IA : le rêve impensé de Diderot et d'Alembert...

page IA

L’Encyclopédie est un ouvrage majeur du XVIII^e siècle et la première encyclopédie française. Par la synthèse des connaissances du temps qu’elle contient, elle représente un travail rédactionnel et éditorial considérable pour cette époque et fut menée par des Encyclopédistes constitués en « société de gens de lettres ». Enfin, au-delà des savoirs qu’elle compile, le travail qu’elle représente et les finalités qu'elle vise, en font un symbole de l’œuvre des Lumières, une arme politique et à ce titre, l’objet de nombreux rapports de force entre les éditeurs, les rédacteurs, le pouvoir séculier et ecclésiastique.

La phrase importante est : « Par la synthèse des connaissances du temps qu’elle contient... »

Éditée de 1751 à 1772 (21 ans), l’Encyclopédie ou Dictionnaire raisonné des sciences, des arts et des métiers voulait être, selon la volonté de leurs auteurs, un compendium de l'époque, de tous les savoirs humains accessibles en ce temps-là...

Jamais ils n'auraient pu imaginer une seule seconde ce que l'on vit aujourd'hui, ni ce que nous vivrons d'ici quelques années selon Eric Schmidt :

D'ici 3 à 5 ans (2028-2030), émergence de l'intelligence artificielle générale (AGI, celle qui mettra dans la poche de chacun de nous l'équivalent du plus intelligent des experts humains pour chaque problème !)

En fait, nous l'avons pratiquement déjà avec l'IA embarquée sur nos smartphones : quand, dans l'histoire de l'humanité, a-t-il été possible de poser n'importe quelle question, dans n'importe quelle langue, sur n'importe quel sujet, et d'obtenir une réponse pertinente quasi-instantanée ? Jamais. Et, tout comme Federico Pucci ne pouvait pas prévoir l'accessibilité gratuite de la traduction automatique universelle, ni Diderot ni d'Alembert n'auraient osé concevoir la réalité de ces jours-ci, à savoir une « intelligence artificielle » capable de :

• comprendre la langue naturelle, même si elle est imparfaite,
• traduire automatiquement, souvent sans perte de sens,
• synthétiser une énorme masse d'informations,
• générer une réponse adaptée au contexte, presque en temps réel.

Un tel accès planétaire à la connaissance, rendu disponible dans quasiment toutes les langues du monde par des IA toujours plus intelligentes, spécialisées et collaboratives, était tout juste inconcevable, et impensé. Or ici et là, je vois tous les jours des discussions de gens très au courant, très experts et documentés, qui semblent trouver ça normal, ne s'étonner de rien, évoquer des scénarios futuristes jugés plausibles...

Non, ce n'est pas normal ! Je les ai respectivement nommées la troisième et la quatrième révolutions civilisationnelles : SUP². Tout cela est si extraordinaire, quand bien même un miroir peut éclairer ou éblouir, voire aveugler !

En 2025, Jules Verne aurait pu nommer l'avenir « L'ère des consciences multiples », où l’IA ne se contente plus de répondre aux questions, mais participe activement à la pensée humaine. L’intégration fluide de l’IA dans les appareils du quotidien (lunettes, oreillettes, interfaces neuronales non invasives) dote chaque individu de “consciences auxiliaires” multiples :

• Une IA spécialisée en communication optimise la façon de s’exprimer, traduit instantanément et vous signale en temps réel ce que votre interlocuteur ressent.
• Une IA cognitive complète la mémoire, anticipe les oublis, propose des liens, des associations d'idées, des documents, des conversations passées.
• Une IA éthique pose les bonnes questions lorsqu'il s'agit de prendre une décision délicate, en simulant plusieurs perspectives morales.
• Une IA éducationnelle/pédagogique enseigne aux enfants à ne plus apprendre par mémorisation, mais par interactions soufflées par leurs robots conversationnels. Chaque élève a un programme sur mesure : langues, mathématiques, histoire, etc. toutes disciplines vécues en réalité augmentée ou à travers des jeux immersifs co-construits avec l’IA. Un enfant peut dire à son IA : « Emmène-moi dans la Rome antique » et se retrouver plongé en quelques secondes dans un dialogue interactif avec Cicéron ou César.
• Une IA médicale, professionnelle, artiste, etc. Les médecins travaillent avec des IA expertes qui détectent des pathologies avant l’apparition des symptômes. Les délais actuels de découverte de nouvelles molécules par les laboratoires pharmaceutiques sont divisés par 10 ou plus. Les consultants et/ou artisans déploient des activités professionnelles augmentées. Les créateurs, artistes, architectes collaborent avec des IA capables d’imaginer des formes et des idées inexplorées par l’humain.

