Comprendre l’IA, concept par concept.
Définitions directes reliées à des exemples, erreurs fréquentes, décisions techniques et analyses éditoriales vérifiées.
Fondamentaux
Unités, capacités et limites essentielles pour comprendre le fonctionnement d’un système d’IA.
Multimodalité : définition, fonctionnement et limites
La multimodalité permet aux systèmes d’IA de traiter et de mettre en relation du texte, des images, de l’audio ou de la vidéo. Cette fiche explique les étapes techniques — encodage, projection et fusion —, développe trois exemples en santé, industrie et conduite autonome, et présente les limites liées notamment au coût de calcul et à l’alignement des données.
Paramètre
Valeur numérique apprise pendant l'entraînement qui contribue à transformer les entrées en sorties.
Token : définition, fonctionnement et limites dans les modèles de langage
Un token est l'unité minimale de texte qu'un modèle de langage traite pour comprendre et générer du contenu. Il ne correspond ni à un mot ni à un caractère, mais à un fragment défini par le tokeniseur spécifique de chaque modèle. Cette fiche explique comment le texte est découpé, comment les identifiants sont attribués, comment les tokens influencent les limites de contexte et les coûts des API, et propose des exemples pratiques pour optimiser leur utilisation.
Fenêtre contextuelle
Quantité maximale de jetons qu'un modèle peut prendre en compte entre l'entrée, l'historique, les outils et la sortie dans une requête.
Modèles et apprentissage
Architectures, entraînement et techniques qui déterminent le comportement d’un modèle.
Ajustement fin : ce qui change lorsqu’on poursuit l’entraînement d’un modèle, et ce qu’il ne garantit pas
L’ajustement fin consiste à entraîner davantage un modèle préentraîné afin de l’adapter à un objectif précis. Cette fiche explique le processus, présente trois exemples et distingue cette approche d’autres façons d’adapter ou d’utiliser des modèles.
Apprentissage autosupervisé : définition et fonctionnement
L’apprentissage autosupervisé construit des objectifs d’entraînement à partir des données elles-mêmes. Ce guide en explique le mécanisme, donne des exemples en langage, en vision et en audio, et en précise les limites ainsi que les différences avec d’autres approches.
RLHF : définition, fonctionnement et limites
L’apprentissage par renforcement à partir de retours humains utilise des évaluations ou des préférences pour orienter l’ajustement d’un modèle. Son déroulement courant comprend la génération de réponses, la collecte de comparaisons, l’entraînement d’un modèle de récompense et l’optimisation d’une politique. Chaque étape comporte des choix et des limites qu’il importe de distinguer.
Données synthétiques : définition, génération et limites des garanties
Les données synthétiques sont générées artificiellement afin de préserver certaines propriétés pertinentes de données réelles pour un objectif précis. Leur origine ne prouve pas, à elle seule, qu’elles sont utiles, de qualité ou respectueuses de la vie privée.
Distillation des connaissances : comment un modèle étudiant apprend d’un modèle enseignant, et ce que cela ne garantit pas
La distillation transfère des signaux d’entraînement d’un modèle enseignant vers un modèle étudiant. Elle peut prendre différentes formes ; elle ne garantit ni que l’étudiant conserve toutes les capacités de l’enseignant, ni qu’il soit plus efficace dans tous les environnements.
Fonction de perte : ce qu’elle mesure pendant l’entraînement et ce qu’elle ne dit pas sur un modèle
Une fonction de perte quantifie, selon un critère défini, l’écart entre une prédiction et une cible. Comprendre ce qu’elle pénalise — et ce qui échappe à cette mesure — aide à interpréter l’entraînement sans le confondre avec une évaluation complète du modèle.
LoRA : comment les matrices de faible rang adaptent un modèle et ce qu’elles ne garantissent pas
LoRA adapte un modèle préentraîné en conservant ses poids d’origine et en apprenant des matrices supplémentaires de faible rang. Cette fiche explique le mécanisme, le compare à d’autres formes d’adaptation et précise ce qu’on ne peut pas conclure du seul nombre de paramètres entraînables.
Mécanisme d’attention : comment un modèle relie différentes parties de l’entrée
L’attention est une opération mathématique qui combine des représentations en fonction de leur compatibilité. Ce guide explique Q, K et V, les variantes du mécanisme et ses limites, sans confondre calcul informatique, attention humaine et explication automatique du modèle.
