Bienvenue dans le guide définitif pour comprendre l’univers de l’intelligence artificielle. Ce glossaire est conçu pour vous guider depuis les concepts les plus élémentaires jusqu’aux idées les plus avancées qui façonnent notre avenir.
Que vous soyez débutant ou expert, cette ressource vous servira de guide pour comprendre l’impact de l’IA sur votre vie quotidienne. Explorez et découvrez comment appliquer ces concepts dans vos projets ! Si vous avez des suggestions, laissez-les dans les commentaires.
Fondamentaux de l’IA
Concepts essentiels qui constituent la base de l’Intelligence Artificielle.
Intelligence artificielle (IA)
Domaine de l’informatique dédié à la création de systèmes capables d’effectuer des tâches qui nécessitent généralement l’intelligence humaine, telles que l’apprentissage, le raisonnement, la résolution de problèmes, la perception et la compréhension du langage.
Algorithme
Séquence finie d’instructions ou de règles bien définies qui sont suivies pour résoudre un problème ou effectuer une tâche. En IA, les algorithmes sont le « cerveau » qui traite les données et en tire des leçons.
Modèle (IA)
C’est le résultat de l’entraînement d’un algorithme avec un ensemble de données. Un modèle est une structure mathématique (telle qu’un réseau neuronal) qui a appris à reconnaître des modèles ou à faire des prédictions à partir de données.
- Exemple : Un modèle formé avec des milliers de photos de chats peut identifier si une nouvelle photo contient un chat.
Intelligence artificielle étroite (ANI – Intelligence artificielle étroite)
Également connue sous le nom d’IA faible, c’est le type d’IA que nous voyons aujourd’hui. Il est conçu et formé pour une tâche spécifique et ne peut opérer en dehors de son périmètre défini.
- Exemple : Siri, les systèmes de recommandation Netflix ou les logiciels de reconnaissance faciale.
Intelligence Générale Artificielle (AGI – Intelligence Générale Artificielle)
Un type d’IA théorique qui a la capacité de comprendre, d’apprendre et d’appliquer son intelligence pour résoudre n’importe quel problème, à l’instar d’un être humain. Son développement n’est pas encore achevé.
Disciplines clés de l’IA
Les principales branches et sous-domaines qui composent l’étude de l’IA.
Apprentissage automatique (Apprentissage automatique)
Sous-domaine de l’IA qui se concentre sur le développement d’algorithmes permettant aux ordinateurs d’apprendre à partir des données et d’améliorer leurs performances avec l’expérience, sans être explicitement programmés pour chaque tâche.
Apprentissage profond (Apprentissage profond)
Une technique avancée d’apprentissage automatique qui utilise des réseaux de neurones comportant de nombreuses couches (réseaux de neurones profonds) pour analyser des données complexes telles que des images, du son et du texte. C’est le moteur des avancées les plus récentes en matière d’IA.
Réseau de neurones artificiels
Un modèle informatique inspiré de la structure et du fonctionnement du cerveau humain. Il se compose de nœuds interconnectés (neurones) organisés en couches qui traitent les informations et reconnaissent les modèles.
Traitement du langage naturel (NLP)
Branche de l’IA qui permet aux machines de comprendre, d’interpréter, de générer et de répondre au langage humain (texte et voix) de manière utile et cohérente.
- Exemple : Traducteurs automatiques, chatbots et analyse des sentiments sur les réseaux sociaux.
Vision par ordinateur (Vision par ordinateur)
Domaine de l’IA qui entraîne les machines à interpréter et à comprendre le monde visuel. Il permet aux ordinateurs de « visualiser » et d’analyser le contenu des images et des vidéos.
- Exemple : Déverrouillage facial sur les téléphones, les voitures autonomes qui identifient les obstacles ou le diagnostic médical à partir de rayons X.
IA multimodale
Systèmes d’IA capables de traiter et de relier simultanément des informations provenant de plusieurs types de données (ou « modalités »), telles que du texte, des images, de l’audio et de la vidéo.
- Exemple : Générez une description textuelle de ce qui se passe dans une vidéo.
Les données : le carburant de l’IA
Termes liés aux informations qui alimentent les modèles d’IA.
