Annexe

Glossaire de l'IA

Les termes que vous entendrez dans la salle, définis simplement.

Intelligence artificielle (IA): Systèmes conçus pour accomplir des tâches associées à l'intelligence humaine, telles que la prédiction, la classification, la génération ou la planification.
Apprentissage automatique: Méthode par laquelle un système apprend des motifs récurrents à partir d'exemples au lieu de recevoir explicitement chaque règle.
Modèle: Système mathématique appris qui associe des entrées à des sorties.
Grand modèle de langage (LLM): Modèle entraîné sur de vastes collections de textes afin de prédire et de générer du langage.
IA générative: IA qui produit de nouveaux textes, images, sons, codes ou autres résultats.
Système agentique / agent d'IA: Modèle relié à des outils, à une mémoire, à des instructions et à des boucles d'action afin de pouvoir accomplir plusieurs étapes.
Automatisation: Utilisation d'un système pour accomplir une tâche avec une intervention humaine directe limitée.
Augmentation: Utilisation de l'IA pour appuyer le travail humain plutôt que le remplacer.
Humain dans la boucle: Une personne examine, approuve ou intervient dans un processus assisté par l'IA.
Humain sur la boucle: Une personne supervise un système sans examiner chaque action.
Humain hors de la boucle: Un système agit sans qu'une personne examine chaque décision ou action.
Données d'entraînement: Exemples utilisés pour ajuster les paramètres d'un modèle pendant l'entraînement.
Jeu de données: Collection organisée de données utilisée pour l'entraînement, les tests ou l'analyse.
Provenance des données: Informations indiquant d'où proviennent les données et comment elles ont été collectées ou modifiées.
Traçabilité des données: Historique de la manière dont les données circulent dans les systèmes et les transformations.
Données structurées: Données organisées en champs, lignes, catégories ou schémas définis.
Données non structurées: Matériaux tels que texte, images, audio ou vidéo, sans structure tabulaire fixe.
Données synthétiques: Données générées artificiellement et conçues pour ressembler à des données réelles.
Vérité de terrain: Étiquette ou résultat de référence considéré comme correct aux fins d'évaluation.
Base de connaissances: Collection organisée d'informations qu'un système peut retrouver.
Connaissances paramétriques: Informations encodées dans les paramètres appris d'un modèle.
Connaissances factuelles: Informations sur des faits ou des relations qu'un modèle peut avoir apprises à partir de ses données d'entraînement.
Génération augmentée par récupération (RAG): Système qui récupère des documents ou des enregistrements avant de générer une réponse.
Connaissances locales: Connaissances ancrées dans l'expérience d'un lieu ou d'une communauté particulière.
Savoirs autochtones: Systèmes de connaissances élaborés et maintenus par les peuples et communautés autochtones.
Souveraineté des données: Principe selon lequel les données sont régies conformément aux lois, aux droits et à l'autorité des personnes ou du lieu qu'elles concernent.
Minimisation des données: Collecte et conservation uniquement des données nécessaires à une finalité déclarée.
Données sensibles: Données dont la divulgation ou l'utilisation abusive pourrait causer un préjudice.
Entrée / prompt: Instruction ou matériau fourni à un modèle.
Sortie: Texte, prédiction, classification, image ou action produit par un système.
Inférence: Exécution d'un modèle entraîné pour produire une sortie.
Fenêtre de contexte: Quantité de texte ou d'autre matériau qu'un modèle peut prendre en compte en une seule fois.
Jeton: Unité de texte ou d'autres données traitée par un modèle de langage.
Plongement: Représentation numérique d'un texte, d'images ou d'autres données, utilisée pour comparer des relations.
Classification: Attribution d'un élément à une ou plusieurs catégories.
Prédiction: Estimation d'un résultat probable à partir des données disponibles.
Prévision: Prédiction relative à un état ou à un événement futur.
Recommandation: Sortie qui suggère une ligne d'action.
Optimisation: Recherche du meilleur résultat selon un objectif et des contraintes définis.
Fonction objectif: Quantité formelle qu'un système cherche à maximiser ou à minimiser.
Variable de substitution: Mesure indirecte utilisée à la place d'un objectif plus difficile à mesurer.
Référence d'évaluation: Test utilisé pour comparer les performances des modèles.
Évaluation: Mesure d'un modèle ou d'un système au regard de critères définis.
Incertitude: Degré selon lequel une sortie peut être erronée ou incomplète.
Score de confiance: Estimation numérique associée à une prédiction ou à une classification.
