📖 Glossaire de l'IA

Domaine de l'informatique qui crée des systèmes capables d'effectuer des tâches nécessitant normalement l'intelligence humaine : reconnaître des images, comprendre le langage, prendre des décisions.

Modèle d'IA entraîné sur d'énormes quantités de texte pour comprendre et générer du langage naturel. ChatGPT, Claude et Gemini sont des LLM.

IA hypothétique qui égalerait ou surpasserait l'humain sur TOUTES les tâches cognitives, pas juste quelques-unes. N'existe pas encore en 2026.

Sous-domaine de l'IA où les machines apprennent à partir de données sans être programmées explicitement pour chaque tâche.

Type de machine learning utilisant des réseaux neuronaux profonds (beaucoup de couches). À l'origine des récents progrès de l'IA.

IA capable de créer du contenu nouveau : texte, image, vidéo, code, audio. Inclut ChatGPT (texte), Midjourney (image), Sora (vidéo).

Famille de modèles IA d'OpenAI. GPT-3.5 a popularisé ChatGPT en 2022, GPT-5 est le standard 2026.

Famille de modèles IA d'Anthropic, connue pour son écriture de qualité, son code excellent et sa sécurité renforcée.

Famille de modèles IA de Google, multimodale native, avec un contexte ultra-long (jusqu'à 1M de tokens).

Modèle dont les poids (weights) sont publics et téléchargeables. Llama (Meta), Mistral, DeepSeek sont open-source.

Modèle capable de traiter plusieurs types de données : texte, image, audio, vidéo. GPT-5 et Gemini sont multimodaux.

Quantité maximale de texte qu'un LLM peut "voir" en une fois. Mesurée en tokens. GPT-5 = 400K, Claude = 500K, Gemini = 1M.

Unité de base d'un LLM. Un token ≈ 4 caractères en anglais, 3 en français. "Bonjour" = 2 tokens.

Variables internes apprises par un modèle. Plus il y en a, plus le modèle peut être expressif (mais aussi coûteux).

Phase où un modèle "apprend" en analysant des milliards d'exemples. Très coûteuse (millions de dollars pour les gros modèles).

Ré-entraîner un modèle pré-existant sur tes propres données pour le spécialiser sur ton domaine.

Technique d'entraînement où des humains notent les réponses du modèle pour l'aligner avec leurs préférences.

Représentation numérique d'un texte sous forme de vecteur. Permet de mesurer la similarité entre textes.

Base de données spécialisée dans le stockage et la recherche d'embeddings. Pinecone, Qdrant, pgvector.

Architecture neuronale inventée par Google en 2017. Base de tous les LLM modernes (GPT, Claude, Gemini).

Mécanisme central des transformers : permet au modèle de "regarder" tous les mots du contexte simultanément.

Première phase d'entraînement où le modèle apprend les bases du langage sur des téraoctets de texte.

Phase où le modèle entraîné est utilisé pour produire des réponses. Beaucoup moins coûteuse que le training.

Instruction texte donnée à un LLM pour obtenir une réponse. Un bon prompt = de meilleurs résultats.

Art et science d'écrire des prompts efficaces pour obtenir les meilleurs résultats d'un LLM.

Technique consistant à donner quelques exemples dans le prompt pour guider le LLM sur le format attendu.

Technique de prompt qui demande au LLM de "raisonner étape par étape" avant de répondre. Améliore beaucoup les résultats sur problèmes complexes.

Instruction "cachée" donnée au LLM avant la conversation pour définir son rôle, ton et limites.

Technique combinant LLM + base de connaissance externe. Le LLM "récupère" les infos pertinentes avant de répondre.

IA capable d'exécuter des actions de manière autonome (naviguer, envoyer mails, faire des achats), pas juste répondre à des questions.

Protocole standardisé créé par Anthropic en 2024 pour permettre aux LLMs de se connecter à des outils externes (DBs, APIs, fichiers).

Capacité d'un LLM à appeler des fonctions externes (envoyer un email, requêter une DB) selon le besoin.

Paramètre qui contrôle la créativité d'un LLM. 0 = déterministe et factuel, 1 = créatif et variable.

Quand un LLM invente des informations fausses avec assurance. Faille fondamentale qu'on n'a pas encore éliminée.

Attaque où un utilisateur ou un document "détourne" le LLM en lui donnant des instructions cachées. Faille #1 OWASP LLM.

Technique pour faire dire à un LLM ce qui est normalement interdit (instructions dangereuses, contenu inapproprié).

Pratique d'attaquer méthodiquement son propre système IA pour trouver les failles avant les attaquants.

Utilisation non-autorisée d'outils IA personnels (ChatGPT perso) avec des données pro. Risque majeur en entreprise.

Vidéo, image ou audio synthétique généré par IA, imitant une personne réelle de manière très réaliste.

Réglementation européenne sur l'IA, en vigueur depuis 2024. Classe les IA par niveau de risque et impose des obligations.

Le Règlement Général sur la Protection des Données s'applique aux données utilisées par l'IA. Tu es responsable des données client envoyées à ChatGPT.

Interface permettant à un programme d'utiliser un service IA. L'API OpenAI permet d'intégrer GPT dans tes apps.

Processeur graphique. Massivement utilisé pour l'IA car il fait beaucoup de calculs en parallèle. Nvidia domine le marché.

Puce spécialisée IA conçue par Google. Alternative aux GPU Nvidia pour l'entraînement.

Technique pour réduire la taille d'un modèle (et le faire tourner sur des machines moins puissantes) en sacrifiant un peu de précision.

Faire tourner un modèle IA sur tes propres serveurs (au lieu d'utiliser une API cloud). Plus de contrôle, plus de complexité.

Outil populaire pour faire tourner facilement des LLM open-source (Llama, Mistral, Gemma) sur ton ordinateur.

Test standardisé pour mesurer les performances d'un modèle. Exemples : MMLU (connaissances), SWE-Bench (code), HumanEval.

Plateforme de référence pour partager des modèles IA open-source. Le "GitHub de l'IA".

Architecture où le modèle contient plusieurs "experts" et n'active que les pertinents pour chaque requête. Plus efficace.