Modèle distillé : ce que signifie l’étiquette et ce qu’elle ne prouve pas
Un modèle distillé est le modèle élève issu d’un processus qui transfère une partie du comportement d’un modèle professeur. L’étiquette décrit une relation d’entraînement ; elle ne garantit ni équivalence, ni qualité, ni efficacité.
Modèle fondamental
Modèle entraîné à grande échelle sur des données étendues et adaptable à de multiples tâches ultérieures.
Préentraînement : ce qu’un modèle apprend avant d’être adapté
Le préentraînement est une phase d’entraînement qui précède certains usages ou adaptations. Son objectif, ses données et son articulation avec les autres étapes dépendent du modèle : il n’existe pas de recette universelle, et cette phase ne garantit pas à elle seule la fiabilité du système.
Surapprentissage : définition, mécanismes de détection et limites de la généralisation
Le surapprentissage survient lorsqu'un modèle de machine learning mémorise le bruit et les motifs spécifiques des données d'entraînement, atteignant une haute précision sur celles-ci mais échouant à généraliser à de nouvelles données. Cette fiche technique explique le phénomène à travers l'équilibre biais-variance, détaille les méthodes de détection par courbes de perte et validation croisée, et contraste le surapprentissage avec le sous-apprentissage et la contamination des données. Elle inclut des exemples appliqués en détection de fraude, diagnostic médical et logistique, ainsi qu'un protocole d'atténuation basé sur la régularisation, l'arrêt précoce et l'augmentation des données.
Transformer
Architecture neuronale basée principalement sur l'attention qui traite les relations entre les éléments d'une séquence ou de plusieurs modalités.
Génération et interaction
Concepts utilisés pour demander, contrôler et valider une réponse générée.
Apprentissage par quelques exemples (Few-shot) : définition, mécanisme et limites de l'in-context learning
Le few-shot prompting est une technique d'ingénierie de contexte qui inclut des paires entrée-sortie dans la requête pour guider la réponse du modèle sans mettre à jour ses poids. Cette fiche explique le mécanisme de l'in-context learning, propose trois exemples appliqués dans des domaines distincts, distingue la technique du zero-shot, du fine-tuning et de la chaîne de pensée, et délimite ses restrictions opérationnelles.
Apprentissage en contexte (ICL) : comment un modèle répond aux exemples du prompt
L’apprentissage en contexte permet d’orienter la réponse d’un modèle à l’aide d’instructions et d’exemples intégrés à son entrée. Découvrez ce que cela signifie, comment le mettre à l’épreuve et en quoi il diffère de l’entraînement et d’autres méthodes.
Chaîne de pensée en IA : ce qu’elle est et ce qu’elle ne prouve pas
Une chaîne de pensée est une séquence d’étapes intermédiaires formulées en texte, qu’un modèle génère ou reçoit comme exemple. Elle peut aider à structurer une tâche et à rendre certaines étapes visibles, mais sa cohérence ne prouve ni leur exactitude ni leur fidélité au processus interne ayant produit la réponse.
Ingénierie du contexte : sélectionner et maintenir les informations reçues par un système d’IA
L’ingénierie du contexte consiste à déterminer quelles informations un modèle doit recevoir pour accomplir une tâche, comment les obtenir et comment les maintenir pertinentes pendant l’exécution. Elle ne se résume pas à rédiger un prompt plus long : elle englobe aussi la sélection de documents, l’utilisation d’outils et la gestion de l’état.
Prompt
Ensemble d'instructions et de contexte fourni à un modèle pour orienter une tâche et son format de sortie.
Raisonnement dans les modèles : fonctionnement, exemples et limites
Définition rigoureuse de la capacité de raisonnement dans les modèles de langage, explication de son fonctionnement, trois exemples appliqués, méthodes d'évaluation et analyse des limites documentées dans la littérature primaire.
Sortie structurée : définition, mécanismes de contrainte et limites de la validation automatique
La sortie structurée restreint la génération d'un LLM à un schéma formel (JSON, XML) pour permettre sa consommation programmatique. Cette fiche distingue la suggestion par prompt de la contrainte technique par décodage contraint, analyse les limites de la validation syntaxique face à la correction sémantique et offre des exemples appliqués dans l'extraction de données, l'orchestration d'agents et la génération de configuration.
Température : définition, fonctionnement et limites du paramètre d'échantillonnage dans les modèles de langage
La température est un paramètre d'inférence qui modifie la distribution de probabilité des logits pour contrôler l'aléatoire de la sortie. Cette fiche explique son mécanisme mathématique, son interaction avec top-k et top-p, ainsi que ses limites pour la reproductibilité et l'évaluation.
