60 termes expliqués

Glossaire de l’intelligence artificielle

Un même mot peut désigner une technique, un modèle ou l’application que vous utilisez. Ce glossaire donne une définition courte et un exemple pour repérer ce qui change réellement dans votre tâche.

Par Vincent Oliviero

Cinq distinctions rapides

Un modèle ou un assistant ?

Vous voulez comparer les capacités du modèle ou les fonctions de l’application ?

Le modèle produit la réponse. L’assistant ajoute l’interface, les fichiers, les outils et ses règles. Une même application peut proposer plusieurs modèles.

Modèle d’IA
Assistant IA

Contexte ou mémoire ?

L’information doit-elle être prise en compte maintenant ou retrouvée dans une prochaine conversation ?

La fenêtre de contexte borne les informations de l’appel en cours. La mémoire dépend de l’application et conserve ou retrouve certaines informations entre les échanges.

Fenêtre de contexte
Mémoire d’un assistant

RAG ou ajustement fin ?

Faut-il consulter des documents qui changent ou modifier le comportement du modèle ?

Le RAG cherche les passages au moment de répondre. L’ajustement fin modifie les paramètres par un nouvel entraînement. Les deux méthodes peuvent coexister.

RAG (génération augmentée par recherche)
Ajustement fin (fine-tuning)

Agent ou MCP ?

Cherchez-vous qui décide des étapes ou comment l’application se connecte aux outils ?

L’agent choisit des étapes et demande des actions dans le cadre de ses droits. MCP standardise l’accès à certaines ressources et outils. Un agent peut utiliser MCP sans que MCP soit lui-même l’agent.

Agent IA
MCP (Model Context Protocol)

Agent ou workflow ?

Les étapes sont-elles connues d’avance ?

Un workflow suit un enchaînement prévu. Un agent peut choisir des étapes selon ce qu’il découvre. Une tâche peut réunir les deux.

Agent IA
Workflow

Les bases pour reconnaître ce que fait l’IA

Intelligence artificielle (IA): Ensemble de techniques qui permettent à un système d’accomplir des tâches comme classer, prévoir, reconnaître ou générer des contenus.; Exemple. Un filtre signale les courriels indésirables à partir de caractéristiques apprises.; À rapprocher de Apprentissage automatique, IA générative.; Qui a inventé le terme : John McCarthy
Algorithme: Suite d’instructions qui transforme des données en résultat, avec ou sans apprentissage automatique.; Exemple. Une recette de tri classe des factures par date sans entraîner de modèle.; À rapprocher de Intelligence artificielle (IA), Modèle d’IA.
Apprentissage automatique: Méthode qui ajuste un modèle à partir d’exemples au lieu de fixer à la main toutes les règles de décision.; Exemple. Un filtre apprend à reconnaître le spam à partir de messages étiquetés.; À rapprocher de Entraînement, Apprentissage supervisé.
Apprentissage profond: Famille d’apprentissage automatique fondée sur des réseaux de neurones à plusieurs couches.; Exemple. Un modèle apprend des motifs visuels pour reconnaître des objets sur des photos.; À rapprocher de Réseau de neurones, Apprentissage automatique.
Réseau de neurones: Modèle composé de couches de calcul dont les paramètres sont ajustés pendant l’entraînement.; Exemple. Après apprentissage, un réseau associe une photo de feuille à une maladie possible.; À rapprocher de Paramètres d’un modèle, Entraînement.
Modèle d’IA: Système de calcul entraîné dont les paramètres servent à produire une prédiction ou un contenu à partir d’une entrée.; Exemple. Le même modèle de langage peut alimenter plusieurs applications de chat.; À rapprocher de Assistant IA, Inférence.
Assistant IA: Application qui réunit un ou plusieurs modèles, une interface et parfois des outils, des fichiers ou des règles d’usage.; Exemple. Un assistant ouvre un document, pose une question au modèle puis affiche la réponse.; À rapprocher de Modèle d’IA, Agent IA.
Chatbot: Interface de conversation qui échange des messages avec une personne, qu’elle utilise un modèle de langage ou des réponses programmées.; Exemple. Le bot d’un service client répond à une question de livraison dans une fenêtre de chat.; À rapprocher de Assistant IA, Grand modèle de langage (LLM).
Test de Turing: Épreuve proposée par Alan Turing en 1950 : un juge converse par écrit avec une machine et avec un humain, puis doit dire lequel est la machine.; Exemple. Un juge ne distingue pas un modèle de langage d’une personne après cinq minutes d’échange : le modèle réussit cette version du test, sans que cela prouve qu’il comprend.; À rapprocher de Chatbot, Grand modèle de langage (LLM).; Alan Turing et son test
Inférence: Phase où un modèle déjà entraîné utilise ses paramètres pour calculer une réponse à une nouvelle entrée.; Exemple. Après entraînement, le modèle classe une nouvelle facture sans modifier ses paramètres.; À rapprocher de Modèle d’IA, Entraînement.

