IA, apprentissage automatique et apprentissage profond
Intelligence artificielle : ensemble de méthodes permettant à des systèmes d’effectuer des tâches de perception, prédiction, génération ou décision. Le terme décrit un domaine, pas une technologie unique. Apprentissage automatique : méthodes qui ajustent un modèle à partir d’exemples. Apprentissage profond : apprentissage fondé sur des réseaux de neurones comportant plusieurs couches. Il est particulièrement utilisé pour les images, le son et le langage.
Modèle : structure mathématique ajustée pendant l’entraînement puis utilisée pour produire une sortie. Algorithme : suite d’opérations permettant d’entraîner ou d’utiliser un modèle. Inférence : phase où un modèle entraîné traite une nouvelle entrée. Ces distinctions aident à comprendre qu’un même produit associe souvent plusieurs algorithmes, modèles et règles classiques.
Jeu de données, variables et annotation
Jeu d’entraînement : exemples utilisés pour ajuster le modèle. Jeu de validation : exemples séparés qui servent à choisir les réglages. Jeu de test : exemples gardés à l’écart pour estimer la performance finale. Réutiliser le test pendant les réglages fausse l’évaluation. Variable ou caractéristique : information fournie au modèle. Étiquette : réponse attendue dans un apprentissage supervisé.
Annotation : production des étiquettes par des personnes, des règles ou d’autres outils. Elle contient des choix et des erreurs. Qualité des données : exactitude, couverture, cohérence, actualité et pertinence des informations. Dérive : changement des données ou de la relation entre entrée et résultat après le déploiement. Une dérive peut rendre un modèle progressivement moins fiable.
LLM, tokens, embeddings et RAG
Grand modèle de langage ou LLM : modèle entraîné sur de grands volumes de texte pour prédire et générer des séquences. Token : unité de texte traitée par le modèle, qui peut être un mot, une partie de mot ou un signe. Fenêtre de contexte : quantité d’information prise en compte lors d’une requête. Elle ne constitue pas une mémoire fiable et illimitée.
Embedding : représentation numérique qui place des contenus proches dans un espace mathématique. Elle sert notamment à la recherche sémantique. RAG : génération augmentée par recherche, qui récupère des documents avant de produire une réponse. Le RAG améliore l’ancrage mais ne garantit pas l’exactitude. La qualité dépend de la recherche, du corpus et de la manière dont les sources sont affichées.
Précision, rappel, biais et hallucination
Précision : parmi les éléments signalés positifs, proportion réellement positive. Rappel : parmi les éléments réellement positifs, proportion détectée. Le bon compromis dépend du coût des erreurs. Faux positif : alerte incorrecte. Faux négatif : cas réel non détecté. Une métrique globale ne suffit pas si certains sous-groupes subissent plus d’erreurs.
Biais : déformation liée aux données, à la méthode ou au contexte qui produit des écarts indésirables. Hallucination : contenu généré plausible mais non fondé. Robustesse : capacité à maintenir une qualité acceptable lorsque les entrées varient. Explicabilité : méthodes et informations aidant à comprendre un résultat. L’explication utile dépend de la personne et de la décision concernées.
MLOps, surveillance et contrôle humain
MLOps : pratiques qui organisent la version, le déploiement, la surveillance et la mise à jour des modèles. Pipeline : chaîne de traitements reliant données, modèle et service. Journalisation : conservation de traces utiles à la sécurité et à l’analyse, dans le respect des règles de données. Reproductibilité : capacité à retrouver un résultat avec les mêmes données, code et paramètres.
Contrôle humain : intervention d’une personne capable de comprendre suffisamment le résultat, de le contester et d’agir. Système à haut risque : catégorie juridique définie par le règlement européen pour certains usages, avec des obligations spécifiques. Culture de l’IA : compétences permettant aux personnes qui utilisent ou supervisent un système d’en comprendre les possibilités, limites et risques. Ces notions transforment le vocabulaire en organisation concrète.