Glossaire IA

A

Algorithme

Une suite d'instructions ou de règles permettant de résoudre un problème ou d'accomplir une tâche. En IA, les algorithmes définissent comment les données sont transformées, analysées ou utilisées pour apprendre. Ils peuvent être simples (tri, recherche) ou très complexes (optimisation, entrainement de modèles).

Apprentissage automatique

Branche de l'IA qui permet aux systèmes d'améliorer leurs performances en apprenant à partir de données sans être explicitement programmés pour chaque tâche. Il inclut des méthodes supervisées, non supervisées et par renforcement. L'objectif est de généraliser à partir d'exemples pour effectuer des prédictions ou extraire des connaissances.

Apprentissage non supervisé

Approche où le modèle apprend des structures, des motifs ou des regroupements à partir de données non étiquetées. L'objectif est de découvrir des caractéristiques intrinsèques des données, comme des clusters ou des réductions de dimension. Exemples : clustering, analyse en composantes principales (PCA), modèles génératifs.

Apprentissage par renforcement

Méthode où un agent apprend à prendre des décisions en interagissant avec un environnement et en recevant des récompenses ou des punitions. L'agent cherche à maximiser la récompense cumulée à long terme en explorant et exploitant différentes stratégies. Cette approche est couramment utilisée pour la robotique, les jeux et les systèmes de contrôle.

Apprentissage par transfert

Technique consistant à réutiliser des connaissances ou des modèles pré-entraînés sur une tâche pour en accélérer ou améliorer l'apprentissage sur une nouvelle tâche. Elle réduit le besoin de grandes quantités de données spécifiques et le temps d'entraînement. C'est particulièrement utile dans les domaines où les données annotées sont rares.

Apprentissage profond

Sous-domaine de l'apprentissage automatique basé sur des réseaux de neurones profonds comportant de nombreuses couches. Il excelle pour traiter des données complexes comme des images, du son ou du langage naturel. L'apprentissage profond nécessite souvent de grandes quantités de données et des ressources de calcul importantes.

Apprentissage supervisé

Méthode dans laquelle un modèle apprend à partir d'exemples étiquetés, c'est-à-dire des paires entrée-sortie. Le but est de prédire la sortie pour de nouvelles entrées en général. Les tâches courantes incluent la classification et la régression.

B

Biais

Distorsion systématique dans les données, les algorithmes ou les résultats qui entraîne des décisions inéquitables ou incorrectes. Les biais peuvent provenir des données d'entraînement, du choix du modèle ou des hypothèses humaines. Les identifier et les corriger est crucial pour des systèmes d'IA fiables et éthiques.

Big Data

Ensemble volumineux et souvent hétérogène de données caractérisé par le volume, la variété et la vélocité. Les technologies Big Data permettent de stocker, traiter et analyser ces masses de données pour en extraire de la valeur. En IA, elles fournissent la matière première pour entraîner des modèles performants.

C

Chatbot

Application conversationnelle automatisée capable d'interagir avec des utilisateurs en langage naturel. Les chatbots peuvent être basés sur des règles simples ou sur des modèles d'apprentissage profond pour comprendre et générer du texte. Ils sont utilisés pour le support client, l'assistance virtuelle et l'automatisation de tâches.

D

Dataset

Ensemble structuré de données utilisé pour entraîner, valider ou tester des modèles d'IA. Un dataset contient généralement des exemples représentatifs d'une tâche, accompagnés éventuellement d'annotations ou d'étiquettes. La qualité et la représentativité du dataset influencent fortement les performances du modèle.

E

Éthique de l'IA

Discipline qui étudie les implications morales, sociales et légales du développement et de l'utilisation des technologies d'IA. Elle aborde des sujets comme la transparence, la responsabilité, la vie privée, le biais et l'impact sur l'emploi. L'éthique vise à guider la conception d'IA sûres, équitables et bénéfiques.

F

Feature

Caractéristique ou variable d'entrée utilisée par un modèle pour effectuer des prédictions. Les features peuvent être brutes (texte, pixels) ou dérivées via un prétraitement et une ingénierie des caractéristiques. La sélection et la qualité des features sont déterminantes pour les performances du modèle.

