Consultez notre glossaire Intelligence Artificielle (IA) pour connaitre tous les termes techniques, acronymes, abréviations et expressions utilisés dans le métier de l’Intelligence Artificielle (IA) . Ce lexique comprend toutes les définitions des termes clés (d’Algorithme à Vision par ordinateur) ainsi que des exemples pour améliorer votre vocabulaire ainsi que votre compréhension de ce domaine.
L’intelligence artificielle (IA) est un domaine en pleine expansion, qui bouleverse les pratiques professionnelles dans de nombreux secteurs. Toutefois, son accès et sa compréhension reposent fortement sur la maîtrise d’un vocabulaire spécifique. Ce langage technique est indispensable pour appréhender les concepts fondamentaux, dialoguer efficacement avec les experts et exploiter les technologies de manière éclairée.
Des notions comme machine learning, réseau de neurones, modèle entraîné, surapprentissage (overfitting), jeu de données d’apprentissage, algorithme supervisé, intelligence artificielle générative, biais algorithmique ou encore traitement automatique du langage naturel (NLP) sont aujourd’hui couramment utilisées dans les projets d’IA. Elles permettent de décrire les méthodes, les objectifs et les limites de chaque système, en posant un cadre rigoureux aux discussions techniques et stratégiques.
La maîtrise de ce lexique est également essentielle pour garantir la transparence, l’éthique et la conformité des déploiements. Elle facilite l’évaluation des risques, la rédaction de chartes d’usage ou la communication avec les autorités réglementaires. Elle est aussi un atout dans la conduite du changement, en rassurant les équipes concernées par l’intégration de l’IA dans leurs processus métiers.
strong>Algorithme : Un algorithme est une procédure formelle constituée d’étapes logiques permettant de transformer des données d’entrée en résultats précis. Présent dans toutes les disciplines informatiques, il est fondamental au fonctionnement des systèmes automatisés et sert de base à de nombreuses applications, de la simple opération arithmétique aux processus d’intelligence artificielle complexes.
Analyse prédictive : L’analyse prédictive utilise des techniques statistiques et des algorithmes d’apprentissage pour anticiper des événements futurs à partir de données historiques. Elle permet d’identifier des tendances, des comportements ou des anomalies. Cette approche est largement utilisée dans le marketing, la finance, la maintenance prédictive ou encore la gestion des risques.
Annotation (IA) : L’annotation consiste à associer des métadonnées explicites à des données brutes afin d’en faciliter l’interprétation par un système d’intelligence artificielle. Cette opération, souvent manuelle, permet d’étiqueter des images, textes ou sons selon leur contenu. L’annotation est indispensable pour entraîner des modèles supervisés avec un référentiel dit « vérité terrain ».
Apprentissage actif : L’apprentissage actif est une méthode semi-supervisée dans laquelle un algorithme sollicite l’intervention humaine pour étiqueter des exemples jugés pertinents pour sa progression. En optimisant la sélection des données à annoter, cette approche réduit le volume d’étiquetage nécessaire tout en accélérant la montée en compétence du modèle.
Apprentissage auto-supervisé : Ce type d’apprentissage repose sur l’exploitation de données non étiquetées, le système générant lui-même les tâches de supervision. L’apprentissage auto-supervisé se situe entre le non-supervisé et le supervisé et s’avère particulièrement utile lorsque l’accès à des annotations manuelles est limité. Il est utilisé dans le traitement d’images, du texte ou de la voix.
Apprentissage automatique (machine learning) : L’apprentissage automatique est une branche de l’intelligence artificielle visant à concevoir des systèmes capables de s’améliorer à partir de données, sans être explicitement programmés. Les modèles ainsi construits s’appuient sur des algorithmes statistiques pour détecter des patterns et effectuer des prédictions ou des classifications avec un degré croissant de précision.
Apprentissage continu : L’apprentissage continu permet à un système d’intégrer de nouvelles données en permanence, même après sa mise en production. Contrairement à un apprentissage figé, cette approche rend le modèle plus adaptable aux évolutions de son environnement, mais pose des défis techniques importants liés à la stabilité, la sécurité et la dérive.
Apprentissage fédéré : L’apprentissage fédéré est une approche décentralisée où plusieurs dispositifs entraînent localement un même modèle sans échanger les données. Chaque participant envoie ses paramètres mis à jour, qui sont ensuite agrégés. Cette méthode préserve la confidentialité des données tout en permettant un apprentissage collaboratif à grande échelle, notamment en santé ou finance.
Apprentissage non supervisé : Méthode d’apprentissage automatique dans laquelle le système analyse des données brutes sans étiquettes. Il détecte des structures latentes telles que des clusters, des associations ou des distributions. Couramment utilisé pour la segmentation de marché, l’analyse exploratoire ou la réduction de dimensions, cet apprentissage repose sur l’identification de similarités internes.
Apprentissage par renforcement : L’apprentissage par renforcement repose sur la notion d’environnement, d’action et de récompense. Le système apprend par essais et erreurs en recevant des signaux quantitatifs selon la pertinence de ses choix. Il est utilisé dans des domaines complexes tels que les jeux, la robotique ou la conduite autonome.
Apprentissage par renforcement et rétroaction humaine : Cette variante intègre les évaluations humaines dans le processus d’apprentissage par renforcement. Les préférences des utilisateurs sont utilisées pour guider ou corriger le modèle, notamment dans les systèmes génératifs comme les grands modèles de langage. Cette combinaison améliore la cohérence et la qualité des résultats fournis.
Apprentissage par transfert : L’apprentissage par transfert consiste à réutiliser un modèle préalablement entraîné sur une tâche pour en faciliter une autre, souvent avec moins de données. Ce procédé permet un gain d’efficacité, particulièrement utile dans les cas où les jeux de données sont limités, en transférant les connaissances inter-domaines.
