Algorithme
Ensemble d’instructions ou de règles qu’un ordinateur suit pour effectuer une tâche particulière. En IA, les algorithmes sont utilisés pour traiter les données et prendre des décisions.
Apprentissage automatique (Machine learning)
Sous-domaine de l’IA dans lequel les systèmes informatiques apprennent et s’améliorent automatiquement sans être explicitement programmés. Ils utilisent des données et des algorithmes pour faire des prédictions et prendre des décisions.
Apprentissage non supervisé (Unsupervised learning)
Type d’apprentissage automatique dans lequel l’algorithme utilise des données non étiquetées et recherche des patterns et des structures sans connaissances ou cibles préalables. Cela peut aider à révéler des insights et à regrouper des données.
Apprentissage par renforcement (Reinforcement learning)
Type d’apprentissage automatique dans lequel un agent apprend à effectuer des actions dans un environnement pour atteindre un certain objectif. Il apprend grâce à des interactions répétées et à un retour d’information sous forme de récompenses et de punitions.
Apprentissage profond (Deep learning)
Sous-ensemble de l’apprentissage automatique dans lequel des algorithmes complexes fonctionnent avec plusieurs couches de réseaux neuronaux. L’apprentissage profond est utilisé pour des tâches telles que la reconnaissance d’images et la reconnaissance vocale.
Apprentissage semi-supervisé (Semi-supervised learning)
Combinaison de l’apprentissage supervisé et non supervisé, dans lequel l’algorithme est entraîné avec une petite quantité de données étiquetées et une grande quantité de données non étiquetées. L’algorithme peut classer des données inédites à l’aide des modèles appris.
Apprentissage supervisé (Supervised learning)
Un type d’apprentissage automatique dans lequel l’algorithme est entraîné avec des données étiquetées qui fournissent la réponse souhaitée pour chaque entrée. L’objectif est d’apprendre une fonction capable de classer ou de prédire correctement de nouvelles données inédites.
Biais
Dans le contexte de l’IA, le terme « biais » fait référence au phénomène selon lequel les algorithmes présentent des biais indésirables basés sur des facteurs tels que l’appartenance ethnique, le sexe ou d’autres caractéristiques démographiques. Cela peut conduire à des traitements injustes ou des inégalités.
Big data
Terme désignant des ensembles de données extrêmement vastes et complexes qui ne peuvent pas être facilement gérés, traités ou analysés à l’aide des méthodes traditionnelles de traitement des données. Les techniques d’IA sont souvent utilisées pour extraire des informations précieuses des big data.
Chatbot
Programme d’IA capable de mener des conversations automatisées avec des utilisateurs, souvent par le biais de textes. Les chatbots peuvent répondre à des questions, fournir un service à la clientèle et effectuer des tâches basées sur le langage naturel.
Classification
Tâche dans laquelle l’IA est utilisée pour classer des objets, des textes ou des points de données dans différentes catégories ou classes. Par exemple, classer des images comme « chat » ou « chien ».
Deepfakes
Forme de média synthétique qui se réfère spécifiquement à des contenus multimédias (vidéos, images, audio) générés par l’IA pour créer une illusion trompeuse de personnes ou de situations inexistantes. Les deepfakes sont souvent utilisés pour superposer le visage et la voix de personnes sur des vidéos existantes, créant ainsi des scénarios fictifs.
Données (Data)
Informations collectées, telles que du texte, des images, des sons ou des vidéos. Les données sont utilisées pour entraîner les modèles d’IA.
Entraînement (Training)
Processus par lequel un modèle d’IA est alimenté en données afin de lui permettre d’apprendre et de l’optimiser. Le modèle s’adapte aux données et apprend à reconnaître des patterns.
Éthique de l’IA
L’éthique de l’IA concerne les implications morales et sociales de l’utilisation de l’intelligence artificielle. Cela inclut les questions de responsabilité, de vie privée et de transparence que les juristes doivent impérativement comprendre dans le cadre des questions juridiques liées à l’IA.
Hallucination
En IA, une « hallucination » se réfère à une situation où un modèle génère des informations fausses ou non fondées, souvent en réponse à un prompt ou une question. Cela peut arriver quand l’IA « imagine » des détails ou des faits qui ne sont pas soutenus par les données sur lesquelles elle a été entraînée.