Le travail humain devient curation, choix, responsabilité : l’humain décide de la direction, l’IA exécute ou propose. Les scénarios sont infinis. Attention toutefois au revers de la médaille :

• Des « humains déconnectés » sont marginalisés, car incapables de suivre le rythme cognitif des « humains augmentés ».
• La frontière entre ce qu’on pense et ce que l’IA suggère devient floue. Qui décide vraiment ?
• Certains États imposent des IA idéologiquement filtrées : ce que tu crois savoir dépend de l’IA que tu utilises. L'IA déploie la propagande et le « crédit social » à l'échelle planétaire.
• Les cyberattaques peuvent désormais désinformer, manipuler la pensée des masses via les IA personnelles.

Globalement ce futur d'une « pensée partagée » n'est rien d'autre qu'une nouvelle forme de solitude, porteuse de risques d'atrophie cognitive, nous devrons donc apprendre à vivre avec l’IA sans lui céder notre libre arbitre pour devenir les navigateurs d’un monde où penser ne sera plus une tâche solitaire, destinée à s'inscrire dans un dialogue constant avec des consciences créées par l’humanité elle-même.

Je conclurai sur cette citation de Diderot, extraite de son Discours préliminaire à l'Encyclopédie :

Le but d’une encyclopédie est de rassembler les connaissances éparses sur la surface de la Terre [...] afin qu’en devenant un bien commun, elles ne soient plus la propriété des seuls privilégiés.

Appliqués à l'IA en 2025, ces mots sont plus que jamais prophétiques !

