Annexe

Glossaire de l’IA

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

Intelligence artificielle (IA): Systèmes informatiques qui accomplissent des tâches liées à la pensée humaine, comme prévoir, trier, écrire ou planifier.
Apprentissage automatique: Façon de créer des systèmes qui apprennent à repérer des régularités dans des exemples, sans recevoir chaque règle.
Modèle: Système qui a appris à partir de données et transforme une entrée en sortie.
Grand modèle de langage (LLM): Modèle entraîné sur de grandes quantités de texte pour prédire et écrire du texte.
IA générative: IA qui crée du texte, des images, du son, du code ou d’autres contenus.
Système agentique / agent d’IA: Modèle relié à des outils, une mémoire et des consignes pour accomplir une tâche en plusieurs étapes.
Automatisation: Laisser un système accomplir une tâche avec peu d’aide humaine directe.
Augmentation: Utiliser l’IA pour aider les personnes à travailler, sans les remplacer.
Humain dans la boucle: Une personne vérifie, approuve ou intervient dans un processus qui utilise l’IA.
Humain en supervision: Une personne surveille un système sans vérifier chaque action.
Humain hors de la boucle: Un système agit sans qu’une personne vérifie chaque décision ou action.
Données d’entraînement: Exemples à partir desquels un modèle apprend.
Jeu de données: Ensemble organisé de données servant à entraîner, tester ou étudier quelque chose.
Provenance des données: Origine des données et façon dont elles ont été recueillies ou modifiées.
Traçabilité des données: Parcours des données dans différents systèmes et ce qu’elles y subissent.
Données structurées: Données rangées dans des champs fixes, comme dans un tableur ou une base de données.
Données non structurées: Texte, images, son ou vidéo qui ne se présentent pas sous forme de tableau.
Données synthétiques: Données inventées pour ressembler à des données réelles.
Vérité terrain: Réponse considérée comme correcte lors du test d’un système.
Base de connaissances: Ensemble choisi d’informations dans lequel un système peut chercher.
Connaissances paramétriques: Ce qu’un modèle a stocké dans les nombres appris à l’entraînement, plutôt que ce qu’il recherche.
Connaissances factuelles: Faits et relations qu’un modèle a pu apprendre dans ses données d’entraînement.
Génération augmentée par la recherche (RAG): Le système cherche d’abord des documents ou des données, puis s’en sert pour rédiger sa réponse.
Savoirs locaux: Savoirs issus de l’expérience d’un lieu ou d’une communauté.
Savoirs autochtones: Savoirs accumulés et conservés par les peuples et communautés autochtones.
Souveraineté des données: Idée que les données doivent relever des lois, des droits et de l’autorité des personnes ou du lieu qu’elles concernent.
Minimisation des données: Recueillir et conserver seulement les données nécessaires à un but défini.
Données sensibles: Données qui pourraient causer du tort si elles sont partagées ou mal utilisées.
Entrée / consigne: Instruction ou contenu que vous donnez à un modèle.
Sortie: Ce que le système produit : texte, prédiction, catégorie, image ou action.
Inférence: Faire fonctionner un modèle entraîné pour obtenir une réponse.
Fenêtre de contexte: Quantité de texte ou d’autres contenus qu’un modèle peut traiter à la fois.
Jeton: Petit morceau de texte, souvent une partie de mot, qu’un modèle lit et écrit.
Plongement vectoriel: Liste de nombres qui représente un texte ou une image et permet à un ordinateur de comparer les sens.
Classification: Ranger un élément dans une ou plusieurs catégories.
Prédiction: Meilleure estimation d’un résultat à partir des données disponibles.
Prévision: Prédiction sur l’avenir.
Recommandation: Sortie qui suggère quoi faire.
Optimisation: Chercher le meilleur résultat selon un objectif et des limites.
Fonction objectif: Valeur précise qu’un système cherche à rendre aussi haute ou basse que possible.
Indicateur de substitution: Élément facile à mesurer qui remplace un objectif difficile à mesurer.
Test de référence: Test standard qui sert à comparer les modèles.
Évaluation: Mesurer les résultats d’un modèle ou d’un système selon des critères définis.
Incertitude: Probabilité qu’une sortie soit fausse ou incomplète.
Score de confiance: Nombre indiquant à quel point un système est sûr d’une prédiction.
Calibrage: Degré d’accord entre la confiance d’un système et la fréquence réelle de ses réponses justes.