Intelligence artificielle (IA)
Capacité des machines à effectuer des tâches qui requièrent normalement l’intelligence humaine, telles que l’apprentissage, le raisonnement, la résolution de problèmes, la reconnaissance vocale, la reconnaissance d’images et la prise de décision.
Intelligence artificielle générative
Modèles d’IA capables de produire de nouveaux contenus, tels que des images, des textes, des musiques ou des vidéos. Contrairement aux modèles classiques qui effectuent des tâches spécifiques, les IA génératives ont pour but de créer du contenu original en s’appuyant sur les schémas appris à partir de données d’entraînement. Ces modèles peuvent être utilisés pour générer des créations artistiques, des simulations ou des résultats divers en imitant le style et la structure des données fournies lors de leur apprentissage.
Intelligence générale artificielle (Artificial General Intelligence (AGI))
Forme d’intelligence artificielle similaire à l’intelligence humaine et capable d’effectuer un large éventail de tâches comme le ferait un être humain.
Interprétabilité de l’IA
La mesure dans laquelle un être humain peut comprendre comment un modèle d’IA prend ses décisions. L’interprétabilité est essentielle pour la confiance et l’éthique dans les applications d’IA.
Médias synthétiques
Contenus générés par ordinateur, tels que des images, des vidéos, des sons ou des textes, qui imitent des contenus réels. Ces médias sont produits à l’aide de techniques d’IA pour créer des résultats visuels ou auditifs très proches de la réalité.
Prédiction
Utilisation de l’IA pour prédire des résultats futurs sur la base de données historiques. Cela peut s’appliquer à différents domaines, tels que la finance ou les soins de santé.
Prompt
Un prompt est une instruction ou une entrée spécifique donnée à un modèle de langage pour générer le comportement ou la réponse souhaitée. Elle est souvent utilisée dans les modèles linguistiques génératifs tels que ChatGPT pour générer du texte en fonction d’un contexte donné.
Recherche d’architecture neuronale (Neural architecture search)
Processus dans lequel des algorithmes d’IA sont utilisés pour trouver l’architecture optimale d’un modèle de réseau neuronal, y compris le nombre de couches, le nombre de neurones par couche, etc. L’objectif est de créer des modèles plus performants.
Réseau neuronal
Algorithme informatique inspiré du fonctionnement du cerveau humain. Il se compose de plusieurs couches de neurones artificiels qui transmettent et traitent des informations pour comprendre des modèles complexes et faire des prédictions.
Réseaux antagonistes génératifs (Generative Adversarial Networks (GAN))
Ensemble de réseaux neuronaux qui travaillent ensemble pour générer de nouvelles données similaires à un lot d’apprentissage donné. Un réseau générateur tente de générer des données réalistes, tandis qu’un réseau discriminateur tente de distinguer les données réelles des données fictives.
Réseaux neuronaux convolutifs (Convolutional Neural Networks (CNN))
Type de réseau neuronal largement utilisé pour les tâches de reconnaissance d’images. Les CNN utilisent des couches convolutives pour détecter et apprendre les caractéristiques des images.
Robotique
Branche de l’IA qui s’occupe de la conception, de la construction et de la programmation de robots. Elle combine souvent d’autres techniques d’IA telles que l’apprentissage automatique et la vision par ordinateur pour aider les robots à réagir à leur environnement et à accomplir des tâches.
Surajustement (Overfitting)
Phénomène qui se produit lorsqu’un modèle d’apprentissage automatique apprend trop de choses à partir des données d’entraînement et qu’il donne donc de mauvais résultats sur de nouvelles données inédites. Le modèle s’adapte trop aux données d’apprentissage et perd sa capacité de généralisation.
Traitement du langage naturel (Natural Language Processing (NLP))
Sous-domaine de l’IA qui se concentre sur l’interaction entre les ordinateurs et le langage humain. Il comprend des tâches telles que la reconnaissance vocale, la traduction et l’analyse des sentiments.
Transformers
Modèle d’IA utilisé pour le traitement du langage naturel (NLP) et d’autres tâches. Contrairement aux GAN’s, les transformers se fondent sur un mécanisme d’attention pour capturer les dépendances à longue distance dans les données. Leur architecture parallèle leur permet d’atteindre des performances exceptionnelles dans la compréhension du langage et d’autres domaines.