Données (Données)
La matière première de l’IA. Ce sont les informations (texte, chiffres, images, etc.) qui sont utilisées pour former, valider et tester les modèles d’apprentissage automatique.
Mégadonnées
Des ensembles de données extrêmement volumineux et complexes qui dépassent la capacité des logiciels traditionnels à être capturés, gérés et traités dans un délai raisonnable.
Ensemble de données (Ensemble de données)
Collection structurée de données utilisées dans un but spécifique, généralement divisée en ensembles de formation, de validation et de test pour développer un modèle d’IA.
Exploration de données (Exploration de données)
Processus de découverte de modèles, de corrélations et d’anomalies au sein de grands ensembles de données pour prédire les résultats.
Tokenisation
Processus de décomposition du texte en unités plus petites appelées « jetons » (qui peuvent être des mots, des parties de mots ou des caractères). Il s’agit d’une étape fondamentale pour que les modèles de langage traitent le texte.
- Exemple : L’expression « L’IA est ici » est symbolisée dans [« The », « IA », « is », « here »].
Intégrations (Vecteurs d’intégration)
Représentations numériques de données (telles que des mots ou des images) dans un espace multidimensionnel. Ils permettent aux modèles de capturer les relations sémantiques et contextuelles entre les données.
- Exemple : Les mots « roi » et « reine » auront des incorporations proches dans cet espace, tout comme « chien » et « chat ».
Types d’apprentissage et modèles
Les différentes façons dont les modèles apprennent et les architectures les plus courantes.
Apprentissage supervisé
Un type d’apprentissage automatique dans lequel le modèle apprend à partir de données préalablement étiquetées par des humains. Le but est d’apprendre une fonction qui mappe les entrées aux sorties.
- Exemple : Entraînez un modèle avec des milliers d’e-mails étiquetés comme « spam » ou « non-spam » afin qu’il puisse classer les nouveaux e-mails.
Apprentissage non supervisé
Le modèle apprend à partir de données qui n’ont pas été étiquetées, recherchant lui-même des modèles ou des structures cachés.
- Exemple : Regrouper des clients ayant des comportements d’achat similaires (clustering) sans savoir à l’avance quels sont ces groupes.
Apprentissage par renforcement (Apprentissage par renforcement)
Un modèle (appelé « agent ») apprend à prendre des décisions par essais et erreurs dans un environnement. Vous recevez des récompenses pour les actions correctes et des pénalités pour les actions incorrectes, dans le but de maximiser la récompense totale.
- Exemple : Entraînez une IA à jouer à un jeu vidéo, où elle gagne des points (récompense) pour progresser en niveau.
IA générative (IA générative)
Branche de l’IA dans laquelle les modèles apprennent des modèles à partir des données d’entraînement pour générer un contenu complètement nouveau et original, tel que du texte, des images, de la musique ou du code.
LLM (Grand modèle de langage – Grand modèle de langage)
Un type avancé de modèle d’IA générative formé sur d’énormes quantités de texte pour comprendre et générer un langage humain avec une fluidité et une cohérence remarquables. Ils sont à la base d’outils comme ChatGPT.
Modèles fondamentaux
Des modèles d’IA à grande échelle (tels que les LLM) entraînés avec une grande quantité de données, qui peuvent être adaptés à un large éventail de tâches spécifiques grâce à un processus appelé réglage fin.
Réglage fin (Réglage fin)
Processus consistant à prendre un modèle pré-entraîné (tel qu’un modèle fondamental) et à le recycler avec un ensemble de données plus petit et plus spécifique pour l’adapter à une tâche particulière.
Apprentissage par transfert (Apprentissage par transfert)
Technique dans laquelle un modèle développé pour une tâche est réutilisé comme point de départ pour un modèle dans une deuxième tâche connexe. C’est un moyen efficace de tirer parti des connaissances déjà acquises.
Transformateurs
Une architecture de réseau neuronal qui a révolutionné le traitement du langage naturel (NLP). Il est particulièrement efficace pour gérer des séquences de données, telles que du texte, en prêtant « attention » aux relations entre tous les mots de la séquence, quelle que soit leur distance. C’est l’architecture de base de la plupart des LLM modernes.