Ce qui change pendant l’apprentissage

Jeu de données: Collection d’exemples utilisée pour entraîner, vérifier ou tester un modèle selon le rôle attribué à chaque partie.; Exemple. Une équipe sépare des photos de produits en lots d’entraînement et de test.; À rapprocher de Entraînement, Jeu d’évaluation.
Annotation: Ajout d’une étiquette ou d’une description à une donnée pour fournir une réponse de référence.; Exemple. Une personne marque « chien » sur une photo avant de l’utiliser pour entraîner un classificateur.; À rapprocher de Jeu de données, Apprentissage supervisé.
Apprentissage supervisé: Entraînement à partir d’exemples associés à une réponse attendue.; Exemple. Un modèle apprend à reconnaître des réclamations après avoir vu des messages déjà classés.; À rapprocher de Annotation, Apprentissage non supervisé.
Apprentissage non supervisé: Recherche de structures ou de ressemblances dans des données sans réponse attendue pour chaque exemple.; Exemple. Un système regroupe des articles proches par sujet sans étiquettes préalables.; À rapprocher de Apprentissage supervisé, Représentations vectorielles (embeddings).
Entraînement: Phase où un modèle ajuste ses paramètres à partir de données et d’un objectif d’apprentissage.; Exemple. Le modèle modifie ses paramètres après chaque série d’exemples de classification.; À rapprocher de Paramètres d’un modèle, Inférence.
Paramètres d’un modèle: Valeurs numériques apprises pendant l’entraînement qui influencent le calcul du modèle.; Exemple. Une mise à jour des poids modifie les prédictions du modèle sans changer le texte du prompt.; À rapprocher de Entraînement, Ajustement fin (fine-tuning).
Ajustement fin (fine-tuning): Nouvel entraînement d’un modèle existant sur des exemples ciblés pour modifier son comportement.; Exemple. Une équipe entraîne une version du modèle sur des réponses clients validées.; À rapprocher de Entraînement, RAG (génération augmentée par recherche).
Surapprentissage: Situation où un modèle s’ajuste trop aux exemples d’entraînement et généralise mal à de nouvelles données.; Exemple. Un classificateur réussit sur ses anciennes factures mais échoue sur celles d’un autre fournisseur.; À rapprocher de Jeu d’évaluation, Ajustement fin (fine-tuning).