Apprentissage profond (deep learning) : L’apprentissage profond désigne l’usage de réseaux de neurones artificiels composés de multiples couches intermédiaires. Ces structures hiérarchiques permettent d’extraire des représentations complexes à partir de données brutes. Cette méthode, très gourmande en données et en puissance de calcul, est à la base des avancées majeures en IA moderne.
Apprentissage supervisé : L’apprentissage supervisé s’appuie sur un jeu de données étiquetées pour entraîner un modèle à prédire une sortie à partir d’une entrée. C’est la méthode la plus courante en IA, utilisée pour des tâches de classification, de régression ou de reconnaissance d’images, avec une supervision explicite du résultat attendu.
Assistant virtuel : Un assistant virtuel est un programme informatique automatisé, conçu pour interagir avec des utilisateurs via une interface textuelle ou vocale. Il est souvent basé sur le traitement du langage naturel et peut fournir des réponses, exécuter des tâches ou proposer des recommandations. Exemples : chatbot, assistant commercial ou agent RH.
Assistant vocal : Un assistant vocal repose sur la reconnaissance vocale et le traitement du langage pour permettre une interaction naturelle entre l’utilisateur et la machine. Ces dispositifs sont intégrés à des enceintes connectées, smartphones ou logiciels, et répondent à des commandes vocales pour exécuter des tâches, poser des rappels ou fournir des informations en temps réel.
Attaque par empoisonnement (data poisoning attack) : Cette attaque vise à insérer dans les données d’entraînement du système des entrées volontairement corrompues. L’objectif est d’altérer le comportement du modèle, parfois de façon imperceptible. Ce type d’attaque cible la phase d’apprentissage et peut compromettre la fiabilité, la sécurité ou l’équité du système d’IA.
Attaque par exemples contradictoires (adversarial examples attack) : Ces attaques introduisent des modifications subtiles dans les données d’entrée pour tromper le système. Bien que quasi invisibles pour un humain, ces perturbations peuvent induire de mauvaises décisions du modèle. Les exemples contradictoires révèlent les faiblesses structurelles de nombreux algorithmes, notamment dans la reconnaissance visuelle.
Attaque par exfiltration de modèle (model evasion attack) : Cette attaque a pour but de voler un modèle d’intelligence artificielle, souvent en observant ses réponses à des requêtes ciblées. L’exfiltration peut inclure les poids, les paramètres ou même la structure du modèle. Ces attaques menacent la propriété intellectuelle et l’intégrité des solutions IA déployées.
Attaque par inférence d’appartenance (membership inference attack) : Cette attaque tente de déterminer si une donnée spécifique a été utilisée lors de l’entraînement d’un modèle. Elle soulève des enjeux importants de confidentialité, car elle permet potentiellement d’extraire des informations sensibles sur les individus, notamment dans les systèmes manipulant des données personnelles de santé ou financières.
Attaque par inversion de modèle (model inversion attack) : Elle consiste à déduire ou reconstruire approximativement les données d’entraînement d’un modèle en exploitant ses réponses. Ces attaques peuvent exposer des informations sensibles et poser un risque pour la vie privée. Elles sont particulièrement préoccupantes dans les applications biométriques ou les systèmes traitant des données nominatives.
Attaque par reconstruction : Les attaques par reconstruction visent à reconstituer les données d’apprentissage à partir d’un accès au modèle. Cela peut se faire par exploration des sorties ou manipulation du système. Ces attaques menacent la confidentialité des données et soulèvent des questions de responsabilité en cas de fuite d’informations sensibles.
Attaques sur IA : Les attaques contre les systèmes d’intelligence artificielle visent à altérer leur fonctionnement en manipulant les données d’entrée, le modèle ou son comportement en production. On distingue notamment les attaques adversariales, les empoisonnements de données et les attaques d’inférence. Elles constituent un enjeu majeur en cybersécurité algorithmique.
Augmentation de données (IA) : Ce processus génère artificiellement de nouvelles données à partir de données existantes, via des transformations comme la rotation, le recadrage ou la permutation. Très utilisée en vision par ordinateur ou traitement du langage, l’augmentation de données renforce la robustesse et la capacité de généralisation des modèles.
Bac à sable (sandbox) : Un bac à sable, ou sandbox, est un environnement sécurisé isolé du système principal, permettant d’exécuter du code ou de tester des applications sans risque pour le système hôte. Il est couramment utilisé pour analyser des fichiers suspects, expérimenter de nouveaux outils ou contenir d’éventuelles menaces en toute sécurité.
Biais : Les biais en intelligence artificielle désignent les distorsions involontaires présentes dans les données d’apprentissage ou dans la conception du modèle, susceptibles d’entraîner des décisions inéquitables. Ils peuvent être liés à des biais sociaux, historiques ou techniques et représentent un défi majeur pour garantir l’éthique et la fiabilité des systèmes.
Bot : Un bot est un programme automatisé capable d’exécuter des tâches répétitives sans intervention humaine. Dans le domaine de l’IA, certains bots sont dotés de capacités de conversation ou d’analyse. Ils sont utilisés dans des contextes variés, comme le service client, la surveillance de données, les réseaux sociaux ou la cybersécurité.
Bulle de filtre : Phénomène algorithmique limitant la diversité de l’information présentée à un utilisateur. Les systèmes de recommandation, en personnalisant les contenus selon l’historique de navigation, enferment l’utilisateur dans un écosystème informationnel homogène. Ce biais algorithmique nuit à la pluralité des opinions et renforce les comportements de confirmation.
Cafés IA : Les Cafés IA sont des rencontres ou ateliers publics, destinés à favoriser la compréhension, la vulgarisation et le débat autour de l’intelligence artificielle. Ouverts à tous, ils permettent d’explorer les impacts sociaux, éthiques et économiques de l’IA dans un cadre accessible et pédagogique, favorisant l’inclusion numérique.