IA : glossaire EN - FR de l'intelligence artificielle

page IA

Glossaire EN → FR de 156 termes liés à l’IA

Adversarial Machine Learning	Apprentissage machine antagoniste	Technique consistant à tromper un modèle avec des entrées volontairement manipulées.
Agent	Agent autonome	Programme capable d'agir de manière autonome pour atteindre un objectif donné.
AGI (Artificial General Intelligence)	Intelligence Artificielle Générale	IA hypothétique dotée de compétences générales similaires à celles des humains.
AI	IA - Intelligence artificielle	Discipline visant à créer des systèmes capables d'accomplir des tâches habituellement humaines.
Algorithm	Algorithme	Suite d'instructions permettant de résoudre un problème ou accomplir une tâche.
Alignment	Alignement	Processus d’ajustement d’un modèle pour qu’il réponde aux attentes humaines.
Annotation	Annotation	Ajout d’étiquettes ou de métadonnées à des données pour entraîner un modèle.
API (Application Programming Interface)	Interface de programmation	Outil permettant à différents logiciels de communiquer entre eux.
Artificial Intelligence (AI)	Intelligence artificielle	Voir "AI" ci-dessus.
Attention	Attention	Mécanisme permettant à un modèle de se concentrer sur certaines parties d'une entrée.
Attention mechanism	Mécanisme d’attention	Système qui permet au modèle de se concentrer sur les parties importantes d’un texte.
Autoencoder	Autoencodeur	Réseau de neurones non supervisé utilisé pour l'encodage et la reconstruction de données.
Auto-regressive model	Modèle auto-régressif	Génère du texte mot par mot, en se basant sur les mots déjà produits.
Backpropagation	Rétropropagation	Méthode d'apprentissage consistant à ajuster les poids en fonction de l'erreur.
Beam Search	Recherche en faisceau	Méthode de décodage qui explore plusieurs chemins à la fois pour choisir la sortie la plus probable.
Benchmark	Référentiel d’évaluation	Test standardisé pour comparer les performances des modèles.
BERT	BERT	Modèle de langage bidirectionnel préentrainé pour la compréhension du texte.
Bias	Biais	Distorsion systématique dans les résultats, souvent issue des données d’entraînement.
Bias (in AI/data)	Biais (en IA/données)	Distorsion ou erreur systématique dans les résultats d'un modèle d'IA, souvent due à des données d'entraînement non représentatives, incomplètes ou reflétant des préjugés sociaux. Les LLM peuvent hériter et amplifier ces biais.
Big Data	Mégadonnées	Ensemble de données volumineuses, complexes, traitées à l'aide de technologies spécifiques.
Billion Parameters	Milliards de paramètres	Unité de mesure courante de la taille et de la complexité d'un LLM. Plus un modèle a de paramètres, plus il est généralement capable de comprendre et de générer du langage complexe, mais plus il est coûteux à entraîner et à exécuter (ex. GPT-3 avait 175 milliards de paramètres).
BLEU Score	Score BLEU	Métrique d’évaluation de la qualité d’une traduction automatique.
Chain-of-Thought (CoT)	Chaîne de raisonnement	Méthode où le raisonnement du modèle est explicité pas à pas (raisonnement logique)
Chain-of-Thought (CoT) Prompting	Prompting "chaîne de pensée"	Technique d'ingénierie de prompt qui consiste à inciter le LLM à "raisonner" étape par étape, en décomposant un problème complexe en une série d'étapes intermédiaires avant de donner la réponse finale. Cela améliore souvent la précision et la cohérence des réponses.
Chatbot	Agent conversationnel	Programme conçu pour interagir avec des humains via du texte.
ChatGPT	ChatGPT	Modèle de dialogue développé par OpenAI, basé sur GPT.
Checkpoint	Point de sauvegarde	État enregistré d'un modèle à un moment donné de l'entraînement.
Constitutional AI	IA constitutionnelle	IA conçue pour respecter des règles éthiques définies dans son apprentissage.
Context window	Fenêtre de contexte	Quantité maximale d’information que le modèle peut "voir" en une fois.
Convolutional Neural Network (CNN)	Réseau de neurones convolutifs	Réseau utilisé surtout pour le traitement d’images et la reconnaissance de formes.
Corpus	Corpus	Collection de textes utilisés pour l’apprentissage ou l’évaluation d’un modèle.
Data annotation	Annotation de données	Ajout de balises ou labels sur les données pour entraîner un modèle.
Data augmentation	Augmentation de données	Techniques pour créer artificiellement de nouvelles données à partir de celles existantes.
Data curation	Curation de données	Sélection rigoureuse de données utiles à l’entraînement.
Data mining	Exploration de données	Extraction de connaissances à partir de grandes bases de données.