Lire une réponse de modèle de langage

Grand modèle de langage (LLM): Modèle entraîné sur de grands volumes de texte pour traiter et produire des séquences de langage.; Exemple. Un LLM rédige une synthèse à partir d’une consigne et de passages fournis.; À rapprocher de Modèle d’IA, Assistant IA, Perroquet stochastique.
Prompt: Texte ou contenu envoyé à un modèle pour préciser la tâche et les informations à utiliser.; Exemple. « Résume ces trois décisions pour une équipe commerciale » est un prompt.; À rapprocher de Instruction système, Fenêtre de contexte.; Écrire un bon prompt
Instruction système: Consigne fournie par l’application pour cadrer le rôle et le comportement attendu d’un assistant.; Exemple. Une application demande à l’assistant de répondre en français et de citer ses documents.; À rapprocher de Prompt, Injection de prompt.
Token: Unité de texte traitée par un modèle, qui peut correspondre à un mot entier ou à une partie de mot.; Exemple. Un nom composé peut occuper plusieurs tokens dans le compte d’une requête.; À rapprocher de Tokenisation, Fenêtre de contexte.
Tokenisation: Découpage d’un contenu en unités que le modèle peut traiter.; Exemple. Un logiciel découpe une phrase en tokens avant de l’envoyer au modèle.; À rapprocher de Token, Grand modèle de langage (LLM).
Fenêtre de contexte: Quantité maximale d’informations qu’un modèle peut prendre en compte au cours d’un appel, entrée et sortie comprises selon l’interface.; Exemple. Un long rapport ne tient plus dans un seul appel et doit être découpé.; À rapprocher de Mémoire d’un assistant, Découpage des documents.
Mémoire d’un assistant: Fonction de l’application qui conserve ou retrouve certaines informations entre des échanges distincts.; Exemple. L’assistant garde une préférence de langue pour une prochaine conversation.; À rapprocher de Fenêtre de contexte, Base de connaissances.
Hallucination: Réponse générée qui présente comme exact un élément inventé ou déformé.; Exemple. Un assistant cite un arrêt de justice qui n’existe pas.; À rapprocher de Ancrage dans les sources, Jeu d’évaluation, Perroquet stochastique.
Perroquet stochastique: Image critique, tirée d’un article de recherche de 2021 (Bender, Gebru et al.), pour décrire un modèle de langage qui assemble des mots selon des probabilités apprises : le résultat est plausible, sans que cela prouve qu’il en comprend le sens.; Exemple. Un assistant rédige une explication fluide d’un théorème, mais se trompe dès qu’on change un détail de l’énoncé.; À rapprocher de Grand modèle de langage (LLM), Hallucination.; Comprendre le perroquet stochastique

Retrouver et utiliser ses documents

Base de connaissances: Ensemble organisé de contenus qu’un système peut consulter pour répondre à une question.; Exemple. Un service client interroge ses notices de produits avant de répondre.; À rapprocher de RAG (génération augmentée par recherche), Mémoire d’un assistant.
Découpage des documents: Division d’un fichier en passages plus courts pour faciliter sa recherche et son insertion dans un contexte limité.; Exemple. Un PDF de cent pages devient des passages indexés par section.; À rapprocher de Fenêtre de contexte, RAG (génération augmentée par recherche).
Représentations vectorielles (embeddings): Suites de nombres qui représentent des contenus, de façon à rapprocher ceux dont le sens est similaire.; Exemple. Les questions « prix de l’API » et « coût par token » obtiennent des vecteurs proches.; À rapprocher de Recherche sémantique, Base vectorielle.
Recherche sémantique: Recherche qui rapproche une question et des passages selon leur sens au lieu de comparer seulement leurs mots.; Exemple. Une recherche « délai de remboursement » trouve un paragraphe intitulé « droit de rétractation ».; À rapprocher de Représentations vectorielles (embeddings), RAG (génération augmentée par recherche).
Base vectorielle: Système qui stocke et recherche des représentations vectorielles associées à des contenus.; Exemple. Un index renvoie les passages de documentation les plus proches d’une question.; À rapprocher de Représentations vectorielles (embeddings), Recherche sémantique.
RAG (génération augmentée par recherche): Méthode qui récupère des passages dans une source externe avant de les donner au modèle pour préparer sa réponse.; Exemple. Un assistant cherche dans les procédures internes puis répond avec les passages retrouvés.; À rapprocher de Ajustement fin (fine-tuning), Ancrage dans les sources.; Comprendre et créer un RAG
Ancrage dans les sources: Fait de relier une réponse aux documents effectivement consultés et de vérifier qu’ils soutiennent ses affirmations.; Exemple. Une réponse cite le paragraphe précis d’une procédure pour justifier une date limite.; À rapprocher de RAG (génération augmentée par recherche), Hallucination.
Citation de source: Référence visible qui renvoie au document ou au passage cité à l’appui d’une affirmation.; Exemple. Le lien placé après une règle renvoie à la page officielle qui énonce cette règle.; À rapprocher de Ancrage dans les sources, RAG (génération augmentée par recherche).

