🤖 Le grand glossaire de l'intelligence artificielle
L'écosystème complet de l'IA, du plus simple au plus complexe. Des mots accessibles, des exemples concrets, mais des définitions justes. Les niveaux montent en difficulté : commence au début et avance à ton rythme. On y parle aussi des notions récentes (agents, serveurs MCP, RAG…), car elles font pleinement partie du monde de l'IA d'aujourd'hui.
🧩 Niveau 1 — Pour commencer : les idées simples
Intelligence artificielle (IA)
Un programme capable d'accomplir des tâches qui demandent normalement de l'intelligence : reconnaître une image, comprendre une phrase, jouer à un jeu. L'IA ne pense pas comme un humain ; elle calcule des réponses à partir de ce qu'on lui a appris.
Programme
Une liste d'instructions que l'ordinateur exécute pour accomplir un travail. Toute application, tout jeu, toute IA est d'abord un programme.
Algorithme
Une suite précise d'étapes pour résoudre un problème.
🍳 Une recette de cuisine est un algorithme : en suivant les étapes dans le bon ordre, on obtient le résultat attendu.
Donnée
Une information utilisée par un programme : un texte, une image, un son, un nombre.
Jeu de données (dataset)
Une grande collection de données rassemblées pour entraîner ou tester une IA.
Modèle
Le résultat de l'apprentissage : ce que l'IA a retenu, et qu'elle réutilise pour répondre.
Assistant virtuel
Un programme qui répond à tes questions ou exécute des tâches à la demande, par la voix ou par écrit.
Chatbot
Un programme avec lequel on échange par écrit, comme dans une conversation, et qui répond automatiquement.
Robot et robotique
Un robot est une machine dotée d'un corps capable d'agir dans le monde réel. La robotique est la science qui les conçoit. Un robot n'est pas forcément intelligent ; on peut y placer une IA pour le rendre autonome.
Capteur
Un composant qui mesure le monde réel (lumière, son, température, mouvement) et le transforme en données.
Automatisation
Le fait de confier à une machine une tâche répétitive pour qu'elle se fasse toute seule.
🧠 Niveau 2 — Comment l'IA apprend
Apprentissage automatique (machine learning)
L'ordinateur apprend à partir d'exemples, au lieu qu'on lui dicte chaque règle.
🐱 En observant des milliers de photos de chats, il finit par repérer lui-même ce qui caractérise un chat.
Entraînement
La phase où l'IA étudie les données pour s'améliorer : on lui montre des exemples, on corrige ses erreurs, elle recommence.
Exemple (échantillon)
Une donnée unique servant à l'apprentissage. L'IA en a besoin de très nombreux.
Caractéristique (feature)
Un détail mesurable que l'IA regarde pour décider : la taille, la couleur, la forme d'un objet.
Étiquette (label)
La bonne réponse associée à un exemple pendant l'apprentissage (« cette photo = un chien »).
Apprentissage supervisé
On fournit à l'IA les bonnes réponses pendant l'entraînement, pour qu'elle apprenne à les retrouver seule ensuite.
Apprentissage non supervisé
L'IA organise les données sans qu'on lui donne les réponses : elle cherche elle-même les ressemblances.
Apprentissage auto-supervisé (self-supervised)
L'IA s'invente ses propres exercices à partir des données, par exemple en cachant un mot dans une phrase et en essayant de le deviner. C'est ainsi qu'apprennent les grands modèles de langage.
Apprentissage par renforcement
L'IA apprend par essais et récompenses : un signal positif quand elle agit bien, négatif quand elle se trompe.
RLHF (renforcement par retour humain)
Une méthode où des humains notent les réponses de l'IA pour lui apprendre à être utile, honnête et polie.
Données d'entraînement et données de test
On garde des exemples de côté pour vérifier le modèle : l'entraînement sert à apprendre, le test à mesurer ce qu'il a vraiment compris.
Époque (epoch)
Un passage complet de l'IA sur l'ensemble des données d'entraînement. On en répète souvent plusieurs.
Apprentissage par transfert (transfer learning)
Réutiliser une IA déjà entraînée pour l'appliquer à un sujet proche, sans tout recommencer.
Ajustement fin (fine-tuning)
Perfectionner un modèle déjà entraîné pour le spécialiser dans un domaine précis.