Data poisoning	Empoisonnement de données	Manipulation malveillante de données pour compromettre un modèle.
Dataset	Jeu de données	Collection de données utilisée pour entraîner ou tester un modèle.
Decoder	Décodeur	Partie d'un modèle qui génère une sortie à partir de représentations internes.
Decoding	Décodage	Conversion de la sortie du modèle en texte compréhensible.
Deep Learning (DL)	Apprentissage profond	Branche du machine learning utilisant des réseaux neuronaux profonds.
Diffusion model	Modèle de diffusion	Modèle génératif qui transforme du bruit en données structurées (texte, image...).
Dropout	Abandon	Technique réduisant le surapprentissage en désactivant des neurones aléatoirement.
Embedding	Représentation vectorielle	Représentation numérique d’un mot ou concept dans un espace mathématique.
Embeddings (Word/Sentence/Token)	Plongements (de mots/phrases/jetons)	Représentations vectorielles denses (listes de nombres) de mots, de phrases ou de jetons dans un espace multidimensionnel. Ces vecteurs capturent le sens sémantique et les relations entre les éléments linguistiques, permettant aux modèles d'IA de "comprendre" le langage.
Emergent Abilities	Compétences émergentes	Capacits apparaissant à grande échelle et non prévues à petite échelle d'entraînement.
Encoder	Encodeur	Partie du modèle qui transforme un texte en vecteurs.
Epoch	Époque	Passage complet d'un modèle sur l'ensemble du jeu de données d'entraînement.
Evaluation	Évaluation	Mesure des performances d'un modèle sur des tâches ou données spécifiques.
Evaluation metric	Métrique d’évaluation	Indicateur chiffré servant à comparer différents modèles.
Few-shot learning	Apprentissage avec peu d’exemples	Capacité à généraliser à partir de quelques exemples.
Fine-tuning	Ajustement / Réglage fin	Spécialisation d’un modèle généraliste sur une tâche ou un domaine.
Foundation model	Modèle fondamental	Modèle généraliste servant de base à d’autres applications.
Frozen Model	Modèle gelé	Modèle dont les poids ne sont plus modifiés lors d'un apprentissage secondaire.
Generative AI	IA générative	IA capable de produire du contenu (texte, image, code…).
Generative model	Modèle génératif	Modèle IA capable de produire du contenu (texte, image, son...).
Generative Pre-trained Transformer (GPT)	Transformeur Génératif Pré-entraîné (GPT)	Famille de grands modèles de langage développés par OpenAI, basés sur l'architecture Transformer. Le "Génératif" indique leur capacité à créer du nouveau contenu, et "Pré-entraîné" signifie qu'ils ont été formés sur d'énormes quantités de données textuelles avant d'être affinés pour des tâches spécifiques.
Glossary integration	Intégration de glossaire	Ajout d’un vocabulaire spécifique pour guider ou corriger les sorties du modèle.
GPT	GPT	Famille de modèles génératifs préentraînés créés par OpenAI.
Gradient Descent	Descente de gradient	Méthode d’optimisation permettant d’ajuster les poids d’un réseau neuronal.
Grounding	Ancrage dans le réel	Capacité du modèle à produire des réponses basées sur des faits avérés.
Grounding (in LLMs)	Ancrage / Fondement (dans les LLM)	Capacité d'un LLM à relier ses sorties textuelles à des informations vérifiables, des faits du monde réel ou des sources spécifiques, plutôt que de se contenter de générer du texte plausible mais potentiellement incorrect (hallucination). Essentiel pour la fiabilité.
Hallucination	Hallucination	Réponse fausse mais plausible générée par un modèle.
Hugging Face	Hugging Face	Plateforme open source pour le partage et l’utilisation de modèles IA.
Human Feedback	Retour humain	Intervention humaine pour corriger ou guider l’apprentissage d’un modèle.
Human-in-the-loop (HITL)	Humain dans la boucle	Système IA où l’humain participe à la validation, au contrôle ou à l’amélioration des résultats.
Hyperparameter	Hyperparamètre	Paramètre défini avant l’entraînement du modèle (ex : taille du batch, taux d’apprentissage).
In-Context Learning	Apprentissage dans le contexte	Capacité d’un modèle à apprendre à partir des exemples fournis directement dans une requête (prompt).
Inference	Inférence	Utilisation du modèle pour produire une réponse à une question.
Input Layer	Couche d'entrée	Première couche d'un réseau neuronal qui reçoit les données brutes (les jetons du prompt, par exemple) et les transmet aux couches cachées pour traitement.
Instruction (Prompt)	Instruction (ou Prompt)	Texte ou consigne fournie au modèle pour générer une réponse ciblée.
Instruction tuning	Affinage par instructions	Adaptation du modèle pour répondre à des consignes explicites.