Comprendre un agent et ses connexions

Agent IA: Application qui poursuit un objectif en choisissant des étapes et en utilisant des outils selon les droits qui lui sont donnés.; Exemple. Un agent consulte un calendrier, propose trois créneaux et attend l’accord avant d’envoyer une invitation.; À rapprocher de Assistant IA, Appel d’outil (tool calling).
Workflow: Suite d’étapes définie à l’avance, parfois automatisée, avec des conditions de passage explicites.; Exemple. Une facture reçue déclenche son extraction puis l’envoi au comptable selon une règle fixée.; À rapprocher de Agent IA, Orchestration.
Appel d’outil (tool calling): Demande structurée émise par un modèle ou son application pour qu’un logiciel exécute une opération externe.; Exemple. L’assistant demande au calendrier la liste des créneaux puis lit le résultat.; À rapprocher de Agent IA, API.
API: Interface documentée qui permet à deux logiciels d’échanger des données ou de demander une action.; Exemple. Une application appelle l’API météo pour obtenir une prévision à afficher.; À rapprocher de Appel d’outil (tool calling), Serveur MCP.
MCP (Model Context Protocol): Protocole qui standardise la façon dont une application d’IA découvre et utilise les outils, les ressources et les modèles de prompts exposés par un serveur.; Exemple. Un assistant connecté à un serveur MCP lit une fiche produit avec les droits de son utilisateur.; À rapprocher de Serveur MCP, Ressource MCP.; Brancher et vérifier un serveur MCP
Serveur MCP: Programme qui expose à une application compatible des outils, des ressources ou des modèles de prompts selon le protocole MCP.; Exemple. Un serveur relie l’assistant à un catalogue interne consultable.; À rapprocher de MCP (Model Context Protocol), Ressource MCP.
Ressource MCP: Contenu qu’un serveur MCP rend lisible à une application, distinct d’un outil qui peut lancer une action.; Exemple. L’assistant lit le texte d’un fichier exposé comme ressource MCP.; À rapprocher de Serveur MCP, Appel d’outil (tool calling).
Validation humaine: Étape où une personne examine et autorise une action avant son exécution.; Exemple. L’agent prépare un courriel, mais son utilisateur approuve l’envoi.; À rapprocher de Agent IA, Injection de prompt.
Orchestration: Coordination des étapes, outils et éventuels agents d’un système pour produire un résultat dans le bon ordre.; Exemple. Un service attend la réponse de la recherche documentaire avant de demander au modèle une synthèse.; À rapprocher de Workflow, Agent IA.

