Glossaire de l'intelligence artificielle

Ce glossaire de l’intelligence artificielle définit en une phrase les termes clés que vous rencontrerez dans nos formations : machine learning, IA générative, LLM, agents, RAG et automatisation. Chaque définition est autonome et renvoie, le cas échéant, vers la formation associée.

Intelligence artificielle (IA)

L’intelligence artificielle désigne les systèmes informatiques capables d’effectuer des tâches qui nécessitent habituellement l’intelligence humaine : comprendre le langage, reconnaître des images, décider ou générer du contenu.

Machine learning (apprentissage automatique)

Le machine learning est une branche de l’IA où un modèle apprend des schémas à partir de données, plutôt que d’être programmé par des règles explicites.

Deep learning (apprentissage profond)

Le deep learning est un machine learning fondé sur des réseaux de neurones à nombreuses couches, particulièrement efficace sur l’image, le son et le langage.

Réseau de neurones

Un réseau de neurones est un modèle inspiré du cerveau, composé de couches de « neurones » qui transforment des entrées en sorties par apprentissage.

IA générative

L’IA générative crée de nouveaux contenus (texte, image, code, audio) à partir d’une consigne, en s’appuyant sur des modèles entraînés sur de vastes données. Voir la formation IA générative bureautique.

LLM (grand modèle de langage)

Un LLM (Large Language Model) est un modèle d’IA entraîné sur d’énormes corpus de texte pour comprendre et générer du langage naturel (Claude, GPT…). Voir la formation Claude.

Prompt

Un prompt est la consigne, en langage naturel, donnée à une IA générative pour obtenir une réponse.

Prompt engineering

Le prompt engineering est l’art de formuler des consignes efficaces pour obtenir de meilleurs résultats d’une IA générative.

Token

Un token est l’unité de base (mot ou fragment de mot) que traite un LLM ; la longueur des entrées et sorties se mesure en tokens.

Hallucination

Une hallucination est une réponse d’IA plausible mais fausse ou inventée ; vérifier les informations produites reste indispensable.

RAG (génération augmentée par récupération)

Le RAG (Retrieval-Augmented Generation) enrichit les réponses d’un LLM avec des documents récupérés dans une base, pour ancrer les réponses dans vos données.

Fine-tuning

Le fine-tuning ajuste un modèle pré-entraîné sur des données spécifiques afin de l’adapter à un domaine ou à une tâche.

Agent IA

Un agent IA est un système qui utilise un LLM pour raisonner et enchaîner des actions (appeler des outils, interroger des données) afin d’accomplir un objectif. Voir la formation Agents IA sur Azure.

Copilot

Un copilot est un assistant IA intégré à un logiciel (par exemple Microsoft 365 Copilot) qui aide l’utilisateur dans ses tâches. Voir la formation Microsoft 365 Copilot.

Chatbot

Un chatbot est un programme conversationnel qui dialogue en langage naturel ; les plus récents s’appuient sur des LLM.

NLP (traitement du langage naturel)

Le NLP regroupe les techniques permettant à une machine de comprendre et de produire du langage humain.

Vision par ordinateur

La vision par ordinateur permet à une machine d’analyser et d’interpréter des images et des vidéos.

Embedding

Un embedding est une représentation numérique (vecteur) d’un texte ou d’une image qui capture son sens et permet des recherches par similarité.

Modèle de fondation

Un modèle de fondation est un grand modèle pré-entraîné et polyvalent, réutilisable pour de nombreuses tâches (souvent via prompt ou fine-tuning).

MLOps

Le MLOps applique les principes DevOps au machine learning : industrialiser l’entraînement, le déploiement et la supervision des modèles.

Biais / éthique de l’IA

Un biais est une distorsion des résultats d’un modèle héritée des données d’entraînement ; l’éthique de l’IA vise à limiter ces biais et les usages nuisibles.

Automatisation (workflow)

L’automatisation orchestre des tâches répétitives entre applications ; des outils comme n8n y intègrent désormais des étapes d’IA. Voir la formation n8n.