Calcul multipartite sécurisé : Technique cryptographique permettant à plusieurs entités de réaliser un calcul conjoint sur leurs données respectives sans avoir à les partager. Chaque partie chiffre ses données et le résultat final est calculé de manière sécurisée. Très utilisé pour les systèmes d’IA collaboratifs nécessitant un respect strict de la confidentialité.
Caractéristique (IA) : Une caractéristique (ou feature) désigne une variable ou propriété mesurable utilisée par un algorithme pour représenter une observation. Les caractéristiques peuvent être extraites automatiquement ou sélectionnées manuellement. Leur qualité et leur pertinence sont déterminantes pour les performances des modèles d’apprentissage automatique.
Charte IA : Une charte IA est un document de référence adopté par une entreprise, une institution ou un organisme pour encadrer les usages de l’intelligence artificielle. Elle définit des principes éthiques, des engagements en matière de transparence, de sécurité, d’équité ou encore de respect des droits fondamentaux dans le déploiement de solutions IA.
Chatbot : Un chatbot est un agent conversationnel automatisé, capable d’interagir avec des utilisateurs en langage naturel, par écrit ou oralement. Il repose sur des techniques de NLP et peut répondre à des questions, fournir un service ou guider l’utilisateur. Les chatbots sont largement utilisés dans les domaines du service client ou de la santé.
Chiffrement homomorphe : Méthode de cryptographie permettant d’effectuer des calculs sur des données chiffrées sans les déchiffrer. Elle garantit la confidentialité totale durant le traitement, même pour des tiers non autorisés. Utilisé en IA pour préserver les données personnelles dans des contextes sensibles (santé, finance), ce chiffrement est encore coûteux en calcul.
Classification (IA) : La classification consiste à attribuer une étiquette prédéfinie à une observation, sur la base d’un modèle entraîné à partir de données étiquetées. Exemple : reconnaître un animal comme étant un chat ou un chien. Elle constitue l’un des piliers des systèmes d’apprentissage supervisé et de traitement de l’information.
Cobot : Un cobot, ou robot collaboratif, est un robot conçu pour interagir en sécurité et de manière complémentaire avec un humain sur un poste de travail. Contrairement aux robots industriels classiques, les cobots partagent l’espace avec l’opérateur et sont dotés de capteurs leur permettant de détecter et prévenir les collisions ou anomalies.
Confidentialité différentielle : Propriété garantissant qu’un traitement statistique sur une base de données ne permet pas d’inférer si une donnée individuelle y est présente. Elle repose sur l’ajout contrôlé de bruit aléatoire aux résultats. Fondamentale en IA éthique, cette technique protège la vie privée dans les systèmes d’analyse de données massives.
Contrôle itératif de l’apprentissage : Méthode consistant à mesurer l’impact de chaque donnée d’entraînement sur les performances du modèle. En retirant successivement les données ayant un effet négatif (méthode RONI), on améliore la robustesse du système. Cette stratégie permet de détecter les erreurs, les biais ou les exemples nuisibles au processus d’apprentissage.
Couche de neurones : Dans un réseau de neurones artificiels, les couches représentent les niveaux de traitement de l’information. Une couche est composée de neurones interconnectés avec la couche suivante. Les couches intermédiaires permettent l’abstraction progressive des données et la modélisation de relations complexes, notamment en apprentissage profond.
Critère d’arrêt (IA) : Le critère d’arrêt définit la condition sous laquelle l’algorithme d’apprentissage interrompt son entraînement. Il peut s’agir d’un nombre d’itérations, d’un seuil de perte minimale ou d’une absence d’amélioration sur un ensemble de validation. Il vise à éviter le surapprentissage ou la consommation inutile de ressources.
CTI (Cyber Threat Intelligence) : La Cyber Threat Intelligence désigne l’ensemble des pratiques consistant à recueillir, analyser et interpréter des informations sur les menaces numériques pour anticiper, détecter et prévenir les cyberattaques. Elle combine veille technique, contextualisation stratégique et outils d’analyse, jouant un rôle essentiel dans la protection des systèmes numériques sensibles.
Data center (centre de données) : Un data center est une infrastructure physique centralisée, conçue pour héberger des serveurs, systèmes de stockage et équipements réseaux nécessaires au traitement, au stockage et à la diffusion des données. Il est au cœur des services cloud, du fonctionnement des applications IA et de la continuité numérique des entreprises.
Deepfake : Un deepfake est une vidéo, image ou audio généré à l’aide de l’IA, en particulier via l’apprentissage profond, dans le but de simuler de manière convaincante une personne, souvent sans son consentement. Ces contenus posent des risques majeurs en termes de désinformation, usurpation d’identité ou manipulation politique.
Dérive de modèle (model drift) : La dérive de modèle désigne le phénomène selon lequel les performances d’un modèle d’IA diminuent avec le temps, en raison de changements dans l’environnement, les données ou les comportements. Elle nécessite des mesures de réévaluation, de surveillance et de réentraînement régulier pour maintenir la fiabilité du système en production.
Dérive des données : La dérive des données correspond à une modification significative de la distribution des données d’entrée entre la phase d’entraînement et la mise en production. Elle entraîne une dégradation des performances du modèle et nécessite un recalibrage ou une mise à jour régulière pour garantir sa pertinence dans le temps.
Dérive du modèle : Survient lorsque les performances d’un modèle diminuent en raison de l’évolution de l’environnement dans lequel il opère. Cette dérive peut être causée par un changement dans les comportements utilisateurs, les contextes d’usage ou la nature des données. Elle nécessite une surveillance continue et des ajustements périodiques.
