Les informations utilisées pour entraîner et faire fonctionner les systèmes d'IA. Elles peuvent être évidentes comme des photos de visages, des transactions bancaires, des vibrations de machines ou des motifs répétitifs. Mais elles peuvent aussi être surprenantes : la corrélation entre boire un café sans lait le mardi matin, l'humidité et avoir oublié d'acheter du lait ; la vitesse de parole qui révèle le stress ; le rythme cardiaque détecté par caméra infrarouge sur le visage ; ou la fatigue d'un conducteur mesurée par ses mouvements oculaires et sa posture. La qualité et la diversité de ces données déterminent largement les performances d'un système d'IA.
Algorithme
Un ensemble d'instructions précises qu'un ordinateur suit pour résoudre un problème ou accomplir une tâche. C'est comme une recette de cuisine : chaque étape est décrite clairement pour arriver au résultat souhaité.
Puissance de calcul
La capacité d'un ordinateur à effectuer des opérations mathématiques rapidement. Plus la puissance de calcul est élevée, plus l'ordinateur peut traiter d'informations complexes en peu de temps.
Intelligence artificielle (IA)
La capacité d'un ordinateur à effectuer des tâches qui demandent normalement l'intelligence humaine, comme reconnaître des images, comprendre le langage ou prendre des décisions. L'IA imite certaines façons de penser des humains.
Apprentissage automatique
Une méthode qui permet aux ordinateurs d'apprendre et de s'améliorer automatiquement à partir d'exemples, sans être programmés explicitement pour chaque situation. L'ordinateur trouve des modèles dans les données pour faire des prédictions.
Jeux de données d'entraînement
Les collections d'exemples utilisées pour enseigner à un système d'IA comment effectuer une tâche. La qualité et la diversité de ces données déterminent largement les performances et l'équité du système final.
Réseau de neurones artificiels
Un système informatique inspiré du fonctionnement du cerveau humain. Il est composé de nombreux éléments simples connectés entre eux qui travaillent ensemble pour traiter des informations et apprendre des modèles.
Apprentissage supervisé
Une méthode d'entraînement où l'IA apprend à partir d'exemples qui incluent à la fois les questions et les bonnes réponses, comme montrer à un système des photos de chats étiquetées « chat » pour qu'il apprenne à les reconnaître.
Apprentissage non supervisé
Une méthode où l'IA trouve des modèles et des structures dans des données sans qu'on lui dise ce qu'elle doit chercher. C'est comme demander à quelqu'un de trouver des groupes naturels dans une collection d'objets sans lui dire les critères de regroupement.
Apprentissage par renforcement
Une méthode d'apprentissage où un système d'IA apprend en essayant différentes actions et en recevant des récompenses ou des punitions selon les résultats, comme un enfant qui apprend par essais et erreurs.
IA étroite
Des systèmes d'IA conçus pour exceller dans une tâche spécifique et limitée, comme jouer aux échecs, reconnaître des visages ou traduire des textes. C'est le type d'IA le plus courant aujourd'hui.
Vision par ordinateur
La capacité d'un ordinateur à « voir » et comprendre des images ou des vidéos, comme reconnaître des visages, lire du texte sur une photo ou identifier des objets dans une scène. Cette application fait partie des catégories de projets IA dans notre typologie.
Traitement du langage naturel
La capacité d'un ordinateur à comprendre, interpréter et générer le langage humain tel qu'il est naturellement parlé ou écrit, incluant les nuances, le contexte et les subtilités de la communication. Cette application fait partie des catégories de projets IA dans notre typologie.
Robotique
Le domaine qui combine l'IA avec des machines physiques capables de se déplacer et d'interagir avec le monde réel, comme les robots industriels, les voitures autonomes ou les assistants domestiques. Cette application fait partie des catégories de projets IA dans notre typologie.
Apprentissage semi-supervisé
Une méthode d'entraînement qui combine quelques exemples étiquetés avec beaucoup de données non étiquetées. C'est utile quand il est coûteux ou difficile d'obtenir des exemples étiquetés pour tous les cas.
Apprentissage profond
Une méthode d'IA qui utilise des réseaux de neurones très complexes avec de nombreuses couches pour apprendre des modèles sophistiqués dans les données. C'est ce qui permet aux ordinateurs de reconnaître la parole ou de traduire des langues.
IA générative
Des systèmes d'IA capables de créer du nouveau contenu original, comme écrire des textes, générer des images, composer de la musique ou produire des vidéos à partir d'instructions simples.
Ajustement fin
Le processus d'amélioration d'un système d'IA déjà entraîné en lui donnant des exemples spécifiques pour qu'il devienne meilleur dans une tâche particulière.
Recherche vectorielle
Une méthode qui permet de trouver des informations similaires en représentant les données sous forme de vecteurs mathématiques dans un espace multidimensionnel.
Unités de traitement graphique
Des composants informatiques spécialement conçus pour traiter rapidement de grandes quantités de données en parallèle.
Transformateurs
Une architecture de réseau de neurones particulièrement efficace pour traiter des séquences de données comme le texte.
Modèles de base
Des systèmes d'IA très puissants entraînés sur d'énormes quantités de données et qui peuvent être adaptés pour de nombreuses tâches différentes.
Grands modèles de langage
Des systèmes d'IA entraînés sur d'énormes quantités de texte pour comprendre et générer du langage humain de manière très sophistiquée.
RAG (Génération augmentée par récupération)
Une technique qui combine un système de recherche d'informations avec un modèle génératif d'IA pour générer une réponse précise et à jour.
IA polyvalente
Un système d'IA capable de s'adapter et de réaliser efficacement de nombreuses tâches différentes.
Réseaux antagonistes génératifs
Un système où deux IA s'entraînent ensemble : l'une crée du faux contenu tandis que l'autre essaie de détecter ce qui est faux.
Open source
Des logiciels dont le code source est librement accessible, modifiable et distribuable par tous.
Technologie éducative
L'utilisation d'outils numériques et d'IA pour améliorer l'apprentissage et l'enseignement.
Prise de décision automatisée
Quand un système informatique prend des décisions importantes sans intervention humaine directe.
Hallucinations
Quand un système d'IA génère des informations qui semblent plausibles mais qui sont en réalité fausses ou inventées.
Biais algorithmique
Quand un système informatique prend des décisions injustes ou discriminatoires envers certains groupes de personnes.
Interprétabilité
La capacité à comprendre comment et pourquoi un système d'IA prend ses décisions.
Hypertrucages (Deepfakes)
Des vidéos ou images modifiées par IA pour faire dire ou faire des choses à des personnes qu'elles n'ont jamais réellement dites ou faites.
Mésinformation
La diffusion de fausses informations, que ce soit intentionnellement ou par erreur.
Désinformation
La diffusion intentionnelle de fausses informations dans le but de tromper les gens ou de manipuler l'opinion publique.
IA responsable
Le développement et l'utilisation de l'intelligence artificielle de manière éthique, transparente et bénéfique pour la société.
IA de pointe
Les systèmes d'intelligence artificielle les plus avancés et puissants, qui repoussent les limites de ce que l'IA peut accomplir.
Intelligence artificielle générale
Un type d'IA qui pourrait comprendre, apprendre et réaliser n'importe quelle tâche intellectuelle aussi bien qu'un être humain.
Superintelligence
Une intelligence artificielle hypothétique qui dépasserait largement l'intelligence humaine dans tous les domaines.