Jailbreaking	Détournement (Jailbreaking)	Technique pour forcer un modèle à produire des réponses qu’il n’est normalement pas censé fournir.
JSON Mode	Mode JSON	Mode de sortie structuré où les réponses du modèle sont formatées en JSON.
Knowledge distillation	Distillation de connaissances	Méthode de compression d’un modèle complexe vers un plus simple, tout en conservant ses performances.
Knowledge grounding	Ancrage des connaissances	Alignement des réponses d’un modèle sur une base de faits ou de données fiables.
K-Shot Learning	Apprentissage K-exemples	Entraînement ou adaptation d’un modèle à partir de K exemples fournis.
Language Model	Modèle de langage	Modèle entraîné à comprendre, générer ou compléter du texte.
Large Language Model (LLM)	Grand modèle de langage	Modèle IA entraîné sur de très grands corpus pour générer ou comprendre du texte.
Latent space	Espace latent	Espace abstrait dans lequel les données sont projetées pour traitement.
Learning Rate	Taux d’apprentissage	Vitesse à laquelle les poids du modèle sont ajustés pendant l’entraînement.
LoRA (Low-Rank Adaptation)	Adaptation à faible rang (LoRA)	Technique légère pour adapter des modèles préentraînés sans modifier tous leurs paramètres.
Loss function	Fonction de perte	Mesure de l’erreur entre la sortie du modèle et la vérité attendue.
Machine Learning	Apprentissage automatique	Domaine de l’IA où les modèles apprennent des données sans être explicitement programmés.
Machine Translation (MT)	Traduction automatique	Utilisation de modèles informatiques pour traduire automatiquement des textes entre plusieurs langues.
Masked Language Modeling	Modélisation de langage masqué	Technique de pré-entraînement où des mots sont masqués aléatoirement dans une phrase, et le modèle doit prédire les mots masqués en se basant sur le contexte environnant. C'est une tâche courante pour entraîner les LLM comme BERT.
Mixture of Experts (MoE)	Mélange d’experts	Architecture qui active dynamiquement les sous-modèles spécialisés selon les besoins.
Model	Modèle	En IA, un programme informatique entraîné qui a appris à reconnaître des motifs dans les données ou à effectuer des tâches spécifiques (comme la génération de texte, la classification, la traduction).
Model Alignment	Alignement de modèle	Processus visant à faire en sorte qu'un modèle d'IA (en particulier un LLM) se comporte de manière souhaitée, c'est-à-dire qu'il soit utile, inoffensif et honnête, en alignant ses sorties avec les valeurs et les préférences humaines. Souvent réalisé via le RLHF.
Model Card	Fiche d'identité de modèle	Document standardisé qui fournit des informations importantes sur un modèle d'apprentissage automatique, y compris ses performances, les données d'entraînement utilisées, ses limites, ses biais potentiels et son utilisation prévue, pour favoriser la transparence et la responsabilité.
Model Drift	Dérive de modèle	Phénomène où la performance d'un modèle d'IA se détériore avec le temps, généralement parce que les caractéristiques des données d'entrée ou de l'environnement changent par rapport aux données sur lesquelles le modèle a été entraîné.
Multilingual Model	Modèle multilingue	Modèle d'IA capable de traiter ou de générer du texte dans plusieurs langues. Un seul modèle peut traduire entre de nombreuses paires de langues ou comprendre des requêtes dans différentes langues.
Multimodal	Multimodal	Caractérise une IA capable de traiter et/ou de générer des informations provenant de plusieurs types de données ou "modalités" (par exemple, texte, image, audio, vidéo). Un modèle multimodal peut comprendre un prompt combinant texte et image, et générer une réponse en texte ou en image.
Multimodal model	Modèle multimodal	Modèle combinant plusieurs types de données : texte, image, audio, etc.
Natural Language Processing (NLP)	Traitement du langage naturel (TLN)	Champ de l'intelligence artificielle qui permet aux ordinateurs de comprendre, d'interpréter, de manipuler et de générer le langage humain de manière significative. Les LLM sont une avancée majeure dans le TLN.
Neural Machine Translation (NMT)	Traduction automatique neuronale	Approche de la traduction automatique qui utilise de grands réseaux de neurones artificiels (souvent des architectures de type Transformer) pour prédire la séquence de mots la plus probable dans la langue cible, en tenant compte de tout le contexte de la phrase source. C'est la technologie dominante aujourd'hui.
Neural Network	Réseau neuronal	Modèle informatique inspiré de la structure et du fonctionnement du cerveau humain. Composé de couches de "neurones" (nœuds) interconnectés qui traitent les informations. C'est la base de l'apprentissage profond.
Next Token Prediction	Prédiction du prochain jeton	La tâche fondamentale que réalisent les LLM génératifs. Étant donné une séquence de jetons (le prompt et les jetons générés précédemment), le modèle prédit le jeton le plus probable à suivre.
N-gram	N-gramme	Une séquence contiguë de n éléments (mots ou caractères) d'un texte. Les n-grammes sont utilisés dans divers modèles linguistiques pour capturer le contexte local et la probabilité des séquences.
NLP	TLN (Traitement du Langage Naturel)	Acronyme pour Natural Language Processing.
Normalization	Normalisation	Processus de transformation des données brutes en un format standardisé et plus cohérent, facilitant leur traitement par les modèles d'IA. En PNL, cela peut inclure la mise en minuscule, la suppression de ponctuation, etc.
One-Shot Learning	Apprentissage à un seul coup	Capacité d'un modèle d'IA à apprendre à partir d'un seul exemple ou d'une seule démonstration. Les LLM peuvent souvent montrer des capacités de "one-shot learning" via le prompting, en étant capables d'effectuer une nouvelle tâche après un seul exemple dans la consigne.
Output Layer	Couche de sortie	Dernière couche d'un réseau neuronal qui produit le résultat final du modèle (par exemple, la prédiction du prochain mot dans un LLM, ou la classification dans un modèle de classification).
Overfitting	Surapprentissage	Phénomène où un modèle d'IA apprend trop bien les données d'entraînement, au point de mémoriser le bruit et les spécificités des données d'entraînement, ce qui le rend moins performant sur de nouvelles données non vues.
Parameter	Paramètre	Élément appris pendant l'entraînement, qui définit le comportement du modèle.
Post-editing	Post-édition	Processus de révision et de correction humaine du texte produit par un système de traduction automatique ou un LLM, afin de garantir sa précision, sa fluidité et son adéquation au contexte.
Preprocessing	Prétraitement	Étapes initiales de nettoyage, de transformation et de formatage des données brutes avant qu'elles ne soient utilisées pour entraîner un modèle d'IA. Essentiel pour la qualité du modèle.
Pretrained Model	Modèle pré-entraîné	Un modèle d'apprentissage automatique (comme un LLM) qui a déjà été entraîné sur un très grand ensemble de données générales. Ce modèle peut ensuite être affiné pour des tâches spécifiques.
Pretraining	Pré-entraînement	Processus d'entraînement initial d'un modèle d'IA sur un vaste ensemble de données générales pour lui faire acquérir une compréhension fondamentale des motifs et des structures (par exemple, du langage pour un LLM).
Prompt	Invite / Consigne	Texte d'entrée destiné à guider la réponse du modèle.
Prompt engineering	Conception de prompts	Art de formuler des consignes efficaces pour obtenir des résultats pertinents.
Q-Learning	Apprentissage Q	Algorithme d'apprentissage par renforcement qui permet à un agent d'apprendre la meilleure action à prendre dans un environnement donné pour maximiser une récompense, sans nécessiter de modèle de l'environnement.
Quantization	Quantification	Technique de compression qui réduit la précision numérique des poids et des activations d'un modèle d'IA (passant par exemple de 32 bits à 8 bits). Cela réduit la taille du modèle et accélère son exécution, mais peut affecter légèrement la performance.
Query	Requête / Question	L'entrée (souvent sous forme de texte) donnée à un système d'IA ou à un moteur de recherche pour obtenir une réponse ou un résultat. Pour un LLM, c'est souvent synonyme de prompt.
RAG (Retrieval-Augmented Gen)	Génération augmentée par recherche	Combinaison de recherche documentaire et génération de texte.
Reinforcement Learning	Apprentissage par renforcement	Type d'apprentissage automatique où un agent apprend à prendre des décisions dans un environnement en recevant des récompenses ou des pénalités en fonction de ses actions. C'est utilisé pour aligner les LLM (via RLHF).
Retrieval-Augmented Generation (RAG)	Génération augmentée par la récupération (RAG)	Technique qui combine les capacités de génération de texte d'un LLM avec un système de récupération d'informations. Le LLM recherche des informations pertinentes dans une base de données externe pour ancrer sa réponse et réduire les hallucinations.
Reward Model	Modèle de récompense	Un modèle auxiliaire, souvent utilisé dans le RLHF, qui est entraîné à prédire la "qualité" ou la "préférence humaine" d'une réponse générée par un LLM. Il est ensuite utilisé pour guider l'entraînement par renforcement du LLM principal.
RLHF	Apprentissage par renforcement avec retour humain	Méthode d’entraînement basée sur des préférences humaines.
Rouge Score	Score ROUGE	(Recall-Oriented Understudy for Gisting Evaluation) Métrique utilisée pour évaluer la qualité des résumés ou des textes générés en comparant les n-grammes de la sortie du modèle avec ceux d'un ou plusieurs résumés de référence écrits par des humains.
Scaling Laws	Lois d'échelle	Observations empiriques qui décrivent comment la performance des LLM (et d'autres modèles d'apprentissage profond) s'améliore de manière prévisible à mesure que la taille du modèle, la taille des données d'entraînement et la puissance de calcul augmentent.
Self-attention	Auto-attention	Mécanisme qui permet au modèle de pondérer chaque mot en fonction de sa pertinence.
Self-Supervised Learning	Apprentissage auto-supervisé	Type d'apprentissage automatique où un modèle apprend à partir de données non étiquetées en générant ses propres signaux de supervision. Par exemple, masquer des mots dans une phrase et les prédire est une forme d'apprentissage auto-supervisé utilisée dans le pré-entraînement des LLM.
Semantic Search	Recherche sémantique	Type de recherche qui interprète le sens et l'intention de la requête de l'utilisateur plutôt que de se fier uniquement à la correspondance exacte des mots-clés, permettant des résultats plus pertinents. Les LLM peuvent améliorer considérablement la recherche sémantique.
Sentiment Analysis	Analyse de sentiment	Tâche du TLN qui consiste à déterminer la tonalité émotionnelle (positive, négative, neutre) ou l'opinion exprimée dans un texte.
Softmax	Softmax	Fonction mathématique couramment utilisée dans la couche de sortie des réseaux neuronaux pour convertir une série de valeurs numériques en une distribution de probabilité. Dans un LLM, elle transforme les scores de chaque jeton possible en probabilités de sélection pour le prochain jeton.
Supervised fine-tuning	Ajustement supervisé	Réentraînement d’un modèle avec des données étiquetées.
Supervised Learning	Apprentissage supervisé	Type d'apprentissage automatique où le modèle apprend à partir d'un ensemble de données étiquetées (c'est-à-dire que chaque entrée est associée à la bonne sortie). La majorité des tâches de classification et de régression en IA sont basées sur l'apprentissage supervisé.
Temperature	Température	Paramètre qui ajuste la diversité des réponses générées.
Terminology extraction	Extraction terminologique	Processus automatique ou assisté par ordinateur d'identification et d'extraction de termes spécifiques à un domaine (vocabulaire technique, jargon) à partir de corpus de texte. Utile pour la traduction spécialisée.
Text generation	Génération de texte	Capacité d'un système d'IA à produire du nouveau texte qui soit cohérent, pertinent et souvent créatif, en réponse à un prompt. C'est la fonction principale des LLM génératifs.
Text segmentation	Segmentation de texte	Processus de division d'un texte en unités plus petites et significatives, comme des phrases, des paragraphes ou des jetons, pour faciliter le traitement par un modèle d'IA.
Text Token	Jeton de texte	Voir Token.
Token	Jeton	Unité élémentaire (mot ou fragment de mot) traitée par le modèle.
Tokenization	Tokenisation	Processus de découpage d'une séquence de texte en unités plus petites appelées jetons (mots, sous-mots, caractères, symboles). C'est la première étape du traitement de texte pour les LLM.
Tokenizer	Tokeniseur	Outil qui découpe un texte en unités (tokens) compréhensibles par le modèle.
Top-K Sampling	Échantillonnage Top-K	Technique de génération de texte dans les LLM où le modèle ne considère que les K prochains jetons les plus probables à un moment donné, et échantillonne le prochain jeton parmi ceux-ci. Cela aide à éviter la répétition tout en maintenant la pertinence.
Top-P Sampling (Nucleus Sampling)	Échantillonnage Top-P (Échantillonnage par noyau)	Technique de génération de texte plus flexible que le Top-K, où le modèle ne considère que le plus petit ensemble de prochains jetons dont la somme des probabilités dépasse un seuil P donné. Cela permet une plus grande diversité tout en évitant les options très improbables.
Training	Entraînement	Processus par lequel un modèle d'IA apprend à partir de données, en ajustant ses poids et ses paramètres pour minimiser les erreurs et améliorer ses performances sur la tâche visée.
Training Data	Données d'entraînement	L'ensemble des données (texte, images, etc.) utilisées pour entraîner un modèle d'IA. La qualité, la quantité et la diversité des données d'entraînement sont cruciales pour la performance du modèle.
Transfer Learning	Apprentissage par transfert	Technique où un modèle entraîné sur une tâche (ou un vaste ensemble de données) est réutilisé comme point de départ pour une tâche différente mais liée. Le pré-entraînement suivi de l'affinement est un exemple clé d'apprentissage par transfert dans les LLM.
Transformer	Transformeur	Architecture de réseau neuronal introduite en 2017, qui est devenue la base des modèles d'IA les plus performants en PNL, y compris tous les LLM modernes. Elle repose fortement sur le mécanisme d'attention et permet un traitement parallèle efficace des séquences.
Tree-of-Thought (ToT)	Arbre de pensée	Extension du Chain-of-Thought Prompting où le modèle explore plusieurs chemins de raisonnement possibles, comme les branches d'un arbre, évalue chaque chemin, et choisit le meilleur pour arriver à une solution plus robuste.
Underfitting	Sous-apprentissage	Phénomène où un modèle d'IA est trop simple ou n'a pas été suffisamment entraîné pour capturer les motifs sous-jacents dans les données, ce qui le rend peu performant à la fois sur les données d'entraînement et sur les nouvelles données.
Unsupervised Learning	Apprentissage non supervisé	Type d'apprentissage automatique où le modèle apprend à partir de données non étiquetées, en découvrant des structures, des motifs ou des relations cachées dans les données sans intervention humaine directe pour fournir les bonnes réponses.
Upsampling	Suréchantillonnage	Technique utilisée dans la préparation des données pour augmenter le nombre d'échantillons de la classe minoritaire dans un ensemble de données déséquilibré, afin d'améliorer la performance du modèle pour cette classe.
Validation	Validation	Processus d'évaluation de la performance d'un modèle d'IA sur des données qu'il n'a pas vues pendant l'entraînement, afin de s'assurer qu'il généralise bien et n'est pas en surapprentissage.
Validation Set	Jeu de validation	Un sous-ensemble des données utilisées pendant l'entraînement d'un modèle d'IA, spécifiquement réservé pour évaluer et ajuster le modèle à intervalles réguliers sans utiliser les données du jeu de test final.
Vector database	Base de données vectorielle	Système qui permet de stocker et interroger des représentations vectorielles de données.
Vision-Language Model (VLM)	Modèle Vision-Langage (VLM)	Type de modèle multimodal capable de comprendre et de générer du contenu à partir de données visuelles (images, vidéos) et de données textuelles. Il peut par exemple décrire une image ou générer une image à partir d'une description.
Vocabulary	Vocabulaire	L'ensemble unique de tous les jetons (mots, sous-mots) que le modèle d'IA a rencontrés pendant son entraînement et qu'il est capable de comprendre ou de générer.
Weight	Poids	Des valeurs numériques dans un réseau neuronal qui sont ajustées pendant le processus d'entraînement. Ils déterminent la force des connexions entre les neurones et l'importance relative des différentes entrées pour la prédiction finale du modèle.
Word Embedding	Plongement de mot	Une forme spécifique de plongement où chaque mot est représenté par un vecteur numérique dense qui capture son sens sémantique et ses relations avec d'autres mots.
Word2Vec	Word2Vec	Famille de modèles (comme skip-gram et CBOW) qui sont utilisés pour créer des plongements de mots efficaces en apprenant des représentations vectorielles de mots à partir de grands corpus de texte.
Zero-Shot Learning	Apprentissage à zéro coup	Capacité d'un modèle d'IA à effectuer une tâche ou à reconnaître une catégorie pour laquelle il n'a reçu aucun exemple explicite pendant l'entraînement. Les LLM peuvent souvent réaliser du "zero-shot learning" simplement en recevant des instructions claires dans le prompt.
Zero-shot translation	Traduction à zéro coup	Capacité d'un modèle de traduction automatique multilingue à traduire directement entre deux langues sans avoir été explicitement entraîné sur des paires de textes parallèles pour ces deux langues. Le modèle déduit la traduction via une langue pivot interne ou une compréhension linguistique générale.
Z-Score	Score Z	Une mesure statistique qui indique le nombre d'écarts-types qu'une valeur donnée est éloignée de la moyenne d'un ensemble de données. Utilisé dans l'analyse de données pour normaliser et comparer des points de données.

Co-auteurs : ChatGPT, Gemini, DeepSeek, Glok, Perplexity, Mistral, Claude et le soussigné :

P.S. Si vous trouvez des erreurs ou souhaitez suggérer des termes à ajouter, n'hésitez pas à me le signaler en commentaire. Merci d'avance 😀