Étalonnage: Relation entre la confiance prédite et l'exactitude réelle.
Explicabilité: Capacité de fournir un compte rendu compréhensible de la manière dont une sortie a été produite.
Interprétabilité: Mesure dans laquelle le comportement interne d'un système peut être compris.
Boîte noire: Système dont le fonctionnement interne est difficile à examiner.
Hallucination: Sortie de modèle fluide mais non étayée, fausse ou fabriquée.
Biais: Erreur systématique ou performance inégale associée aux données, à la conception ou à l'utilisation.
Équité: Approches permettant d'évaluer et de traiter les traitements ou résultats inégaux.
Robustesse: Capacité de fonctionner de manière fiable dans des conditions modifiées ou imparfaites.
Attaque antagoniste: Entrée conçue délibérément pour provoquer la défaillance d'un système ou un comportement inattendu.
Réseau neuronal: Système informatique composé de couches connectées qui transforment des entrées en sorties.
Perceptron: Modèle mathématique précoce d'une cellule cérébrale unique, et fondement de recherches ultérieures sur les réseaux neuronaux.
Transformer: Architecture de réseau neuronal qui utilise l'attention pour traiter les relations entre jetons.
Poids: Nombres qu'un modèle a appris pendant l'entraînement. En pratique, les poids sont le modèle.
Poids ouverts: Poids publiés de sorte que chacun puisse exécuter, examiner ou héberger le modèle lui-même.
Poids fermés: Poids conservés sur les serveurs du fournisseur et accessibles uniquement par l'intermédiaire de son service.
Préentraînement: Entraînement initial sur un vaste corpus de données, généralement en prédisant un contenu manquant ou subséquent.
Ajustement fin: Entraînement supplémentaire sur un jeu de données ou une tâche plus restreint.
Post-entraînement: Processus appliqués après le préentraînement pour améliorer l'utilité, le comportement ou l'alignement.
Apprentissage par renforcement (RL): Entraînement au moyen d'un retour d'information qui récompense certaines actions et en pénalise d'autres.
Apprentissage par renforcement à partir de retours humains (RLHF): Apprentissage par renforcement utilisant des préférences ou des évaluations humaines.
Modèle de raisonnement: Modèle ou système optimisé pour consacrer des calculs supplémentaires à des problèmes en plusieurs étapes.
Chaîne de pensée: Texte de raisonnement intermédiaire généré pendant la résolution d'un problème.
Lois d'échelle: Relations observées entre les performances d'un modèle, sa taille, les données d'entraînement et la puissance de calcul.
Mélange d'experts (MoE): Architecture contenant plusieurs sous-réseaux spécialisés, dont seuls certains sont utilisés pour chaque entrée.
Alignement: Conception d'un système de sorte que son comportement reflète des objectifs ou des valeurs spécifiés.
Sécurité de l'IA: Recherches et pratiques visant à réduire les comportements préjudiciables ou incontrôlés des systèmes.
Gouvernance de l'IA: Règles, institutions, processus et pratiques qui façonnent le développement et l'utilisation de l'IA.
IA responsable: Développement et utilisation de l'IA en tenant compte des incidences sociales, éthiques, juridiques et environnementales.
Conception sensible aux valeurs: Conception de technologies accordant une attention explicite aux valeurs humaines et aux intérêts concernés.
IA alignée sur la souveraineté: IA conçue et gouvernée pour préserver la capacité d'action d'une communauté ou d'un lieu défini.
Autorisations granulaires: Restrictions concernant les outils, fichiers, données ou actions auxquels un système peut accéder.
Bac à sable: Environnement isolé dans lequel un système peut fonctionner avec un accès limité.
Point d'approbation humaine: Autorisation humaine requise avant qu'une action ne se poursuive.
Journal d'audit: Enregistrement des entrées, sorties, actions et modifications d'un système.
Fiche de modèle: Documentation décrivant l'utilisation prévue, les limites et l'évaluation d'un modèle.
Fiche de système: Documentation couvrant un système déployé plus large, y compris les risques et les mesures d'atténuation.
Dérive du modèle: Variation des performances à mesure que les données, les comportements ou les conditions évoluent au fil du temps.
Gestion des versions: Suivi des modifications apportées aux modèles, aux données, aux prompts et aux logiciels.
Retour à une version antérieure: Rétablissement d'un système ou d'un déploiement à une version antérieure.
Auto-hébergement: Exécution d'un modèle sur du matériel que vous ou votre institution contrôlez.
Conservation nulle des données: Engagement contractuel selon lequel un fournisseur ne stocke rien de ce que vous lui envoyez.