Glossaire
Pour vous aider à comprendre un écosystème qui, à première vue, semble excessivement technique et complexe, nous avons compilé une liste non exhaustive de définitions brèves et claires des termes utilisés dans le domaine de l'intelligence artificielle générative.
Révolution Industrielle de l'IA
La Révolution Industrielle de l'IA fait référence à la transformation significative des industries et des économies engendrée par l'adoption et l'intégration des technologies de l'intelligence artificielle. Cette révolution est caractérisée par l'utilisation extensive de l'IA pour automatiser les tâches, améliorer la productivité et favoriser l'innovation dans divers secteurs, semblable à l'impact des révolutions industrielles précédentes.
Intelligence Artificielle Générale (AGI)
L'AGI, ou Intelligence Artificielle Générale, fait référence à une forme théorique d'intelligence artificielle qui a la capacité de comprendre, d'apprendre et d'appliquer son intelligence de manière large et flexible, un peu comme un humain. Contrairement aux systèmes d'IA spécialisés conçus pour des tâches spécifiques (comme la traduction de langues, le jeu d'échecs ou la reconnaissance d'images), l'AGI aurait la capacité d'apprendre et d'exceller dans une large gamme de tâches cognitives, de s'adapter à de nouveaux environnements, de résoudre des problèmes et, pour certains - bien que cela soit fortement débattu -, même de posséder une conscience de soi et une compréhension émotionnelle.
Vision par Ordinateur
La Vision par Ordinateur est un domaine de l'intelligence artificielle qui entraîne les ordinateurs à interpréter et comprendre le monde visuel. En utilisant des images numériques provenant de caméras et de vidéos et des modèles d'apprentissage profond, les machines peuvent identifier et classifier avec précision les objets — et réagir ensuite à ce qu'elles "voient".
Vectorisation des Données et Augmentation de l'IA
La vectorisation des données fait référence au processus de conversion des données brutes en une représentation numérique pouvant être traitée par des algorithmes d'apprentissage automatique. Ces données peuvent ensuite être exploitées pour produire des résultats beaucoup plus fiables et fournir une indication transparente des sources des informations produites par l'IA. Nous appelons cela un modèle d'IA augmenté.
Apprentissage Profond
L'Apprentissage Profond est une sous-catégorie de l'apprentissage automatique basée sur des réseaux de neurones artificiels. Cette méthode d'apprentissage imite le fonctionnement du cerveau humain dans le traitement des données et la création de modèles pour la prise de décision. L'apprentissage profond est particulièrement utile pour la détection de caractéristiques à partir de données brutes et non structurées.
Disruption Numérique
La disruption numérique fait référence aux changements qui se produisent lorsque de nouvelles technologies numériques et de nouveaux modèles commerciaux affectent la proposition de valeur des biens et services existants. Elle est souvent observée lorsqu'une technologie innovante modifie rapidement et de manière significative les méthodes traditionnelles dans une industrie, pouvant potentiellement remplacer les entreprises établies.
Transformation Numérique
La Transformation Numérique est le processus d'utilisation des technologies numériques pour créer de nouveaux — ou modifier des processus commerciaux existants, des cultures et des expériences client pour répondre aux exigences changeantes des affaires et du marché. Cette réinvention des affaires à l'ère numérique est la transformation numérique.
Ajustement Fin
L'ajustement fin dans l'IA consiste à prendre un modèle d'IA qui a déjà beaucoup appris à partir d'un ensemble de données général et à lui enseigner davantage sur un sujet spécifique ou un type de données spécifique. C'est comme avoir un élève qui est bon dans de nombreuses matières, puis lui donner des leçons supplémentaires dans une matière, comme les mathématiques, pour le rendre encore meilleur. Cela aide l'IA à comprendre et à accomplir des tâches liées à ce sujet spécifique de manière beaucoup plus précise.
Intelligence Artificielle Générative (IA Générative)
L'IA générative fait référence à une catégorie d'algorithmes d'intelligence artificielle conçus pour générer de nouveaux échantillons de données qui imitent les caractéristiques d'un ensemble de données donné. Ces algorithmes apprennent les modèles et les structures à partir de données existantes et utilisent ensuite ces connaissances pour créer de nouveaux échantillons de données originaux. Les modèles d'IA générative sont capables de générer divers types de contenu, y compris des images, du texte, de la musique et même des vidéos.
Hallucination en IA
En IA, l'hallucination fait référence à une situation où un modèle génère des informations incorrectes, fabriquées ou non pertinentes. Cela se produit souvent dans les modèles de langage complexes ou les modèles de génération d'images, où l'IA produit des résultats qui ne sont pas basés sur les données d'entrée ou la réalité.
IoT (Internet des Objets)
L'Internet des Objets, ou IoT, fait référence au réseau d'objets physiques — "objets" — qui sont intégrés avec des capteurs, des logiciels et d'autres technologies dans le but de se connecter et d'échanger des données avec d'autres appareils et systèmes sur Internet. Ces objets peuvent aller des articles ménagers ordinaires aux outils industriels sophistiqués.
Modèles de Langage à Grande Échelle (LLM)
Les modèles de langage à grande échelle (LLM) sont un type de système d'intelligence artificielle entraîné sur des quantités massives de données textuelles pour comprendre et générer un langage humain semblable à celui des humains. Ces modèles sont conçus pour traiter et générer du texte en langage naturel. ChatGPT est basé sur un LLM.