Données et connaissances
Comment les données sont représentées, récupérées et reliées à des réponses vérifiables.
Base de données vectorielle : ce qu’elle stocke et comment elle recherche par similarité
Une base de données vectorielle stocke des représentations numériques et permet de retrouver les plus proches d’une requête. Elle ne génère pas nécessairement les embeddings et ne décide pas, à elle seule, de la pertinence des résultats.
Recherche sémantique
Récupération d'informations basée sur des relations de signification, normalement combinée avec des filtres ou une recherche lexicale.
Intégration
Représentation numérique qui place des éléments dans un espace où certaines relations peuvent être mesurées par proximité.
Découpage de documents (Chunking) : définition, stratégies et limites
Le découpage de documents divise le contenu en unités récupérables pour les systèmes d'IA. Cette fiche explique son fonctionnement, les stratégies principales, les paramètres de taille et de chevauchement, et comment évaluer les résultats sans commettre d'erreurs courantes.
Source primaire : définition, identification et portée
Une source est primaire par rapport à une question lorsqu’elle présente directement l’objet, les données, la méthode ou la décision que l’on souhaite étudier. Cela ne garantit ni sa véracité, ni son impartialité, ni sa suffisance : il faut évaluer ce qu’elle affirme et les limites de ses conclusions.
Génération augmentée par récupération (RAG)
Motif qui récupère des informations externes pertinentes et les incorpore au contexte avant de générer une réponse.
Grounding : définition, fonctionnement et limites en IA
Le grounding relie la sortie d'un modèle d'IA à des preuves externes vérifiables. Ce guide explique son fonctionnement, sa différence avec le RAG et le fine-tuning, ainsi que ses limites pratiques.
Reranking : définition, fonctionnement et limites dans les systèmes de récupération
Le reranking est la deuxième étape de scoring dans les systèmes de récupération, évaluant les paires requête-document pour améliorer la précision. Cette fiche technique explique son fonctionnement, distingue les architectures à une et deux étapes, et analyse ses limites opérationnelles dans les pipelines RAG et la recherche sémantique.
Agents et automatisation
Outils, mémoire et modèles pour les systèmes capables d’exécuter des tâches.
Agent IA : définition, fonctionnement et différences avec un chatbot
Un agent IA est un système qui poursuit un objectif en observant son environnement et en choisissant des actions. Ce guide explique son cycle de fonctionnement, ses limites et ce qui le distingue d’un chatbot ou d’une automatisation fixe.
Appel d'outils
Mécanisme par lequel un modèle sélectionne une opération et propose des arguments structurés pour que l'application l'exécute.
Mémoire d'agent
Mécanisme pour conserver et récupérer un état pertinent entre les étapes ou les sessions d'un système basé sur des modèles.
Model Context Protocol (MCP) : ce qu’il connecte, son fonctionnement et ce qu’il ne garantit pas
MCP est un standard ouvert d’intégration qui permet de connecter des applications d’IA à des systèmes externes, à des données et à des outils. Cette fiche explique ce que les sources disponibles permettent d’affirmer, propose des exemples conditionnels et distingue le protocole d’une API, de l’appel d’outils et d’un agent.
Évaluation
Méthodes pour mesurer qualité, coût, robustesse et utilité dans des conditions reproductibles.
Benchmark en intelligence artificielle : ce qu’il mesure et ce que révèle un score
Un benchmark est une évaluation définie par des tâches, des données, un protocole et des métriques. Son score décrit les performances obtenues dans ces conditions précises ; à lui seul, il ne prouve ni une capacité générale ni des résultats garantis en production.
Contamination des données
Présence totale ou partielle de données d'évaluation dans l'entraînement, l'ajustement ou le contexte antérieur d'un modèle.
Évaluation de l'IA
Test reproductible qui mesure un comportement par des cas, des conditions, des métriques et une grille explicite.
Généralisation en apprentissage automatique : définition, fonctionnement et limites
La généralisation est la capacité d'un modèle à maintenir un comportement utile face à des exemples qui ne correspondent pas exactement aux données d'entraînement. Cette fiche explique comment elle est mesurée, les risques liés à la violation d'hypothèses comme l'indépendance des données et les limites empiriques observées dans des études récentes.
