L’intelligence artificielle (IA) transforme notre quotidien, de l’éducation à la médecine, en passant par l’industrie et les services. Pourtant, les termes qui la composent peuvent paraître obscurs. Voici un glossaire accessible et pédagogique des principaux mots-clés à connaître pour mieux comprendre cette révolution technologique.
Agent autonome
Un système capable de prendre des décisions et d’agir de manière indépendante, sans intervention humaine. Il perçoit son environnement, planifie ses actions et poursuit des objectifs.
Algorithme
Une suite d’instructions logiques permettant à un ordinateur de résoudre un problème ou de traiter des données. Comme une recette de cuisine, il suit des étapes pour transformer des données d’entrée en résultat.
Annotation
Procédé consistant à étiqueter des données (images, textes, sons) pour les rendre compréhensibles par une IA. Exemple : taguer une photo de chat avec le mot « chat ».
API (Application Programming Interface)
Interface logicielle permettant à deux programmes de communiquer entre eux. Elle facilite l’intégration de services comme une IA dans une application.
Apprentissage actif
Méthode où l’IA demande l’aide humaine pour comprendre certaines données complexes, afin d’apprendre plus efficacement.
Apprentissage auto-supervisé
L’IA apprend seule à partir de données non étiquetées, en créant ses propres tâches internes pour s’entraîner.
Apprentissage automatique (machine learning)
Domaine de l’IA où les machines apprennent à partir de données, sans programmation explicite pour chaque tâche.
Apprentissage continu
Capacité d’un modèle à s’adapter et à s’améliorer en intégrant de nouvelles données même après son déploiement.
Apprentissage non supervisé
L’IA découvre seule des structures dans des données non étiquetées, comme regrouper des clients par comportement d’achat.
Apprentissage par renforcement
L’IA apprend par essai-erreur en recevant des récompenses ou des punitions selon ses actions dans un environnement donné.
Apprentissage supervisé
L’IA apprend grâce à des données déjà étiquetées. Exemple : apprendre à reconnaître un chien en analysant des milliers d’images étiquetées « chien ».
Assistant vocal personnel
Assistant virtuel contrôlé à la voix, capable d’exécuter des tâches simples (ex : répondre à une question, allumer une lumière).
Assistant virtuel
Programme utilisant le langage naturel pour répondre à des questions ou exécuter des tâches.
Big Data
Ensemble de données si volumineux qu’il faut des outils spécifiques pour les analyser. L’IA se nourrit du Big Data pour apprendre.
Blockchain et IA
La blockchain assure la traçabilité et la sécurité des données utilisées par l’IA. Leur combinaison offre transparence et fiabilité.
Chatbot
Programme qui dialogue automatiquement avec les utilisateurs via texte ou voix. Utilisé dans le service client, l’assistance, etc.
Cloud computing et IA
Le cloud permet d’exécuter des IA puissantes à distance sans avoir besoin d’un ordinateur puissant localement.
Data mining
Exploration de données pour en extraire des connaissances utiles. Il sert souvent de base à l’apprentissage machine.
Deep learning (apprentissage profond)
Sous-domaine du machine learning utilisant des réseaux de neurones à plusieurs couches pour apprendre des données complexes.
Données d’entraînement
Ensemble d’exemples utilisés pour apprendre à une IA à effectuer une tâche. Plus les données sont variées, meilleur est le modèle.
Edge computing
Traitement des données à proximité de leur source (par exemple dans un capteur), pour réduire la latence et améliorer la réactivité.
Éthique de l’IA
Réflexion sur l’utilisation responsable de l’IA : équitable, transparente, respectueuse de la vie privée et sans biais.
Federated learning (apprentissage fédéré)
Méthode d’apprentissage où les données restent locales (par exemple sur votre smartphone), améliorant la confidentialité.
GAN (Generative Adversarial Network)
Deux réseaux neuronaux qui s’affrontent : l’un crée des données (ex : images), l’autre tente de détecter les fausses.
GPU (Graphics Processing Unit)
Processeur spécialisé très efficace pour les calculs parallèles utilisés en IA, notamment pour entraîner les réseaux neuronaux.
Hyperparamètres
Paramètres définis avant l’entraînement d’un modèle IA, influençant ses performances (ex : taux d’apprentissage, nombre de couches).
IA (intelligence artificielle)
Capacité d’une machine à réaliser des tâches normalement réservées à l’intelligence humaine : comprendre, apprendre, raisonner.
Inférence
Phase où un modèle IA utilise ce qu’il a appris pour faire une prédiction ou exécuter une tâche sur de nouvelles données.
Internet des objets (IoT)
Réseau d’appareils connectés capables de collecter, transmettre et parfois analyser des données.
LLM (Large Language Models)
Grands modèles de langage capables de générer des textes cohérents, répondre à des questions ou réaliser des résumés.
Machine learning
Voir : apprentissage automatique.
Modèle
Représentation mathématique construite à partir des données. C’est ce que « retient » l’IA après entraînement.
Neurone artificiel
Unité de base d’un réseau de neurones. Il reçoit des entrées, les transforme mathématiquement et produit une sortie.
NLP (Natural Language Processing)
Traitement automatique du langage humain. Il permet à l’IA de comprendre, générer et traduire du texte.
Overfitting (surapprentissage)
Quand un modèle apprend trop bien les données d’entraînement et généralise mal sur de nouvelles données.
Prédiction
Capacité d’une IA à anticiper un résultat futur à partir de données existantes. Exemple : prédire la météo ou une panne.
Quantum computing et IA
L’informatique quantique pourrait à terme révolutionner l’IA en réduisant drastiquement le temps de calcul pour des tâches complexes.
RAG (Retrieval-Augmented Generation)
Technique combinant modèle de langage et accès à une base de connaissances pour fournir des réponses actualisées et pertinentes.
Réseau de neurones
Ensemble de neurones artificiels interconnectés qui apprennent ensemble à résoudre des problèmes complexes.
RPA (Robotic Process Automation)
Automatisation de tâches répétitives grâce à des robots logiciels, parfois couplés à l’IA.
SVM (Support Vector Machine)
Algorithme efficace de classification qui trace une limite optimale entre différentes catégories de données.
Transfert learning
Utiliser un modèle préentrainé pour une nouvelle tâche, afin de réduire le temps d’entraînement.
Vision par ordinateur
Capacité d’un système à analyser et interpréter des images ou des vidéos pour reconnaître des objets, des visages, etc.
