entraînement d’un modèle sur un très grand corpus de données génériques, avant d’être éventuellement fine-tuné pour des tâches spécifiques.*³
R
→ Article : Impacts environnementaux de l’IA
RAG (Retrieval-Augmented Generation)
Technique combinant un LLM avec un système de recherche documentaire. Le modèle consulte des sources externes avant de répondre, réduisant les hallucinations et enrichissant ses réponses avec des informations actualisées.*¹
→ Article : Les Agents IA
Régression
Tâche d’apprentissage supervisé consistant à prédire une valeur numérique continue. Exemples : prédire le prix d’un appartement, estimer la consommation énergétique.*⁴
→ Article : L’IA prédictive
RLHF (Reinforcement Learning from Human Feedback)
Technique d’entraînement dans laquelle des évaluateurs humains notent les réponses du modèle, et ces notes servent à l’améliorer. Utilisée notamment pour aligner les LLM sur les préférences et valeurs humaines.*³
→ Articles : Machine Learning, IA générative
S
SVM (Support Vector Machine)
Algorithme de machine learning utilisé pour la classification et la régression. Il cherche la frontière de décision optimale qui sépare au mieux les différentes classes dans les données.*⁴
T
Taux d’apprentissage (Learning rate)
Hyperparamètre contrôlant la vitesse à laquelle un modèle ajuste ses poids lors de l’entraînement. Un taux trop élevé provoque une instabilité ; trop bas, l’apprentissage est lent et peut stagner.*⁴
Transfer Learning (Apprentissage par transfert)
Technique consistant à réutiliser un modèle pré-entraîné sur une tâche comme point de départ pour une autre tâche connexe. Réduit considérablement le besoin en données et en puissance de calcul.*³
→ Article : Le Machine Learning
U
Underfitting (Sous-apprentissage)
Phénomène inverse de l’overfitting : le modèle est trop simple pour capturer les patterns dans les données. Il performe mal aussi bien sur les données d’entraînement que sur les nouvelles données.*⁴
V
Vecteur
Représentation mathématique d’une donnée sous forme de liste de nombres. Les embeddings sont des vecteurs dans des espaces de haute dimension.*¹
Conclusion
Ce glossaire couvre les termes les plus fréquemment rencontrés dans l’univers de l’intelligence artificielle. Il a vocation à évoluer : le domaine de l’IA progresse si rapidement que de nouveaux concepts émergent régulièrement. N’hésitez pas à y revenir comme référence lors de vos lectures, formations ou projets liés à l’IA.
Sources
*¹ – « Glossaire de l’intelligence artificielle », Futurologie Le Mag : https://futurologie-lemag.com/innover/glossaire-de-l-intelligence-artificielle/
*² – « Glossaire IA : 40+ définitions intelligence artificielle générative », Hoko : https://www.hoko.team/glossaire-ia
*³ – « Glossaire de l’IA : lexique des définitions à connaître », Societe.Tech : https://www.societe.tech/metiers/intelligence-artificielle/glossaire-de-lintelligence-artificielle-ia-lexique-des-definitions-a-connaitre/
*⁴ – « Deep Learning », Wikipedia : https://en.wikipedia.org/wiki/Deep_learning
*⁵ – Vaswani et al., « Attention Is All You Need » (2017), arXiv : https://arxiv.org/abs/1706.03762
Catégorie : Découvrir l’IA > Comprendre l’IA – Niveau : Tous niveaux