Désapprentissage machine : Technique visant à supprimer de manière ciblée certaines informations mémorisées par un modèle, sans devoir le réentraîner entièrement. Utilisé dans le cadre du droit à l’oubli ou en réponse à des erreurs d’entraînement, le désapprentissage soulève des enjeux techniques complexes liés à la réversibilité de l’apprentissage.
Détecteurs d’IA : Ces outils permettent d’identifier si un contenu (texte, image, audio…) a été généré par une intelligence artificielle. Utilisés dans la lutte contre la désinformation ou la fraude académique, ils analysent des indices statistiques, stylistiques ou techniques pour alerter sur une éventuelle origine automatisée d’un contenu numérique.
Domaine d’emploi (IA) : Il s’agit de la définition précise de l’environnement et de la population cible pour laquelle un système d’IA est conçu et validé. Le domaine d’emploi délimite le périmètre d’utilisation acceptable du modèle. Sortir de ce cadre augmente les risques d’erreurs, de dérives ou d’effets inattendus.
Donnée brute (IA) : Une donnée brute est une information captée directement depuis la réalité sans avoir été transformée ou analysée. Elle peut provenir de capteurs, d’images, de textes ou d’interactions. Ces données constituent la matière première à partir de laquelle les systèmes d’intelligence artificielle extraient des caractéristiques ou des prédictions.
Donnée d’entrée (IA) : Information fournie au système pour qu’il puisse effectuer un traitement, une prédiction ou une décision. Les données d’entrée peuvent être structurées (tableaux) ou non structurées (textes, images, sons). Leur qualité, représentativité et prétraitement ont un impact déterminant sur les résultats du modèle.
Donnée de sortie (IA) : Résultat fourni par le modèle après traitement des données d’entrée. Elle peut être une classification, une valeur prédite, une image générée ou toute autre forme d’information dérivée. L’analyse de la donnée de sortie permet d’évaluer la performance, la cohérence et la fiabilité du système.
Données d’entraînement : Les données d’entraînement sont les ensembles d’exemples fournis à un modèle d’apprentissage automatique pour qu’il apprenne à effectuer une tâche donnée. Leur qualité, représentativité et diversité sont essentielles pour garantir la performance et la généralisation du modèle sur de nouvelles données.
DPD / DPO (Délégué à la protection des données) : Le DPD ou DPO est le responsable chargé de veiller à la conformité des traitements de données personnelles au sein d’un organisme. Son rôle, défini par le RGPD, implique conseil, audit, sensibilisation et médiation avec les autorités. Il joue un rôle stratégique dans le déploiement de l’IA en garantissant la protection des droits.
Échantillon (IA) : Un échantillon est une sélection représentative d’un ensemble de données plus vaste, utilisée pour entraîner, valider ou tester un modèle. Bien choisir son échantillon est crucial pour garantir la généralisation des résultats et éviter les biais liés à une mauvaise représentation des cas d’usage.
Empoisonnement des données (Data Poisoning) : L’empoisonnement des données est une attaque sur un système d’IA, qui consiste à injecter des données corrompues ou manipulées dans l’ensemble d’entraînement afin d’altérer le comportement du modèle. Cette menace, difficile à détecter, peut induire des décisions erronées en phase de production, mettant en péril la sécurité ou l’équité.
Ensemble d’entraînement / d’apprentissage : Regroupe les données utilisées pour l’ajustement des paramètres internes du modèle. C’est sur cet ensemble que le système construit sa compréhension du problème. Un bon ensemble d’entraînement doit être équilibré, diversifié et représentatif du domaine d’application visé pour garantir une performance robuste.
Ensemble de test (IA) : Jeu de données indépendant, non utilisé pendant l’apprentissage, servant à mesurer les performances finales d’un modèle. L’ensemble de test simule l’usage en conditions réelles. Il permet d’évaluer la capacité de généralisation et d’identifier les écarts de comportement entre entraînement et production.
Ensemble de validation (IA) : Jeu de données utilisé pendant la phase d’apprentissage pour ajuster les hyperparamètres et éviter le surapprentissage. Contrairement à l’ensemble de test, il sert au calibrage du modèle. Il permet de choisir les meilleures configurations et d’évaluer la stabilité des performances au cours du processus.
Entraînement (ou apprentissage) : Processus par lequel un modèle d’intelligence artificielle ajuste ses paramètres pour minimiser l’écart entre les prédictions et les résultats attendus. Cette phase utilise des jeux de données spécifiques, des fonctions de coût, des algorithmes d’optimisation, et peut être supervisée ou non selon les cas.
Environnement d’exécution de confiance : Espace isolé à l’intérieur d’un processeur qui exécute de manière sécurisée du code sensible. Les TEE garantissent que des données confidentielles, telles que des clés de chiffrement ou des identifiants, ne peuvent être extraites ou altérées, même en cas de compromission du reste du système.
Estimation bayésienne : Méthode d’inférence probabiliste basée sur le théorème de Bayes. Elle permet d’ajuster les probabilités d’un phénomène à partir d’observations nouvelles. En IA, elle sert à modéliser l’incertitude, à intégrer des connaissances a priori et à améliorer la précision dans des contextes dynamiques ou incertains.
Estimation de poses : Technique de vision par ordinateur permettant d’identifier la posture ou la position des articulations d’un corps humain à partir d’une image ou d’une vidéo. Elle est utilisée en biométrie, réalité augmentée, santé ou sport, et repose sur des algorithmes de détection et de modélisation du squelette.
Explicabilité (IA) : Capacité d’un système d’IA à justifier ou rendre compréhensible son comportement. Elle permet d’identifier les facteurs ayant influencé une décision. L’explicabilité est essentielle pour instaurer la confiance, détecter les biais, vérifier la conformité réglementaire et permettre un contrôle humain effectif.