Low-code
Le low-code est une approche contemporaine du développement d'applications qui minimise la dépendance à un codage intensif. Avec les plateformes low-code, vous pouvez construire et personnaliser les fonctionnalités des applications en utilisant des interfaces visuelles et des composants préconstruits, réduisant ainsi le besoin de codage manuel intensif. C'est comme construire un bâtiment avec des modules préfabriqués, où les développeurs peuvent assembler divers éléments pour former l'architecture souhaitée de l'application. Le low-code est particulièrement bénéfique pour les développeurs ayant des compétences de codage modérées ou une expertise dans un domaine spécifique, mais qui ne sont pas nécessairement des programmeurs chevronnés. De plus, les développeurs expérimentés apprécient souvent les plateformes low-code pour rationaliser le processus de développement itératif et améliorer la productivité grâce à une création et un déploiement rapides de prototypes.
Apprentissage Automatique
L'apprentissage automatique est une sous-catégorie de l'IA qui donne aux systèmes la capacité d'apprendre automatiquement et de s'améliorer à partir de l'expérience sans être explicitement programmés. Il se concentre sur le développement de programmes informatiques capables d'accéder aux données et de les utiliser pour apprendre par eux-mêmes.
IA Multimodale
L'IA multimodale fait référence à des modèles d'intelligence artificielle capables de traiter et de comprendre plusieurs types de données, telles que des images, du texte et de l'audio, de manière unifiée. Ces modèles combinent des techniques de vision par ordinateur, de traitement du langage naturel et de traitement audio pour analyser et générer du contenu à partir de différentes modalités.
Modèles de Réseaux Neuronaux
Les modèles de réseaux neuronaux sont une classe d'algorithmes d'apprentissage automatique inspirés par la structure et le fonctionnement du cerveau humain. Ces modèles se composent de nœuds interconnectés, appelés neurones, organisés en couches. Chaque neurone reçoit une entrée, la traite et produit une sortie, qui est ensuite transmise à la couche suivante. Les modèles de réseaux neuronaux sont capables d'apprendre des modèles et des relations complexes dans les données sans être explicitement programmés. Ils ont été appliqués avec succès à diverses tâches, y compris la reconnaissance d'images, la reconnaissance vocale, le traitement du langage naturel, et bien d'autres. Des exemples de modèles de réseaux neuronaux incluent les réseaux de neurones à propagation avant, les réseaux de neurones convolutifs (CNN), les réseaux de neurones récurrents (RNN) et les transformateurs.
Traitement du Langage Naturel (NLP)
Le NLP, ou traitement du langage naturel, est un domaine de l'intelligence artificielle (IA) qui se concentre sur l'interaction entre les ordinateurs et les humains à travers le langage naturel. L'objectif du NLP est de permettre aux ordinateurs de comprendre, d'interpréter et de générer un langage humain de manière significative et utile. Les techniques de NLP sont utilisées dans diverses applications telles que la traduction de langues, l'analyse de sentiments, la synthèse de textes, la reconnaissance vocale, et bien plus encore.
No-Code
Le no-code est une manière moderne de créer des applications sans avoir besoin de coder de manière complexe. Avec le no-code, vous pouvez concevoir et construire les fonctionnalités de votre application en connectant différents éléments à l'aide de simples clics au lieu d'écrire des lignes de code. C'est comme assembler des blocs sur une toile numérique. Le no-code est particulièrement utile pour les professionnels qui ne sont pas des programmeurs experts mais qui ont une vision claire des exigences de leur application. De plus, même les programmeurs expérimentés trouvent que l'utilisation du no-code rend la modification et la mise à jour des applications plus rapides et plus efficaces.
Intégration On-premises
L'intégration on-premises fait référence au processus
d'intégration de divers logiciels et systèmes au sein des locaux physiques d'une organisation, plutôt que de s'appuyer sur des solutions externes ou basées sur le cloud. Cela implique souvent la mise en place de serveurs, de bases de données et d'applications en interne, permettant ainsi un plus grand contrôle des données et de l'infrastructure.
Ingénierie des Prompts
L'ingénierie des prompts est le processus de structuration du texte qui peut être interprété et compris par un modèle d'IA générative. Plus l'instruction (prompt) est précise, meilleure sera la sortie. Un prompt bien conçu peut améliorer considérablement la qualité et la spécificité des résultats de l'IA, tout comme des instructions claires et concises aident une personne à comprendre et à accomplir une tâche plus efficacement.
Génération Augmentée par Récupération (RAG)
La génération augmentée par récupération (RAG) est une technique en IA, en particulier dans les modèles de langage, où le système améliore sa génération de réponses en récupérant des informations d'une grande base de données ou d'une collection de documents. Cela permet au modèle de fournir des sorties plus précises, détaillées et contextuellement pertinentes.
Agents IA Spécialisés
Un assistant IA spécialisé consiste simplement en un chatbot placé dans un contexte prédéfini (un site web, un sujet, une situation spécifique) qui répond en conséquence sans que l'utilisateur ait à fournir une instruction complexe (prompt). Avec des assistants IA spécialisés, vous pouvez interagir intuitivement et obtenir le résultat dont vous avez besoin en quelques secondes. Les réponses d'un agent IA spécialisé sont moins sujettes aux hallucinations, mais peuvent toujours produire des informations incorrectes à moins d'être connectées à un modèle d'IA augmenté.
Apprentissage Supervisé
L'apprentissage supervisé est un type d'apprentissage automatique où le modèle est entraîné sur des données étiquetées. Les données d'entraînement comprennent des paires entrée-sortie, où le modèle apprend à faire des prédictions ou des décisions basées sur ces données connues.
Apprentissage Non Supervisé
L'apprentissage non supervisé est un type d'apprentissage automatique qui utilise des données sans réponses étiquetées. Le système essaie d'apprendre les motifs et la structure à partir de ces données par lui-même, souvent pour découvrir des motifs cachés ou des regroupements dans les données.