Du texte aux images et aux sons

IA générative: Famille de systèmes qui produit de nouveaux contenus à partir d’une consigne ou d’autres données.; Exemple. Un outil crée une illustration à partir d’une description écrite.; À rapprocher de Grand modèle de langage (LLM), Modèle de diffusion.
Multimodal: Capacité d’un système à traiter plusieurs types de données comme le texte, l’image, le son ou la vidéo.; Exemple. Un assistant lit une photo et répond à une question écrite sur son contenu.; À rapprocher de IA générative, Grand modèle de langage (LLM).
Transformer: Architecture de réseau de neurones qui utilise notamment l’attention pour traiter les relations entre éléments d’une séquence.; Exemple. Un modèle de texte relie le pronom « elle » au nom présent plus tôt dans une phrase.; À rapprocher de Attention, Grand modèle de langage (LLM).
Attention: Mécanisme qui pondère les éléments d’une entrée selon leur utilité pour le calcul en cours.; Exemple. Dans une phrase, le modèle utilise davantage les mots liés au nom qu’il doit compléter.; À rapprocher de Transformer, Fenêtre de contexte.
Modèle de diffusion: Modèle génératif qui apprend à transformer progressivement du bruit en contenu, souvent en suivant une consigne.; Exemple. Un générateur produit une image de paysage à partir d’un bruit initial.; À rapprocher de IA générative, Espace latent.
Espace latent: Représentation numérique où un modèle organise des caractéristiques apprises d’un contenu.; Exemple. Deux portraits proches par style occupent des régions voisines de cette représentation.; À rapprocher de Auto-encodeur, Représentations vectorielles (embeddings).
Auto-encodeur: Réseau qui apprend à condenser une donnée puis à la reconstruire, souvent pour en extraire une représentation utile.; Exemple. Un auto-encodeur débruite une image en reconstruisant une version plus nette.; À rapprocher de Espace latent, Apprentissage profond.; Comprendre les auto-encodeurs
Deepfake: Contenu audio, image ou vidéo synthétique qui imite de façon crédible une personne ou modifie son apparence ou sa voix.; Exemple. Une vidéo prête à une personne des paroles qu’elle n’a jamais prononcées.; À rapprocher de IA générative, Consentement.; Détecter un deepfake : outils et méthode

Évaluer et encadrer un usage

Benchmark IA: Épreuve commune utilisée pour comparer des systèmes sur des tâches et des règles de mesure précisées.; Exemple. Deux modèles répondent au même jeu de questions, puis leurs réponses sont évaluées selon la même grille.; À rapprocher de Jeu d’évaluation, Biais en IA.
Jeu d’évaluation: Exemples tenus à part pour mesurer un modèle sur des cas qu’il ne doit pas simplement mémoriser.; Exemple. Une équipe vérifie son classificateur sur des factures inédites.; À rapprocher de Jeu de données, Surapprentissage.
Biais en IA: Écart systématique qui peut venir des données, du modèle ou du mode d’évaluation et produire des résultats injustes ou trompeurs.; Exemple. Un système de recrutement sous-évalue un groupe sous-représenté dans ses données.; À rapprocher de Jeu de données, Benchmark IA.
Garde-fou: Règle ou contrôle ajouté autour d’un système pour limiter une sortie ou une action indésirable.; Exemple. Une application bloque l’envoi d’un fichier sensible avant confirmation.; À rapprocher de Validation humaine, Injection de prompt.
Injection de prompt: Tentative de faire passer des consignes non fiables contenues dans une entrée ou un document pour des instructions à suivre.; Exemple. Une page consultée par un agent lui demande d’ignorer la tâche de l’utilisateur.; À rapprocher de Instruction système, Validation humaine.
IA locale: Usage d’un modèle sur un appareil ou une infrastructure contrôlée par l’utilisateur, sans imposer un service distant pour l’inférence.; Exemple. Une équipe exécute un modèle sur son ordinateur pour résumer un document interne.; À rapprocher de Inférence, Donnée personnelle.; Comprendre les usages de l’IA locale
Donnée personnelle: Information qui concerne une personne physique identifiée ou identifiable, directement ou indirectement.; Exemple. Une adresse électronique nominative dans un document envoyé à un assistant constitue une donnée personnelle.; À rapprocher de Consentement, IA locale.
Consentement: Accord libre, spécifique, éclairé et univoque d’une personne à un traitement déterminé de ses données quand cette base légale est retenue.; Exemple. Accepter d’apparaître dans une vidéo ne vaut pas accord pour entraîner un modèle avec cette image.; À rapprocher de Donnée personnelle, Deepfake.

Sources de référence

CNIL. Vocabulaire général de l’IA et des données personnelles.
Google for Developers. Apprentissage, modèles et évaluation.
Google Cloud. Recherche documentaire et génération augmentée.
Model Context Protocol. Connexions, outils, ressources et prompts.
OWASP. Injection de prompt et contrôle des entrées.

Lire le glossaire au format Markdown