LoRA (ajustement léger)
Une technique pour spécialiser un grand modèle en ne modifiant qu'une petite partie de ses réglages : plus rapide et moins coûteux.
🔍 Niveau 3 — Ce que l'IA sait faire
Prédiction
Estimer un résultat à partir de ce qui a été appris : prévoir la météo de demain.
Régression
Prédire un nombre, comme le prix d'une maison selon sa taille.
Classification
Ranger des éléments dans des catégories.
📥 Trier des courriels entre « importants » et « publicité ».
Regroupement (clustering)
Réunir automatiquement ce qui se ressemble, sans étiquettes données à l'avance.
Détection d'anomalie
Repérer ce qui sort de l'ordinaire : une transaction bancaire suspecte, par exemple.
Système de recommandation
Une IA qui propose des contenus susceptibles de te plaire, d'après ce que tu as déjà aimé.
Vision par ordinateur
Le domaine qui apprend aux IA à analyser et comprendre images et vidéos.
Reconnaissance d'images
Identifier ce que contient une image : un objet, un animal, une personne.
OCR (reconnaissance optique de caractères)
Lire le texte présent sur une image ou une photo de document.
Reconnaissance vocale
Transformer la parole en texte pour comprendre ce qu'une personne dit à voix haute.
Synthèse vocale (text-to-speech)
L'inverse : transformer un texte écrit en voix qui le lit à haute voix.
Traitement du langage naturel (NLP)
L'ensemble des techniques qui permettent à une IA de comprendre et de produire le langage humain.
Traduction automatique
Convertir un texte d'une langue vers une autre.
IA générative
Une IA dont la fonction est de créer du contenu nouveau : texte, image, son, vidéo.
Génération d'images
Créer des images entièrement nouvelles à partir d'une description écrite.
💬 Niveau 4 — Les IA qui utilisent le langage
Grand modèle de langage (LLM)
Une IA spécialisée dans le texte, entraînée sur d'énormes quantités d'écrits. Elle comprend, rédige et discute.
Modèle de fondation (foundation model)
Un très grand modèle, entraîné une fois sur d'immenses données, qui sert ensuite de base à de multiples usages.
Multimodal
Se dit d'une IA capable de traiter plusieurs types de données à la fois : texte, image, son.
Prompt
La consigne ou la question que tu donnes à l'IA. Sa précision influence beaucoup la réponse.
Ingénierie de prompt (prompt engineering)
L'art de bien formuler ses demandes pour obtenir de meilleures réponses.
Prompt système (system prompt)
Une consigne de fond, invisible pour l'utilisateur, qui fixe le rôle et les règles de l'IA pour toute la conversation.
Zero-shot et few-shot
Zero-shot : l'IA répond sans qu'on lui ait montré d'exemple. Few-shot : on lui donne quelques exemples dans la consigne pour la guider.
Raisonnement en chaîne (chain-of-thought)
Demander à l'IA de réfléchir étape par étape, ce qui améliore ses réponses sur les problèmes complexes.
Token
L'unité de base que l'IA utilise pour lire le texte : un mot entier ou un fragment de mot.
Tokenisation
L'opération qui découpe un texte en tokens avant le traitement.
Fenêtre de contexte
La quantité de texte que l'IA peut garder « en tête » en même temps. Au-delà, elle oublie le début.
Température (temperature)
Un réglage qui décide si l'IA répond de façon prudente et prévisible (basse) ou plus créative et variée (haute).
Embedding (représentation vectorielle)
La conversion des mots en suites de nombres ; les mots de sens proche reçoivent des nombres proches.
Base de données vectorielle
Un entrepôt spécial qui range des embeddings pour retrouver très vite les informations qui se ressemblent.
RAG (génération augmentée par récupération)
Une technique où l'IA va d'abord chercher des informations fiables dans des documents, puis s'en sert pour rédiger une réponse plus exacte.
📚 Comme un élève qui ouvre son manuel avant de répondre, au lieu de réciter de mémoire.
Limite de connaissances (knowledge cutoff)
La date après laquelle l'IA n'a plus rien appris. Elle ignore donc les événements survenus ensuite.
Hallucination
Quand une IA produit une information fausse tout en paraissant sûre d'elle. D'où l'importance de vérifier.
