Lexique de l'intelligence artificielle · 22 entrées
Des centaines de termes techniques expliqués en clair : des bases du machine learning aux concepts les plus avancés des LLM actuels. IADictionnaire.fr, la référence francophone du vocabulaire IA.
n. m. · Large Language Model
Réseau de neurones entraîné sur d'immenses corpus de texte pour prédire le mot suivant. De cette tâche simple émergent la rédaction, le résumé ou la traduction.
Un diagnostic simple pour savoir où vous en êtes, quoi essayer en premier et ce qu'il faut vérifier avant de confier vos données.
Le lexique
22 entrées
Ensemble de techniques permettant à une machine de réaliser des tâches associées à l'intelligence humaine : reconnaître, raisonner, décider, générer. Terme générique qui recouvre des approches très différentes (règles, statistiques, apprentissage automatique).
FondamentauxBranche de l'IA où un modèle apprend des régularités à partir de données plutôt que de suivre des règles écrites à la main. Ses performances dépendent directement de la quantité et de la qualité des données vues.
FondamentauxSous-domaine du machine learning fondé sur des réseaux de neurones à nombreuses couches. C'est l'approche derrière la plupart des systèmes modernes de vision, de parole et de langage.
FondamentauxModèle composé de couches d'unités (« neurones ») reliées par des poids ajustables. Il transforme une entrée en sortie par une suite de multiplications et de fonctions non linéaires, les poids étant appris pendant l'entraînement.
FondamentauxValeur numérique interne (un poids) ajustée pendant l'entraînement. La « taille » d'un modèle se compte souvent en milliards de paramètres ; plus n'est pas toujours mieux, mais cela indique sa capacité brute.
FondamentauxRéseau de neurones entraîné sur d'immenses corpus de texte pour prédire le mot suivant. De cette tâche simple émergent des capacités de rédaction, de résumé, de traduction ou de raisonnement approximatif.
Modèles & archi.Architecture de réseau introduite en 2017 (« Attention Is All You Need ») reposant sur le mécanisme d'attention. Elle est devenue la base des LLM, des modèles d'image et de bien d'autres systèmes.
Modèles & archi.Mécanisme qui permet au modèle de pondérer l'importance relative des différents éléments d'une séquence. C'est lui qui aide un LLM à relier un pronom au bon mot, parfois très loin dans le texte.
Modèles & archi.Unité de base manipulée par un modèle de langage : un mot, un fragment de mot ou un caractère. Le texte est découpé en tokens avant traitement ; la longueur et le coût d'usage se mesurent en tokens.
Modèles & archi.Quantité maximale de tokens qu'un modèle peut prendre en compte d'un coup (la question, l'historique, les documents fournis). Au-delà, le modèle « oublie » le début ou tronque l'entrée.
Modèles & archi.Représentation d'un mot, d'une phrase ou d'une image sous forme de vecteur de nombres. Des contenus de sens proche obtiennent des vecteurs proches, ce qui permet la recherche par similarité.
Données & entraînementCorpus à partir duquel le modèle apprend. Ses biais, ses lacunes et sa date d'arrêt déterminent ce que le modèle sait et ignore : un modèle ne connaît pas les faits postérieurs à ses données.
Données & entraînementPoursuite de l'entraînement d'un modèle déjà pré-entraîné sur un jeu de données ciblé, pour le spécialiser (un ton, un domaine, une tâche) sans repartir de zéro.
Données & entraînementApprentissage par renforcement à partir de retours humains : des évaluateurs classent les réponses du modèle, et ces préférences servent à l'orienter vers des sorties plus utiles et plus sûres.
Données & entraînementInstruction ou question fournie au modèle. La formulation du prompt influence fortement la qualité de la réponse ; concevoir de bons prompts est une compétence à part entière (« prompt engineering »).
Mise en œuvreGénération augmentée par récupération : avant de répondre, le système va chercher des documents pertinents (souvent via des embeddings) et les fournit au modèle. Cela ancre les réponses sur des sources réelles et limite l'invention.
Mise en œuvrePhase d'utilisation d'un modèle déjà entraîné : on lui soumet une entrée et il produit une sortie. À distinguer de l'entraînement, beaucoup plus coûteux, qui n'a lieu qu'une fois.
Mise en œuvreRéglage qui contrôle le degré de hasard d'un modèle génératif. Basse, les réponses sont prudentes et répétables ; haute, elles sont plus variées mais aussi plus risquées.
Mise en œuvreSe dit d'un modèle capable de traiter plusieurs types de données — texte, image, audio, vidéo — dans un même système, par exemple décrire une photo ou répondre à une question à son sujet.
Mise en œuvreProduction d'une affirmation fausse mais présentée avec assurance. Un modèle de langage prédit du texte plausible, pas du vrai : il peut inventer une source, un chiffre ou une citation. Toute sortie doit être vérifiée.
Limites & risquesTendance systématique d'un modèle à reproduire ou amplifier les déséquilibres présents dans ses données d'entraînement, pouvant conduire à des sorties injustes ou stéréotypées.
Limites & risquesDéfaut d'un modèle qui « mémorise » ses données d'entraînement au lieu d'en dégager des règles générales : excellent sur les exemples connus, médiocre sur des cas nouveaux.
Limites & risquesMode d'emploi
Chaque entrée donne le mot complet, son sigle ou sa forme courante (« LLM », « ML ») et, le cas échéant, son nom anglais d'origine.
Pas de superlatif ni de promesse : on explique ce que la chose est et ce qu'elle fait, en une ou deux phrases vérifiables.
Fondamentaux, modèles, données, mise en œuvre, limites : la catégorie situe le terme dans le paysage de l'IA et sert de filtre dans le lexique.
Questions fréquentes
Une hallucination est une information fausse mais présentée avec confiance par un LLM. Le modèle génère du texte plausible statistiquement mais factuellement incorrect — un nom d'auteur inventé, une citation inexacte, une loi qui n'existe pas. Réduire les hallucinations est un enjeu majeur de la recherche actuelle.
IA (Intelligence Artificielle) est le terme générique. ML (Machine Learning) est une sous-catégorie : apprentissage automatique à partir de données. Deep Learning est une sous-catégorie du ML utilisant des réseaux de neurones profonds. Les LLM comme GPT-4 sont du deep learning.
Une suggestion
Ce lexique s'enrichit. Signalez une définition à corriger ou un mot à ajouter — on vous répond sans démarchage.