G

GPU

Unité de traitement graphique (Graphics Processing Unit) adaptée au calcul parallèle massif requis pour l'entraînement de modèles d'apprentissage profond. Les GPU accélèrent significativement les opérations matricielles et les réseaux de neurones. Ils sont devenus essentiels pour le développement et l'expérimentation en IA.

I

Inférence

Phase où un modèle entraîné est utilisé pour faire des prédictions sur de nouvelles données. L'inférence se distingue de l'entraînement par des besoins en ressources souvent moindres mais stricte latence dans certains cas d'usage. L'optimisation de l'inférence vise à améliorer la rapidité, la consommation énergétique et la précision en production.

Intelligence artificielle

Champ scientifique dédié à la création de systèmes capables d'effectuer des tâches qui requièrent normalement l'intelligence humaine, comme le raisonnement, la perception ou le langage. L'IA englobe des sous-domaines tels que l'apprentissage automatique, la vision par ordinateur et le traitement du langage naturel. Elle vise à automatiser et améliorer des processus complexes.

J

Journalisation

Pratique de collecte et d'enregistrement d'informations détaillées sur le comportement, les performances et les erreurs d'un système d'IA. Les logs aident au diagnostic, à la reproductibilité et à l'audit des décisions algorithmiques. Une bonne journalisation est cruciale pour la conformité, la traçabilité et l'amélioration continue.

M

MLOps

Ensemble de pratiques combinant machine learning et DevOps pour automatiser et industrialiser le déploiement, la surveillance et la maintenance des modèles en production. MLOps couvre le versioning des données et modèles, les pipelines d'entraînement, le déploiement continu et la surveillance des performances. L'objectif est d'assurer robustesse, reproductibilité et scalabilité.

Modèle

Représentation mathématique ou statistique entraînée sur des données pour effectuer une tâche spécifique (prédiction, classification, génération). Un modèle capture des relations entre entrées et sorties et peut être déployé pour faire de l'inférence. Sa qualité dépend des données, de l'architecture et des hyperparamètres choisis.

N

NLP (Traitement du langage naturel)

Domaine de l'IA qui se concentre sur l'interaction entre ordinateurs et langage humain, écrits ou parlés. Le NLP couvre des tâches comme la compréhension, la génération, la traduction et l'analyse de sentiments. Il combine des techniques linguistiques et des modèles d'apprentissage pour traiter la variabilité et l'ambiguïté du langage.

O

Overfitting (Surapprentissage)

Phénomène où un modèle apprend trop précisément les détails et le bruit d'un dataset d'entraînement, perdant ainsi sa capacité à généraliser à de nouvelles données. Le surapprentissage se traduit par de bonnes performances sur l'entraînement mais de faibles résultats en test. Des techniques comme la régularisation, la validation croisée et l'augmentation des données aident à le prévenir.

P

Prompt

Entrée textuelle ou directive fournie à un modèle de langage pour guider la génération de réponses ou de contenu. La formulation du prompt influence fortement la qualité, la pertinence et le style des sorties. Le prompt engineering vise à concevoir des instructions efficaces pour obtenir des résultats souhaités.

R

Régularisation

Ensemble de techniques visant à réduire le surapprentissage en ajoutant des contraintes au modèle ou en pénalisant sa complexité. Exemples : L1/L2, dropout, early stopping. La régularisation aide à améliorer la généralisation et la robustesse des modèles.

Réseau de neurones

Architecture inspirée du cerveau humain composée de couches de neurones artificiels interconnectés qui traitent l'information de manière hiérarchique. Les réseaux peuvent apprendre des représentations complexes à partir de données en ajustant les poids via l'entraînement. Ils constituent la base de nombreuses avancées en vision, langage et apprentissage profond.

V

Validation croisée

Méthode d'évaluation qui consiste à diviser le dataset en plusieurs sous-ensembles pour entraîner et tester le modèle de façon itérative. Elle permet d'estimer la performance généralisée et de détecter le surapprentissage en utilisant différentes partitions. La validation croisée aide aussi au choix d'hyperparamètres de manière plus fiable.