🦾 Niveau 5 — Agents, outils et connexions
Agent IA
Une IA capable d'enchaîner plusieurs actions pour atteindre un but, et non seulement de répondre.
🦾 Elle peut chercher une information, l'analyser, puis rédiger un résumé, étape après étape.
Utilisation d'outils (function calling)
La capacité d'une IA à se servir de programmes extérieurs (calculatrice, recherche web, agenda) pour accomplir une tâche qu'elle ne pourrait pas faire seule.
Serveur MCP (Model Context Protocol)
Une façon standardisée de relier une IA à des outils et à des sources de données extérieures. Le serveur MCP joue le rôle de prise universelle : une fois branché, l'IA peut consulter un agenda, lire des fichiers ou interroger un service, toujours de la même manière.
🔌 C'est comme une prise normalisée : peu importe l'appareil, il se branche de la même façon.
Connecteur
Le lien concret qui rattache l'IA à une application précise (messagerie, stockage, agenda) pour qu'elle puisse y agir.
Orchestration
La coordination de plusieurs modèles, outils ou étapes pour mener à bien une tâche complexe.
Flux agentique (agentic workflow)
Une suite d'étapes qu'un agent IA exécute en partie tout seul : planifier, agir, vérifier, recommencer si besoin.
Autonomie
Le degré de liberté laissé à une IA pour agir sans qu'un humain valide chaque étape.
API
Une porte d'entrée qui permet à un programme d'utiliser une IA : il envoie une demande et reçoit une réponse.
SDK
Une boîte à outils pour les développeurs, qui facilite l'intégration d'une IA dans leurs propres applications.
Point d'accès (endpoint)
L'adresse précise à laquelle on s'adresse pour utiliser un service ou un modèle d'IA.
⚙️ Niveau 6 — Sous le capot : le fonctionnement profond
Réseau de neurones
La structure mathématique au cœur de beaucoup d'IA, inspirée du cerveau humain.
Neurone artificiel
La plus petite unité de calcul d'un réseau. Seul, il fait peu ; reliés par millions, ces neurones traitent des problèmes difficiles.
Couche (layer)
Un étage de neurones. L'information passe d'une couche à la suivante en s'affinant.
Apprentissage profond (deep learning)
Un apprentissage automatique qui empile de nombreuses couches, pour comprendre des choses complexes comme un visage ou une langue.
Paramètres
Les valeurs internes du modèle qui s'ajustent à l'entraînement ; elles contiennent ce que l'IA a appris. Les grands modèles en comptent des milliards.
Poids (weights)
Des nombres indiquant l'importance de chaque information dans un calcul.
Fonction d'activation
Une petite règle qui décide si un neurone s'allume et transmet son information.
Fonction de perte (loss)
La mesure de l'erreur du modèle. Plus elle est faible, meilleures sont les réponses.
Descente de gradient
La méthode pour corriger les erreurs petit à petit.
⛰️ Le modèle ajuste ses réglages dans la direction qui diminue l'erreur, comme on descend une pente vers le point le plus bas.
Rétropropagation (backpropagation)
La technique qui remonte à travers les couches pour repérer quels réglages ont causé une erreur, afin de les corriger.
Hyperparamètre
Un réglage choisi par les humains avant l'entraînement, à distinguer des paramètres que l'IA apprend seule.
Transformer
Une architecture de réseau particulièrement efficace pour le langage, à l'origine des IA conversationnelles modernes.
Mécanisme d'attention
La capacité du modèle à se concentrer sur les mots les plus importants d'une phrase pour mieux la comprendre.
Réseau convolutif (CNN)
Un réseau spécialisé dans les images : il repère d'abord les détails, puis des éléments de plus en plus grands.
Réseau récurrent (RNN)
Un réseau adapté aux suites (phrases, sons) car il garde une mémoire de ce qui précède.
Réseau antagoniste (GAN)
Deux réseaux qui s'affrontent : l'un crée des images, l'autre tente de repérer les fausses. À force, le créateur devient très réaliste.
Modèle de diffusion
Une méthode de génération d'images qui part d'un brouillard de points au hasard et le nettoie peu à peu jusqu'à obtenir une image nette.
Quantification (quantization)
Simplifier les nombres d'un modèle pour qu'il occupe moins de place et réponde plus vite, en perdant un peu de précision.