Extraction de caractéristiques (feature extraction) : Étape de transformation des données brutes en variables pertinentes, compréhensibles et exploitables par un modèle d’IA. Cette opération permet de réduire la complexité, d’améliorer les performances et d’augmenter la robustesse du système. Elle peut être automatisée ou réalisée manuellement par un expert du domaine.
Few shot learning : Méthode d’apprentissage où un modèle est capable de généraliser à partir d’un très faible nombre d’exemples. Cette approche est précieuse dans les cas où les données sont rares ou coûteuses à obtenir. Elle s’appuie souvent sur des modèles pré-entraînés ou des techniques de transfert d’apprentissage.
Fonction d’activation : Fonction appliquée à la sortie d’un neurone dans un réseau de neurones artificiels. Elle détermine si le neurone est activé et dans quelle mesure. Les fonctions d’activation les plus courantes sont ReLU, sigmoïde ou tanh. Elles permettent d’introduire de la non-linéarité dans le réseau.
Fonction de perte ou de coût (loss function) : Fonction mathématique mesurant l’erreur entre les prédictions du modèle et les résultats attendus. L’algorithme d’apprentissage vise à minimiser cette fonction pour améliorer la précision. Elle joue un rôle central dans l’optimisation des modèles, notamment dans la descente de gradient.
Forêts aléatoires (random forests) : Méthode d’apprentissage ensembliste qui combine plusieurs arbres de décision, chacun entraîné sur un sous-échantillon des données. Les résultats des arbres sont agrégés pour améliorer la robustesse et la précision. Les forêts aléatoires sont réputées pour leur efficacité et leur résistance au surapprentissage.
Gabarit facial : Modèle numérique décrivant les caractéristiques d’un visage humain, extrait lors d’un processus de reconnaissance faciale. Ces gabarits sont des données biométriques sensibles, utilisées pour identifier ou authentifier une personne. Leur traitement est strictement encadré par le RGPD et soulève des enjeux éthiques majeurs.
Générateurs d’images par IA : Ces logiciels créent des images à partir de descriptions textuelles (text-to-image). Ils reposent sur des modèles de deep learning, capables d’interpréter des instructions pour générer des illustrations, visuels publicitaires ou conceptuels. Utilisés en design, marketing ou création artistique, ils accélèrent le processus créatif tout en ouvrant de nouveaux usages.
Générateurs de code par IA : Ces outils assistent les développeurs en générant automatiquement des lignes de code à partir d’instructions textuelles ou de modèles existants. Ils permettent un gain de temps important, facilitent l’apprentissage du code et améliorent la productivité des équipes techniques, notamment pour les tâches répétitives ou le prototypage rapide.
Générateurs de musique par IA : Ces solutions permettent de créer automatiquement des compositions musicales personnalisées selon des critères définis (genre, tempo, ambiance). Utilisées dans le marketing, la production vidéo ou les jeux vidéo, elles offrent des alternatives sans droits d’auteur tout en ouvrant de nouvelles perspectives pour les créateurs de contenus sonores.
Générateurs de texte par IA : Basés sur des modèles de langage, ces outils produisent automatiquement des contenus rédactionnels : articles, descriptions, synthèses, emails. Ils sont utilisés en rédaction web, marketing ou service client, et permettent un gain de temps considérable. Le contrôle humain reste essentiel pour valider la cohérence, la pertinence et l’éthique.
Générateurs de vidéo par IA : Ces logiciels créent automatiquement des vidéos à partir de textes, d’images ou de scripts. Ils intègrent souvent des voix de synthèse, des animations et des transitions prédéfinies. Utilisés pour produire du contenu explicatif, publicitaire ou institutionnel, ils simplifient l’accès à la création vidéo sans compétence technique avancée.
Générateurs de voix par IA : Ces outils transforment du texte écrit en voix de synthèse naturelle. Utilisés dans les assistants vocaux, les vidéos, ou l’accessibilité numérique, ils reproduisent des intonations humaines variées. Les voix générées peuvent être personnalisées et multilingues, avec un réalisme croissant grâce aux technologies de deep learning vocal.
Gouvernance de l’IA : La gouvernance de l’IA regroupe les politiques, normes, processus et dispositifs mis en place pour encadrer le développement, le déploiement et la supervision des systèmes d’intelligence artificielle. Elle vise à garantir l’éthique, la conformité réglementaire, la sécurité et la transparence des modèles déployés.
Gouvernance des données : La gouvernance des données est un ensemble de pratiques et de règles encadrant la gestion des données au sein d’une organisation. Elle vise à assurer leur qualité, intégrité, sécurité, traçabilité et conformité réglementaire, éléments indispensables au bon fonctionnement et à la fiabilité des systèmes d’IA.
GPU : Un GPU (Graphics Processing Unit) est un processeur graphique initialement conçu pour les calculs liés à l’affichage. Aujourd’hui, il est massivement utilisé dans l’intelligence artificielle pour l’entraînement de modèles, en raison de sa capacité à exécuter simultanément des milliers d’opérations matricielles complexes, accélérant ainsi les traitements.
Gradient : Vecteur représentant la dérivée d’une fonction de perte par rapport aux paramètres du modèle. Il indique la direction dans laquelle ajuster les paramètres pour réduire l’erreur. Le gradient est au cœur des algorithmes d’optimisation comme la descente de gradient, utilisée pour entraîner les réseaux neuronaux.
Hallucination (IA) : Dans le contexte de l’IA générative, une hallucination désigne la production de contenus erronés, incohérents ou inventés par un modèle, en particulier un modèle de langage. Elle résulte d’une mauvaise interprétation des données d’entrée ou d’une extrapolation inexacte, représentant un enjeu critique pour la fiabilité des systèmes.
Hyperparamètre : Paramètre fixé avant l’entraînement d’un modèle, influençant la structure ou le fonctionnement de l’algorithme (nombre de couches, taux d’apprentissage, taille de lot…). Contrairement aux paramètres appris, les hyperparamètres sont ajustés via validation croisée ou recherche systématique. Ils ont un impact majeur sur les performances du système.
