Glossaire de l’IA
Des explications en langage clair des concepts clés de l’IA, du LLM et du RAG au fine-tuning et aux agents.
LLM (grand modèle de langage)
Réseau de neurones entraîné sur d’immenses corpus de texte qui prédit le token suivant ; il alimente chat, rédaction, code et plus.
Token
Unité de base du texte traité par un modèle ; environ 4 caractères anglais ou 1–2 caractères chinois par token. Facturation et limites de contexte se mesurent en tokens.
RAG (génération augmentée par récupération)
Technique qui récupère des documents pertinents dans une base de connaissances et les fournit au modèle pour qu’il réponde en s’appuyant sur vos données.
Embedding
Représentation vectorielle numérique d’un texte (ou d’images) qui capture le sens sémantique et permet la recherche par similarité.
Fine-tuning (réglage fin)
Poursuivre l’entraînement d’un modèle pré-entraîné sur vos données pour qu’il maîtrise un style, un format ou une tâche spécifique.
LoRA
Méthode de réglage fin efficace qui gèle les poids de base et n’entraîne que de petites matrices de bas rang, réduisant fortement le coût.
Ingénierie de prompts
L’art de concevoir des entrées (prompts) pour obtenir de manière fiable des sorties de haute qualité d’un modèle.
Agent IA
Système d’IA qui planifie de façon autonome, utilise des outils et enchaîne des actions pour atteindre un objectif.
MCP
Standard ouvert qui permet aux modèles de se connecter de manière unifiée à des outils et sources de données externes.
Fenêtre de contexte
Nombre maximal de tokens qu’un modèle peut considérer à la fois ; au-delà, le contenu est tronqué ou oublié.
Hallucination
Quand un modèle génère avec assurance un contenu faux ou inventé. À atténuer avec le RAG, l’usage d’outils et la vérification.
Multimodal
Modèles capables de comprendre et de générer plusieurs types de données : texte, images, audio, vidéo.
Inférence
Le fait d’exécuter un modèle entraîné pour produire des sorties, par opposition à son entraînement.
Open source / poids ouverts
Modèles ou outils dont le code source ou les poids sont publics : à utiliser, étudier et auto-héberger.
Base de données vectorielle
Base de données qui stocke des embeddings et effectue des recherches rapides par similarité ; l’épine dorsale des systèmes RAG.
Transformer
L’architecture de réseau de neurones derrière les LLM modernes, qui utilise l’auto-attention pour traiter tous les tokens en parallèle.
Attention
Mécanisme qui permet au modèle de pondérer les parties de l’entrée les plus importantes pour chaque token de sortie.
Tokeniseur
Composant qui découpe le texte brut en tokens exploitables par le modèle, puis les reconvertit en texte.
Modèle de diffusion
Modèle génératif qui crée des images en débruitant progressivement un bruit aléatoire ; il alimente des outils comme Stable Diffusion.
RLHF
Technique d’entraînement qui aligne les modèles sur les préférences humaines via un modèle de récompense appris à partir d’évaluations humaines.
Chaîne de pensée (CoT)
Technique de prompting où le modèle raisonne étape par étape, améliorant la précision sur les tâches complexes.
Apprentissage few-shot
Guider un modèle en fournissant quelques exemples dans le prompt, sans entraînement supplémentaire.
Température
Paramètre d’échantillonnage qui contrôle l’aléatoire : bas pour des réponses plus ciblées, haut pour plus de créativité.
Quantification
Réduire la précision numérique des poids (par ex. 4 bits) pour alléger le modèle et l’exécuter sur du matériel modeste.
GGUF
Format de fichier pour modèles quantifiés, très utilisé pour exécuter des LLM en local avec llama.cpp ou Ollama.
Mélange d’experts (MoE)
Architecture qui route chaque token vers quelques sous-réseaux spécialisés, augmentant la capacité sans coût proportionnel.
Appel de fonctions
Capacité du modèle à produire des appels structurés vers des fonctions ou outils externes, rendant possibles agents et intégrations.
Distillation
Entraîner un petit modèle « élève » à imiter un grand modèle « maître », en gardant l’essentiel de la qualité à moindre coût.
Sécurité et alignement de l’IA
Domaine visant à garantir que les systèmes d’IA se comportent selon les valeurs humaines et les objectifs prévus.
Zero-shot
Demander à un modèle d’exécuter une tâche sans aucun exemple, en s’appuyant uniquement sur son pré-entraînement.
IA agentique
Systèmes d’IA qui poursuivent un objectif de façon autonome — planification, outils, actions multi-étapes — au lieu de répondre à un seul prompt.
Vibe coding
Style de programmation où l’on décrit ce que l’on veut en langage naturel et où l’IA génère et itère le code, en privilégiant l’intention et le résultat.
Modèle de raisonnement
Un LLM entraîné à « réfléchir » avant de répondre, consacrant du calcul supplémentaire à un raisonnement interne pas à pas pour les problèmes difficiles de maths, de code et de logique.
Texte vers vidéo
Modèles d’IA qui génèrent des clips vidéo directement à partir d’une description écrite, en contrôlant scène, mouvement et style par le prompt.
Modèle de fondation
Grand modèle entraîné sur des données larges servant de base générale, adaptable à de nombreuses tâches par prompt ou réglage fin.
Garde-fous (Guardrails)
Contrôles de sécurité autour d’un système d’IA qui limitent ce qu’il peut dire ou faire : filtrage des contenus nocifs, restriction des outils, application des politiques.
Prompt système
L’instruction cachée qui fixe le rôle, les règles et le style d’un assistant avant tout message utilisateur — le socle de son comportement.