Distillation
Entraîner un petit modèle à imiter un grand, pour obtenir une version plus légère et presque aussi performante.
Inférence
Le moment où le modèle entraîné est utilisé pour répondre. L'entraînement, c'est l'apprentissage ; l'inférence, la mise en pratique.
🏗️ Niveau 7 — Infrastructure et déploiement
Processeur graphique (GPU)
Une puce capable d'un très grand nombre de calculs en parallèle. Conçue d'abord pour les jeux vidéo, devenue essentielle pour l'IA.
Puce spécialisée (TPU, NPU)
Des puces conçues exprès pour l'IA, encore plus efficaces que les GPU pour ce type de calcul.
Puissance de calcul (compute)
La quantité de calculs nécessaire pour entraîner ou faire fonctionner une IA. Les grands modèles en demandent énormément.
Cloud (informatique en nuage)
Des ordinateurs puissants, accessibles par internet, qu'on loue pour entraîner ou héberger une IA sans posséder le matériel.
IA embarquée (edge AI)
Une IA qui fonctionne directement dans un appareil (téléphone, voiture) plutôt que sur des serveurs distants.
Déploiement
La mise à disposition réelle d'un modèle pour qu'on puisse s'en servir.
MLOps
L'ensemble des pratiques pour entraîner, déployer, surveiller et mettre à jour les modèles de façon fiable.
Latence
Le temps d'attente entre ta demande et la réponse de l'IA. Plus elle est faible, plus l'IA paraît rapide.
⚠️ Niveau 8 — Enjeux, sécurité et avenir
Biais
Une erreur systématique due à des données déséquilibrées. Si on ne lui a montré qu'un seul type d'exemple, l'IA généralisera à tort.
Surapprentissage (overfitting)
Quand un modèle a trop appris par cœur ses exemples et échoue dès qu'on change un peu la situation.
Explicabilité et boîte noire
Une IA est souvent une « boîte noire » : on voit sa réponse mais pas son raisonnement. L'explicabilité cherche à rendre ses décisions compréhensibles.
Deepfake
Une image, une vidéo ou une voix truquée par une IA pour faire croire qu'une personne a dit ou fait quelque chose de faux.
Injection de prompt (prompt injection)
Une attaque où l'on cache des instructions piégées dans un texte pour détourner une IA de sa mission.
Jailbreak
Une tentative de contourner les règles de sécurité d'une IA pour lui faire produire ce qui lui est normalement interdit.
Données personnelles et vie privée
Les informations qui te concernent (nom, visage, habitudes). Une IA ne devrait les utiliser qu'avec ton accord et en les protégeant.
Apprentissage fédéré (federated learning)
Une méthode où l'IA apprend sur plusieurs appareils sans rassembler les données personnelles au même endroit, pour mieux protéger la vie privée.
Éthique de l'IA
La réflexion sur ce qu'il est juste ou non de faire avec l'IA : être honnête, ne pas tromper, ne pas nuire, respecter les personnes.
IA responsable
La mise en pratique de cette éthique : concevoir et utiliser des IA sûres, justes et transparentes.
Empreinte énergétique
Entraîner et utiliser de grandes IA consomme beaucoup d'électricité ; c'est un coût pour l'environnement à prendre en compte.
Test de Turing
Une épreuve proposée par Alan Turing : si une personne discute avec une machine sans distinguer ses réponses de celles d'un humain, la machine a réussi le test.
IA faible et IA forte
L'IA faible est spécialisée dans une seule tâche, comme jouer aux échecs : c'est ce qui existe aujourd'hui. L'IA forte (ou IA générale, AGI) serait aussi polyvalente qu'un humain ; elle reste hypothétique.
Singularité
L'idée qu'une IA pourrait un jour dépasser l'intelligence humaine et progresser seule. C'est une hypothèse débattue, pas une réalité.
💡 L'essentiel à retenir
L'intelligence artificielle est un outil puissant conçu par des humains. Elle peut accomplir des choses remarquables, mais :
- elle ne sait pas tout et peut se tromper ;
- ses réponses méritent d'être vérifiées ;
- ce sont les humains qui décident de la manière de l'utiliser.
Comprendre comment elle fonctionne, c'est pouvoir l'utiliser avec discernement plutôt que de la subir.
Glossaire : 110 termes, classés du plus simple au plus complexe.