IA agentique : Une IA agentique est une intelligence artificielle conçue pour opérer de manière autonome dans un environnement donné, en prenant des décisions et en agissant dans le but d’atteindre des objectifs spécifiques. Elle combine souvent planification, perception et interaction avec l’environnement, selon un modèle d’agent intelligent.
IA de confiance : L’IA de confiance regroupe les principes, pratiques et garanties visant à assurer que les systèmes d’intelligence artificielle soient éthiques, transparents, robustes, sécurisés, explicables et respectueux des droits fondamentaux. C’est une notion-clé dans les cadres réglementaires européens et dans les politiques de développement responsable de l’IA.
IA générative : L’IA générative désigne une catégorie d’algorithmes capables de produire de nouveaux contenus à partir d’un apprentissage préalable. Ces contenus peuvent être du texte, de l’image, du code, de l’audio ou de la vidéo. Elle repose principalement sur des modèles profonds comme les GAN ou les modèles de langage de grande taille.
IA multimodale : L’IA multimodale est une forme d’intelligence artificielle capable d’analyser et de produire simultanément plusieurs types de données (texte, image, son, etc.) afin de mieux comprendre les contextes complexes. Elle est particulièrement utilisée dans les systèmes avancés de perception, les assistants intelligents ou les plateformes de création.
IA responsable : L’IA responsable désigne une approche de développement et de déploiement de l’intelligence artificielle conforme aux valeurs éthiques, à la transparence, à la sécurité et à l’équité. Elle implique une gouvernance rigoureuse, la prévention des biais et la garantie de l’explicabilité pour éviter les dérives technologiques et sociétales.
IA souveraine : L’IA souveraine est un concept désignant la capacité d’un État ou d’un ensemble régional à développer, maîtriser et déployer des technologies d’intelligence artificielle sans dépendre d’acteurs étrangers. Elle implique un contrôle stratégique des données, des infrastructures, des algorithmes et des usages.
Intelligence artificielle : L’intelligence artificielle (IA) désigne un ensemble de techniques algorithmiques permettant à des systèmes informatiques d’exécuter des tâches habituellement réservées à l’intelligence humaine, telles que la reconnaissance d’images, le raisonnement logique ou le traitement du langage. Elle repose sur des processus d’apprentissage automatisé exploitant des données pour générer des comportements adaptés.
ISO 42001 : La norme ISO 42001 est une norme internationale en cours d’adoption visant à encadrer les systèmes de management de l’intelligence artificielle. Elle fournit un cadre pour le développement éthique, sécurisé, robuste et transparent des systèmes d’IA, en s’appuyant sur les principes de gouvernance et de conformité réglementaire.
LLM (Large Language Model) : Un LLM est un modèle de langage de très grande taille, entraîné sur d’énormes volumes de données textuelles pour prédire, générer ou compléter du langage naturel. Il repose généralement sur des architectures de type transformeur. Ces modèles, comme GPT ou BERT, sont utilisés dans la génération de texte, la traduction ou les assistants virtuels.
Logiciels d’intelligence artificielle (IA) : Ils regroupent des applications exploitant des algorithmes d’apprentissage automatique pour automatiser des tâches complexes : analyse prédictive, reconnaissance faciale, génération de contenus, etc. Ces solutions s’intègrent dans divers secteurs (finance, santé, marketing) pour améliorer les performances, réduire les coûts et prendre des décisions fondées sur les données.
Logiciels de marketing avec IA : Ces outils utilisent l’IA pour automatiser l’analyse des données clients, personnaliser les campagnes, prévoir les comportements et optimiser les conversions. Ils permettent des recommandations produits, du scoring de leads ou l’envoi ciblé de messages. L’IA transforme ainsi le marketing en renforçant la précision, la réactivité et l’efficacité commerciale.
Machine learning (apprentissage automatique) : Le machine learning désigne un champ de l’intelligence artificielle dans lequel les systèmes informatiques acquièrent des capacités à partir de données, sans être explicitement programmés pour chaque tâche. Il s’appuie sur des algorithmes qui détectent des motifs, apprennent des relations statistiques, puis effectuent des prédictions ou décisions adaptées à de nouveaux jeux de données.
Maintenance prédictive : La maintenance prédictive consiste à anticiper les pannes ou dysfonctionnements d’un équipement en exploitant des données collectées en continu (capteurs, historique, conditions de fonctionnement). Elle repose souvent sur des modèles d’IA ou de machine learning permettant d’identifier les signes avant-coureurs de défaillances, afin d’intervenir avant l’interruption de service.
Modèle (IA) : Un modèle d’intelligence artificielle est une structure algorithmique entraînée à partir de données pour effectuer une tâche spécifique : classification, prédiction, génération, etc. Il représente l’interprétation mathématique d’un phénomène, construite lors de la phase d’apprentissage, et sert de base pour la prise de décision automatisée dans des environnements réels.
Modèle d’IA : Un modèle d’intelligence artificielle est une structure mathématique ou algorithmique construite à partir d’un processus d’apprentissage automatisé sur un ensemble de données. Il peut être conçu pour accomplir des tâches variées telles que la classification, la reconnaissance, la prédiction ou la génération. Son efficacité dépend de sa structure, de ses paramètres et des données d’apprentissage.
Modèle de fondation : Un modèle de fondation est une architecture d’IA entraînée sur un vaste corpus de données généralistes, lui conférant des capacités transférables à de multiples applications. Grâce à sa polyvalence, ce type de modèle peut être affiné pour des tâches spécifiques tout en bénéficiant de sa large base de connaissances initiales.
Modèle de langage : Un modèle de langage est un outil statistique ou algorithmique qui analyse les structures linguistiques afin de prédire, générer ou interpréter des séquences de texte. Il est conçu pour traiter des unités linguistiques telles que les mots ou phrases, et est à la base des systèmes de traitement automatique du langage naturel (NLP).
Modèle discriminatif : Un modèle discriminatif vise à classer ou prédire une variable cible en distinguant explicitement les frontières entre différentes classes. Il se base sur les caractéristiques spécifiques des données observées pour attribuer une catégorie précise, et est souvent employé dans des tâches de classification supervisée.
Modèle génératif : Un modèle génératif apprend la distribution statistique des données afin de pouvoir en générer de nouvelles similaires. Contrairement aux modèles discriminatifs, il peut aussi estimer la probabilité d’une donnée donnée, et est utilisé dans des contextes comme la synthèse d’images, la génération de texte ou l’inférence probabiliste.
Modèle pré-entraîné : Un modèle pré-entraîné est un algorithme ayant déjà subi une phase d’apprentissage sur un jeu de données généraliste. Il est ensuite adapté à des cas d’usage spécifiques via une phase de fine-tuning. Cette approche permet d’économiser du temps d’entraînement tout en assurant de bonnes performances sur des tâches ciblées.
Neurone artificiel : Le neurone artificiel est une unité de base des réseaux de neurones artificiels. Inspiré du fonctionnement biologique, il reçoit plusieurs signaux en entrée, applique une pondération suivie d’une fonction d’activation, et génère une sortie. Combinés en couches, ces neurones permettent à l’IA de traiter des données complexes.
Ontologie (IA) : En intelligence artificielle, une ontologie est une représentation formelle d’un domaine de connaissance, structurée par des concepts et leurs relations. Elle facilite l’organisation, l’interprétation et l’échange de données entre systèmes en permettant un cadre commun de référence et en renforçant l’interopérabilité des applications.
Paramètre (IA) : Un paramètre est une valeur numérique ajustée lors de la phase d’apprentissage d’un modèle d’IA. Il influe directement sur le comportement du modèle. Par exemple, les poids attribués aux connexions entre neurones dans un réseau de neurones sont des paramètres déterminants pour la qualité des prédictions réalisées.
Paramètres (IA) : Les paramètres d’un modèle d’IA représentent les variables ajustées lors de l’entraînement. Dans les réseaux neuronaux, il s’agit principalement des poids qui déterminent la contribution de chaque connexion à la sortie finale. Ces paramètres sont au cœur du fonctionnement du modèle, car ils traduisent l’apprentissage effectué à partir des données.
Partitionnement de données : Le partitionnement de données, ou clustering, regroupe les éléments d’un jeu de données en sous-ensembles homogènes. Il repose sur des mesures de similarité ou de distance et permet d’identifier des structures ou tendances cachées dans les données. C’est une méthode typique d’apprentissage non supervisé.
Plateformes d’IA conversationnelle : Elles permettent de créer et déployer des agents virtuels capables de dialoguer avec les utilisateurs en langage naturel, à l’écrit ou à l’oral. Utilisées pour le service client, les chatbots ou les interfaces vocales, elles améliorent l’autonomie des usagers tout en optimisant les coûts de traitement des demandes.
Plateformes d’IA générative : Ces plateformes offrent des outils basés sur l’IA pour générer du contenu (texte, image, audio, vidéo). Elles permettent aux entreprises de créer rapidement des contenus originaux à partir de simples instructions. Utilisées dans la communication, le design ou la création artistique, elles ouvrent de nouveaux horizons à l’innovation.
PoC (Proof of Concept) : La preuve de concept, ou PoC, désigne une phase expérimentale permettant de démontrer la faisabilité technique d’un projet ou d’une solution, sans nécessairement viser une mise en production immédiate. Dans le domaine de l’IA, un PoC permet d’évaluer la pertinence d’un algorithme ou d’une architecture sur des cas d’usage réels.
Point of Delivery (POD) : Le Point of Delivery fait référence, dans une architecture technique ou logistique, au lieu où un service, une application ou une infrastructure est déployée et accessible à ses utilisateurs finaux. Dans un contexte cloud ou IA, le POD peut désigner une unité matérielle ou virtuelle permettant la mise à disposition d’un service.
RAG (Retrieval-Augmented Generation) : Le RAG est une approche hybride qui combine génération de texte (par modèle de langage) et récupération d’informations depuis une base externe. L’objectif est d’enrichir les réponses générées avec des données contextuelles factuelles. Cette méthode améliore la pertinence et la vérifiabilité des réponses fournies par des agents conversationnels ou moteurs de recherche.
Reconnaissance d’entités nommées : La reconnaissance d’entités nommées (NER) est une tâche de NLP visant à extraire et catégoriser automatiquement des éléments clés dans un texte, tels que les noms de personnes, d’organisations, de lieux ou de dates. Elle est essentielle pour structurer l’information issue de sources textuelles non formatées.
Réduction de dimension ou dimensionnalité : La réduction de dimension consiste à transformer un ensemble de variables explicatives nombreuses en un sous-ensemble représentatif. Cela optimise les performances des algorithmes d’IA en éliminant les variables redondantes ou peu informatives, tout en conservant l’essentiel de la structure des données.
Régression : La régression désigne un ensemble de techniques statistiques permettant de modéliser une relation entre une variable dépendante continue et une ou plusieurs variables explicatives. En machine learning, elle sert à prédire des valeurs numériques à partir de données observées, par opposition à la classification qui prédit des catégories.
Régurgitation : En intelligence artificielle générative, la régurgitation désigne le phénomène par lequel un modèle reproduit des contenus très similaires, voire identiques, à ceux sur lesquels il a été entraîné. Cela pose des enjeux liés à la propriété intellectuelle, à la confidentialité et à la diversité des réponses. Elle peut être involontaire ou le fruit d’une attaque.
