Ce glossaire vous propose une sélection de termes clés pour mieux comprendre l’intelligence artificielle. Explorez les notions essentielles pour décrypter les concepts et enjeux de cette technologie.
A
API (Application Programming Interface) : Interface permettant d’accéder à un modèle IA via des requêtes.
Apprentissage Supervisé : Entraînement d’un modèle avec des données étiquetées.
Apprentissage Non Supervisé : Entraînement avec des données sans étiquettes où le modèle découvre lui-même les structures.
Attention Mechanism : Technique utilisée dans les Transformers pour pondérer l’importance des mots dans un texte.
B
BERT (Bidirectional Encoder Representations from Transformers) : Modèle NLP de Google analysant le contexte d’un mot dans les deux directions d’une phrase.
Biais : Erreur systématique dans les prédictions d’un modèle due aux hypothèses intégrées lors de l’apprentissage, entraînant souvent une sous-estimation ou une surestimation des valeurs réelles.
C
Chatbot : Programme d’IA conçu pour interagir avec les utilisateurs via une conversation textuelle ou vocale. (ex. ChatGPT).
Classification de Texte : Attribution automatique d’une catégorie à un texte (ex. classification d’un email en spam ou non-spam).
Corpus : Ensemble de textes, souvent annotés, servant de base pour l’entraînement, l’évaluation ou l’analyse en NLP.
D
Dataset (Jeu de Données) : Collection de données structurées ou non structurées (textes, images, sons, vidéos, chiffres) utilisée pour entraîner, valider ou tester des modèles d’apprentissage automatique.
Deep Learning : Sous-domaine du Machine Learning basé sur des réseaux neuronaux profonds.
Diffusion (Modèle de Diffusion) : Approche de génération d’images basée sur un processus itératif où un modèle d’IA apprend d’abord à bruiter progressivement une image, puis à inverser ce processus pour générer des images réalistes à partir de bruit aléatoire. (ex. DALL·E, Stable Diffusion).
E
Embedding : Représentation numérique d’un mot ou d’une phrase sous forme de vecteur dans un espace multidimensionnel permettant de capturer leurs relations sémantiques et contextuelles.
Encoder-Decoder : Architecture de modèles où l’encodeur transforme une entrée en vecteurs et le décodeur génère une sortie (ex. T5).
F
Fine-tuning : Ajustement d’un modèle pré-entraîné sur un ensemble de données spécifique pour optimiser ses performances sur une tâche ciblée (ex. application en médecine).
G
GAN (Generative Adversarial Network) : Réseau de neurones où un générateur crée du contenu et un discriminateur tente de distinguer le réel du faux, les deux s’améliorant mutuellement pour produire des résultats réalistes (ex. génération d’images).
GPT (Generative Pre-trained Transformer) : Famille de modèles OpenAI spécialisés dans la génération de texte (GPT-3, GPT-4).
I
IA Générative : Branche de l’IA capable de produire du contenu nouveau (texte, image, son, vidéo).
L
Latent Space (Espace Latent) : Espace multidimensionnel où les modèles d’IA représentent des caractéristiques abstraites des données sous forme de vecteurs, facilitant la génération et la manipulation de contenu.
LLaMA (Large Language Model Meta AI) : Famille de modèles open-source développée par Meta.
LLM (Large Language Model) : Modèle de langage entraîné sur de vastes corpus pour traiter et générer du texte.
M
Machine Learning : Discipline permettant aux machines d’apprendre à partir de données sans programmation explicite.
Metadatas : données descriptives qui permettent de structurer, organiser et faciliter la recherche, l’interprétation et l’utilisation des données.
Modèle de Langage : Algorithme d’IA entraîné sur de vastes ensembles de données textuelles pour analyser, comprendre et générer du langage naturel. Il est utilisé dans diverses applications comme la traduction, la génération automatique de texte et les assistants conversationnels (ex. GPT, BERT, T5).
N
NLP (Natural Language Processing) : Traitement Automatique du Langage Naturel (ex. compréhension et génération de texte).
P
PaLM (Pathways Language Model) : Famille de modèles de langage développée par Google pour optimiser des tâches complexes comme le raisonnement, la compréhension avancée du texte et la génération de réponses précises, il se distingue par sa capacité à traiter des tâches multi-domaines de manière plus efficiente.
Perplexity : Mesure de performance d’un modèle de langage (plus basse = meilleure prédiction).
Prompt : Texte d’entrée utilisé pour guider un modèle génératif (ex. donner une instruction précise à ChatGPT).
Prompt Engineering : Optimisation des prompts pour obtenir des réponses plus pertinentes d’un modèle IA.
R
Reinforcement Learning from Human Feedback (RLHF) : Technique d’apprentissage où un modèle est ajusté en fonction de corrections humaines pour améliorer la pertinence de ses réponses.
Réseau Neuronal : Structure algorithmique inspirée du cerveau humain utilisée dans l’IA.
S
Self-Attention : Mécanisme clé des Transformers qui permet à un modèle de pondérer l’importance des mots dans une phrase pour mieux comprendre le contexte.
Stable Diffusion : Modèle de génération d’images basé sur la diffusion permettant de créer des visuels à partir de descriptions textuelles, similaire à DALL·E.
T
T5 (Text-to-Text Transfer Transformer) : Modèle Google transformant toutes les tâches NLP en un problème de conversion de texte.
Token : Unité de texte utilisée par un modèle IA (mot, sous-mot ou caractère).
Tokenisation : Processus de découpage du texte en tokens pour un traitement efficace.
Transformer : Architecture révolutionnaire utilisée par la plupart des LLMs (GPT, BERT, T5).
V
Vectorisation : Conversion de texte ou d’images en représentations numériques exploitables par l’IA.