Interaction et développement avec l’IA
Termes clés décrivant la manière dont les humains interagissent avec les systèmes d’IA et s’appuient sur eux.
Ingénierie rapide
L’art et la science de concevoir et d’affiner les instructions (invites) données à un modèle d’IA générative pour obtenir les résultats les plus précis, pertinents et de haute qualité.
RAG (Génération augmentée par récupération – Génération augmentée par récupération)
Technique qui améliore les performances des LLM en leur permettant d’accéder à des informations externes et à jour (comme une base de données ou Internet) avant de générer une réponse. Cela réduit les « hallucinations » et fonde les réponses sur des données vérifiables.
Agent IA
Un système autonome qui utilise l’IA pour percevoir son environnement, prendre des décisions et exécuter des actions pour atteindre des objectifs spécifiques. Les agents peuvent effectuer des tâches complexes en plusieurs étapes sans intervention humaine constante.
- Exemple : Un agent capable de planifier un voyage complet : rechercher des vols, réserver des hôtels et ajouter l’itinéraire au calendrier, le tout à partir d’une simple demande.
Éthique, sécurité et gouvernance
Concepts cruciaux liés à l’impact social et à la régulation de l’IA.
Biais algorithmique (Biais)
Tendance d’un système d’IA à produire des résultats systématiquement préjudiciables à certains groupes ou individus. Généralement, cela résulte de biais présents dans les données d’entraînement ou dans la conception de l’algorithme.
Hallucination (Hallucination)
Phénomène dans lequel un modèle d’IA générative produit des informations incorrectes, inventées ou absurdes, mais les présente en toute confiance comme s’il s’agissait d’un fait réel.
IA explicable (XAI – IA explicable)
Un ensemble de méthodes et de techniques qui cherchent à rendre les décisions et les prédictions des modèles d’IA compréhensibles pour les humains, ouvrant ainsi la « boîte noire » des algorithmes complexes.
Transparence de l’IA
Le principe selon lequel le fonctionnement, les données et les décisions d’un système d’IA doivent être accessibles et compréhensibles pour ses utilisateurs et régulateurs.
Gouvernance de l’IA
L’ensemble des politiques, normes, lois et cadres éthiques qui régissent le développement, le déploiement et l’utilisation responsable de l’intelligence artificielle dans la société.
Sécurité de l’IA
Mesures et pratiques conçues pour protéger les systèmes d’IA contre les attaques, les manipulations ou les utilisations malveillantes qui pourraient compromettre leur fonctionnement ou causer des dommages.
IA durable
L’accent est mis sur la conception et l’utilisation de systèmes d’IA qui minimisent leur impact environnemental, notamment en termes de consommation d’énergie et de ressources informatiques.
Les concepts du futur et d’avant-garde
Des termes qui indiquent où va l’IA.
Informatique quantique et IA
L’intersection de l’informatique quantique et de l’IA, qui promet de résoudre des problèmes d’optimisation et d’apprentissage automatique insolubles pour les ordinateurs classiques.
IA de pointe
Exécuter des algorithmes d’IA directement sur des appareils locaux (tels que des téléphones, des capteurs ou des voitures) plutôt que dans le cloud. Cela réduit la latence, économise la bande passante et améliore la confidentialité.
Apprentissage fédéré (Apprentissage fédéré)
Une technique de formation d’IA dans laquelle un modèle est formé sur plusieurs appareils décentralisés (tels que les téléphones mobiles) sans que les données privées de ces appareils ne les quittent.
Systèmes multi-agents
Un système composé de plusieurs agents d’IA qui interagissent les uns avec les autres (en collaboration ou en compétition) pour résoudre des problèmes qui dépassent les capacités d’un seul agent.
Un glossaire en constante évolution
Ce glossaire est un document vivant qui évolue parallèlement au domaine fascinant de l’intelligence artificielle. La technologie progresse à pas de géant et il y a toujours de nouveaux concepts à explorer.
Si vous pensez qu’un terme important manque ou si vous avez des suggestions pour améliorer cette ressource, n’hésitez pas à laisser un commentaire ! Votre contribution est très précieuse pour garder ce guide aussi complet et à jour que possible.
Dernière mise à jour : 28 septembre 2025.
This post is also available in: