SOMMAIRE DES ARTICLES DU BLOG ET LIENS DIRECTS
LIRE OU ÉCOUTER LA FABLE (RÉDIGÉE AVEC L'I.A. !)
Qui fait aujourd'hui du calcul mental ou pose des opérations ? Qui recherche dans un dictionnaire papier ?
Pourquoi faire l'apprentissage d'une langue quand les traducteurs existent ? Pourquoi lire tout un ouvrage alors que l'informatique le résume ? Pourquoi faire de la photographie alors que tout prompt crée une image ?
Pourquoi apprendre, puisque l'Intelligence artificielle sait tout et répond à toutes nos questions ?
Quelles seront, demain, les bases et les disciplines de l'École, alors qu'à l'Université les Mémoires des étudiants sont déjà en grande partie rédigés par l'I.A ?
GLOSSAIRE DE L'I.A.
- Algorithmes : Procédures ou ensembles de règles à suivre pour résoudre un problème ou effectuer une tâche. En IA, les algorithmes apprennent à partir de données pour effectuer des prédictions ou des décisions.
- Apprentissage automatique (Machine Learning) : Domaine de l’IA où des modèles apprennent à partir de données sans être explicitement programmés. Il existe plusieurs types : supervisé, non supervisé, par renforcement.
- Apprentissage supervisé : Type d’apprentissage où le modèle est entraîné sur des données étiquetées (ex. : images avec leur description). Il apprend à prédire des sorties à partir d’entrées.
- Apprentissage non supervisé : Le modèle analyse des données sans étiquettes pour découvrir des structures cachées (ex. : regroupement en clusters).
- Apprentissage par renforcement (Reinforcement Learning) : Méthode où un agent apprend à prendre des décisions en recevant des récompenses ou des pénalités selon ses actions dans un environnement.
- Big Data : Ensemble de données très volumineux, complexes et rapides à générer, souvent utilisés pour entraîner des modèles d’IA.
- Bot : Programme informatique automatisé capable d’effectuer des tâches simples ou complexes, souvent utilisé dans les services clients (ex. : chatbot).
- Chatbot : Agent conversationnel basé sur l’IA, capable d’interagir avec des utilisateurs via un dialogue textuel ou vocal.
- Clustering (Regroupement) : Technique d’apprentissage non supervisé qui regroupe des données similaires ensemble (ex. : K-means).
- Connaissance commune (Common Sense Reasoning) : Capacité d’un système IA à comprendre des faits évidents pour les humains (ex. : "l’eau est mouillée"), encore difficile à modéliser.
- Deep Learning (Apprentissage profond) : Sous-domaine du machine learning utilisant des réseaux de neurones artificiels profonds (plusieurs couches) pour traiter des données complexes comme images, sons ou texte.
- Données d’entraînement : Données utilisées pour enseigner à un modèle d’IA à reconnaître des motifs ou faire des prédictions.
- Données étiquetées (Labeled Data) : Données accompagnées d’informations correctes (ex. : une photo étiquetée "chat"), nécessaires pour l’apprentissage supervisé.
- Éthique de l’IA : Réflexion sur les implications morales de l’usage de l’IA (biais, confidentialité, responsabilité, transparence).
- Explicabilité (Explainability) : Capacité à comprendre et expliquer les décisions prises par un modèle d’IA, cruciale pour la confiance et la régulation.
- Framework d’IA : Environnement logiciel utilisé pour développer et entraîner des modèles d’IA (ex. : TensorFlow, PyTorch).
- Fuite de données (Data Leakage) : Erreur dans l’entraînement d’un modèle où des informations du futur ou de l’ensemble de test sont utilisées par erreur, faussant les résultats.
- Génération de texte (Text Generation) : Capacité d’un modèle IA à produire du texte cohérent (ex. : rédaction d’articles, réponses à des questions).
- Grand modèle de langage (Large Language Model - LLM) : Modèle d’IA entraîné sur d’immenses quantités de texte, capable de comprendre et générer du langage humain (ex. : GPT, BERT).
- Heuristique : Règle empirique ou approximation utilisée pour résoudre un problème plus rapidement, souvent dans des systèmes d’IA classiques.
- IA faible (ou étroite) : IA conçue pour une tâche spécifique (ex. : reconnaissance vocale, jeu d’échecs). C’est la forme d’IA existante aujourd’hui.
- IA forte (ou générale, AGI) : Intelligence artificielle capable de comprendre, apprendre et appliquer ses connaissances à n’importe quelle tâche humaine. N’existe pas encore.
- IA générative : Type d’IA capable de créer de nouveaux contenus (texte, images, musique, vidéos) à partir de modèles appris.
- Interface vocale : Système permettant d’interagir avec un ordinateur par la voix (ex. : assistants vocaux comme Siri, Alexa).
- Journalisation des décisions (AI Audit Trail) : Enregistrement des décisions prises par un système d’IA, utile pour la traçabilité et la conformité.
- Langage naturel (NLP - Natural Language Processing) : Branche de l’IA qui permet aux machines de comprendre, interpréter, générer et interagir avec le langage humain.
- Latence : Temps de réponse d’un système d’IA. Une faible latence est cruciale pour les applications en temps réel.
- Modèle pré-entraîné : Modèle d’IA déjà entraîné sur de grandes quantités de données, qu’on peut adapter à une tâche spécifique (ex. : fine-tuning de BERT).
- Modèle statistique : Représentation mathématique des relations entre des variables, souvent utilisée en IA pour faire des prédictions.
- Neurone artificiel : Unité de base d’un réseau de neurones, inspirée du neurone biologique, qui reçoit des entrées, les pondère et produit une sortie.
- Overfitting (Surapprentissage) : Phénomène où un modèle apprend trop bien les détails des données d’entraînement, au point de perdre sa capacité à généraliser sur de nouvelles données.
- Optimisation : Processus d’ajustement des paramètres d’un modèle pour minimiser une fonction de coût (erreur de prédiction).
- Prédiction : Sortie d’un modèle d’IA estimant une valeur ou une classe (ex. : prédire le prix d’une maison).
- Prétraitement des données : Étapes de nettoyage, transformation et préparation des données avant leur utilisation pour l’entraînement d’un modèle.
- Prompt : Instruction ou question donnée à un modèle d’IA générative (surtout les LLM) pour obtenir une réponse.
- Prompt Engineering : Technique consistant à formuler des prompts efficaces pour guider les réponses d’un modèle d’IA générative.
- Quantification (d’un modèle) : Technique de compression des poids d’un modèle d’IA (ex. : passage de 32 bits à 8 bits) pour réduire sa taille et améliorer ses performances.
- Raisonnement : Capacité d’un système IA à déduire des conclusions logiques à partir de faits ou de règles.
- Régression : Tâche d’apprentissage supervisé consistant à prédire une valeur continue (ex. : température, prix).
- Réseau de neurones artificiels (Artificial Neural Network - ANN) : Modèle computationnel composé de couches de neurones artificiels, utilisé pour reconnaître des motifs complexes.
- Réseau de neurones convolutif (CNN - Convolutional Neural Network) : Type de réseau de neurones particulièrement efficace pour traiter des données structurées en grille, comme les images.
- Réseau de neurones récurrent (RNN - Recurrent Neural Network) : Réseau adapté au traitement de séquences (texte, sons, séries temporelles), capable de mémoriser des informations passées.
- Réseaux antagonistes génératifs (GAN - Generative Adversarial Networks) : Deux réseaux (générateur et discriminateur) s’opposent pour améliorer la qualité des données générées (ex. : création d’images réalistes).
- Robotique : Domaine combinant mécanique, électronique et IA pour créer des robots autonomes ou semi-autonomes.
- Système expert : Programme d’IA basé sur des règles et une base de connaissances, imitant le raisonnement d’un expert humain dans un domaine spécifique.
- Surveillance (Monitoring de l’IA) : Suivi du comportement d’un modèle en production pour détecter des dérives, des biais ou des erreurs.
- Sérialisation du modèle : Processus d’enregistrement d’un modèle entraîné dans un fichier pour une utilisation ultérieure (ex. : format pickle, ONNX).
- Token : Unité de base dans le traitement du langage (mot, sous-mot, caractère), utilisée par les modèles comme les LLM pour analyser le texte.
- Transformation (dans NLP) : Architecture de modèles basée sur le mécanisme d’attention, très efficace pour le traitement du langage (ex. : modèle Transformer, BERT, GPT).
- Transparence : Capacité à comprendre comment un système d’IA fonctionne, notamment ses décisions, essentielle pour la confiance.
- Utilisateur final : Personne qui interagit avec une application ou un système basé sur l’IA sans nécessairement comprendre son fonctionnement interne.
- Validation croisée (Cross-validation) : Technique pour évaluer la performance d’un modèle en le testant sur différentes parties des données d’entraînement.
- Vision par ordinateur (Computer Vision) : Domaine de l’IA permettant aux machines de "voir" et d’interpréter des images ou vidéos (ex. : reconnaissance faciale).
- Zone grise de l’IA : Domaine émergent où les applications d’IA soulèvent des questions éthiques, juridiques ou sociales non encore régulées.