Explicabilité: Capacité à expliquer clairement comment un système est arrivé à un résultat.
Interprétabilité: Facilité à comprendre ce qui se passe dans un système.
Boîte noire: Système dont le fonctionnement interne est difficile à voir ou à vérifier.
Hallucination: Réponse fluide mais fausse, inventée ou sans source à l’appui.
Biais: Erreurs qui favorisent ou défavorisent certains groupes de façon systématique, dues aux données, à la conception ou à l’usage du système.
Équité: Façons de mesurer et de corriger les inégalités de traitement ou de résultats.
Robustesse: Capacité à fonctionner de façon fiable même si les conditions changent ou les entrées sont désordonnées.
Attaque adversariale: Entrée conçue pour faire échouer un système ou le faire mal agir.
Réseau de neurones: Système informatique composé de couches reliées qui transforment des entrées en sorties.
Perceptron: Premier modèle mathématique d’une cellule du cerveau. Il a donné naissance aux réseaux de neurones.
Transformeur: Architecture de la plupart des modèles de langage actuels. Elle détermine quels mots d’un texte comptent les uns pour les autres.
Poids: Nombres qu’un modèle a appris pendant l’entraînement. En pratique, les poids sont le modèle.
Poids ouverts: Poids publiés pour que chacun puisse faire fonctionner, étudier ou héberger le modèle.
Poids fermés: Poids conservés sur les serveurs de l’entreprise. Vous ne pouvez utiliser le modèle que par son service.
Préentraînement: Première et plus grande phase d’entraînement, qui consiste souvent à prédire le prochain morceau de texte.
Ajustement fin: Entraînement supplémentaire sur un jeu de données plus petit ou une tâche précise.
Post-entraînement: Entraînement après le préentraînement qui rend un modèle plus utile et améliore son comportement.
Apprentissage par renforcement (RL): Entraînement qui récompense certaines actions et en pénalise d’autres.
Apprentissage par renforcement à partir de retours humains (RLHF): Apprentissage par renforcement dont les récompenses viennent des évaluations humaines.
Modèle de raisonnement: Modèle qui consacre plus d’efforts aux problèmes à plusieurs étapes avant de répondre.
Chaîne de pensée: Raisonnement qu’un modèle écrit étape par étape pour résoudre un problème.
Lois d’échelle: Constat que les modèles s’améliorent de façon prévisible quand leur taille, leurs données et leur puissance de calcul augmentent.
Mélange d’experts (MoE): Modèle composé de nombreuses parties spécialisées, dont seules quelques-unes servent à chaque entrée. Cela réduit son coût d’utilisation.
Alignement: Faire agir un système selon des objectifs ou des valeurs choisis.
Sûreté de l’IA: Recherche et pratiques visant à empêcher les systèmes d’IA de causer du tort ou d’échapper au contrôle.
Gouvernance de l’IA: Règles, institutions et processus qui encadrent la création et l’usage de l’IA.
IA responsable: Créer et utiliser l’IA en tenant compte de ses effets sociaux, éthiques, juridiques et environnementaux.
Conception sensible aux valeurs: Concevoir une technologie en tenant compte des valeurs humaines et des intérêts des personnes concernées.
IA respectueuse de la souveraineté: IA conçue et gouvernée pour qu’une communauté ou un territoire en garde le contrôle.
Autorisations détaillées: Limites précises sur les outils, fichiers, données ou actions qu’un système peut utiliser.
Bac à sable: Espace isolé où un système peut fonctionner avec un accès limité.
Étape d’approbation humaine: Étape où une personne doit approuver une action avant son exécution.
Journal d’audit: Registre des entrées d’un système, de ses sorties et de ses actions.
Fiche de modèle: Document décrivant le but d’un modèle, ses limites et les tests effectués.
Fiche de système: Document décrivant tout un système déployé, y compris ses risques et ses protections.
Dérive du modèle: Changement des performances d’un modèle au fil du temps, dû à l’évolution des données ou des conditions.
Gestion des versions: Suivi des changements apportés aux modèles, données, consignes et logiciels.
Retour à une version antérieure: Revenir à une version précédente d’un système.
Auto-hébergement: Faire fonctionner un modèle sur du matériel que vous ou votre institution contrôlez.
Aucune conservation des données: Engagement écrit d’un fournisseur à ne rien stocker de ce que vous envoyez.