Réseau de neurones artificiels : Un réseau de neurones artificiels est un système de neurones interconnectés répartis en couches (entrée, cachées, sortie) permettant l’apprentissage de représentations complexes à partir de données. Il constitue la base des architectures de deep learning et excelle dans les domaines de l’image, du son et du texte.
Robustesse (IA) : La robustesse d’un système d’IA désigne sa capacité à maintenir des performances fiables face à des perturbations, données aberrantes ou contextes non prévus. Elle est essentielle pour garantir la sécurité, la stabilité et la résilience des systèmes dans des environnements dynamiques ou soumis à des incertitudes.
Sandboxing (protection) : Le sandboxing est une technique de sécurité informatique qui consiste à isoler l’exécution d’un programme ou d’un processus dans un environnement contrôlé et cloisonné. En IA, cela permet de tester des modèles ou des comportements sans compromettre le système principal. Cette approche réduit les risques de propagation de code malveillant ou de fuites de données.
Segmentation des données : La segmentation des données est un procédé visant à diviser un jeu de données en plusieurs ensembles distincts, par exemple pour l’apprentissage, la validation et le test. Elle peut reposer sur des règles déterministes (âge, date, catégorie) ou aléatoires, et contribue à une évaluation rigoureuse des modèles.
Shadow IA : La shadow IA désigne l’utilisation non autorisée de solutions d’intelligence artificielle par des salariés ou des équipes, sans validation ni supervision par la direction informatique. Ces pratiques échappent aux contrôles de sécurité et de conformité, exposant l’entreprise à des risques en matière de cybersécurité, de protection des données ou de gouvernance.
Surapprentissage (overfitting) : Le surapprentissage survient lorsqu’un modèle est trop spécialisé sur son jeu de données d’entraînement, au point de perdre sa capacité de généralisation. Cela se traduit par d’excellents résultats sur les données vues, mais de mauvaises performances sur des données nouvelles. Des techniques de régularisation peuvent limiter ce phénomène.
Système d’IA : Un système d’intelligence artificielle est une solution automatisée capable de prendre des décisions ou recommandations à partir de données d’entrée. Il peut fonctionner avec divers niveaux d’autonomie et est souvent capable d’évoluer après son déploiement grâce à des mécanismes d’apprentissage ou d’adaptation continue.
Système d’IA à usage général : Un système d’IA à usage général est conçu pour être polyvalent. Il n’est pas limité à une tâche spécifique mais peut être adapté à une large gamme d’applications. Ces systèmes s’appuient généralement sur des modèles de fondation et soulèvent des enjeux majeurs de gouvernance, de sécurité et de régulation.
Taux d’apprentissage (learning rate) : Le taux d’apprentissage est un hyperparamètre essentiel dans l’optimisation des modèles d’IA. Il détermine l’amplitude des mises à jour des paramètres lors de l’entraînement. Un taux trop élevé peut conduire à une instabilité, tandis qu’un taux trop faible ralentit la convergence vers une solution optimale.
Test (IA) : Le test consiste à évaluer la capacité d’un modèle à traiter correctement des données nouvelles. Il est réalisé à l’aide d’un jeu de données distinct de celui utilisé pour l’apprentissage. L’objectif est de mesurer la généralisation, détecter les erreurs et ajuster les performances du système d’IA.
Traitement automatique de la parole : Le traitement automatique de la parole couvre l’ensemble des technologies visant à capter, comprendre, transformer ou reproduire des signaux vocaux. Il englobe des domaines tels que la reconnaissance vocale, la synthèse de parole, l’identification et la vérification du locuteur, souvent utilisés dans les assistants vocaux ou les centres d’appel.
Traitement automatique du langage naturel (NLP) : Le traitement automatique du langage naturel (NLP) est une discipline alliant IA, linguistique et informatique, dédiée à la compréhension, l’analyse et la génération de texte en langage humain. Il permet d’automatiser des tâches telles que la traduction, le résumé, l’extraction d’informations ou la classification de contenus textuels.
Traitement du langage naturel (NLP) : Le NLP est un sous-domaine de l’IA visant à permettre aux machines de comprendre, traiter et générer du langage humain. Il combine linguistique computationnelle, apprentissage automatique et modélisation statistique. Ses applications couvrent la traduction automatique, l’analyse de sentiments, la génération de texte, les assistants vocaux et les chatbots.
Transformation numérique (transformation digitale) : La transformation numérique désigne le processus par lequel les organisations intègrent les technologies digitales à leurs processus, produits et modèles économiques. Elle vise à améliorer la performance, l’expérience utilisateur et la compétitivité. L’IA en est un levier majeur, notamment pour l’automatisation, l’analyse de données et l’innovation opérationnelle.
UEBA (User and Entity Behavior Analytics) : L’UEBA est une solution de cybersécurité reposant sur l’analyse comportementale des utilisateurs et des entités informatiques pour détecter des activités anormales ou suspectes. En s’appuyant sur des modèles d’IA, l’UEBA identifie les écarts de comportement, les menaces internes ou les intrusions sophistiquées, souvent invisibles aux systèmes traditionnels.
Validation (IA) : La validation en IA est une étape cruciale consistant à ajuster les hyperparamètres d’un modèle en observant ses performances sur un jeu de validation. Elle permet de prévenir le surapprentissage, d’optimiser la généralisation et de garantir la cohérence du modèle avec son domaine d’application.
Vision par ordinateur (computer vision) : La vision par ordinateur est une branche de l’IA dont l’objectif est de permettre aux machines de percevoir et interpréter des contenus visuels comme des images ou vidéos. Elle repose sur des algorithmes capables de détecter, classifier ou segmenter des objets dans un environnement numérique. Elle est utilisée dans l’automobile, la médecine, la sécurité, etc.