Incertitude : définition, types et méthodes de quantification dans les modèles prédictifs
L’incertitude mesure le degré de manque de certitude associé à une prédiction ou à une mesure. Cette fiche explique la distinction fondamentale entre incertitude aléatoire (bruit inhérent) et incertitude épistémique (manque de connaissances), présente des méthodes de quantification comme Monte-Carlo et les processus gaussiens, et propose des exemples en météorologie, en ingénierie et en sciences sociales pour évaluer la fiabilité des modèles.
Le modèle comme juge (LLM-as-a-judge) : ce qu’il évalue et quels biais vérifier
Un modèle utilisé comme juge s’appuie sur un modèle de langage pour évaluer des réponses ou des actions selon des critères explicites. Ce guide présente le processus, distingue les différentes formes de jugement et indique ce qu’il convient de vérifier avant de se fier aux résultats.
Reproductibilité
Capacité à répéter une évaluation avec des versions, des données, une configuration et une procédure documentées et d'obtenir des résultats cohérents.
Robustesse : définition, fonctionnement et limites dans les systèmes d'apprentissage automatique
La robustesse n'est pas une propriété absolue, mais une relation entre un objectif, un modificateur, un domaine de variation et une tolérance. Cette fiche explique comment opérationnaliser le concept, comment auditer les modèles face aux changements de distribution et pourquoi une haute performance en conditions de laboratoire ne garantit pas un comportement fiable dans le monde réel.
Grille d'évaluation : définition, conception et limites pour noter les résultats d'IA
Une grille d'évaluation structure les critères et les niveaux de performance pour produire des jugements interprétables. Cette fiche explicative détaille sa structure, distingue les types analytique et holistique, et analyse ses limites dans l'évaluation des sorties d'IA, des travaux académiques et des systèmes d'apprentissage automatique.
Sécurité et gouvernance
Risques, contrôles et responsabilités tout au long du cycle de vie.
Hallucination en IA : définition et moyens de reconnaître une réponse non étayée
Une réponse fluide n’est pas nécessairement correcte. Ce guide explique ce que l’on entend par hallucination en IA, comment la distinguer d’autres erreurs et quelles vérifications permettent d’évaluer des affirmations précises.
Guardrail en IA : ce qu’il contrôle, où il intervient et ce qu’il ne garantit pas
Un guardrail est un contrôle qui vérifie les entrées, les sorties ou les actions d’un système d’IA au regard d’une politique définie. Sa portée dépend de ce qu’il examine et du moment où il intervient : il peut réduire certains risques, mais ne prouve pas à lui seul que l’ensemble du système est sûr.
Humain dans la boucle (HITL) : ce qu’une personne décide et ce que son intervention ne garantit pas
HITL désigne une conception dans laquelle une personne intervient à un point défini d’un système automatisé. À lui seul, le terme ne précise pas son niveau d’autorité et ne garantit pas qu’elle détectera les erreurs.
Injection d’instructions
Attaque ou interférence dans laquelle un contenu non fiable tente de détourner le système de ses règles ou de son objectif légitime.
Modération : définition, fonctionnement et limites sur les plateformes numériques
La modération désigne l'ensemble des actions, automatisées ou humaines, appliquées par les plateformes pour détecter, identifier et traiter le contenu en violation de leurs conditions ou de la loi. Ce glossaire explique son fonctionnement, les cadres réglementaires comme le DSA, et les défis techniques et éthiques posés par l'automatisation.
Principe du moindre privilège : définition et application aux systèmes d’IA
Le principe du moindre privilège limite chaque identité — personne, processus ou service — aux autorisations nécessaires à sa tâche. Dans les systèmes d’IA, il encadre l’accès des agents, des outils et des services, sans remplacer l’authentification ni garantir à lui seul un comportement sûr du modèle.
Tests adversariaux : définition, méthode et limites des systèmes d’IA
Les tests adversariaux en IA visent à mettre à l’épreuve les garanties d’un système au moyen d’entrées hostiles ou de scénarios conçus pour provoquer des défaillances. Cette fiche définit la pratique, distingue l’évaluation manuelle de l’automatisation, décrit le cycle technique et examine les limites de couverture et de reproductibilité.
Supervision humaine : définition, mécanismes de contrôle et limites opérationnelles dans les systèmes d'IA
La supervision humaine ne se réduit pas à la présence d'un opérateur, mais désigne la capacité effective de comprendre, surveiller, intervenir et arrêter un système d'IA. Cette fiche distingue les niveaux d'autonomie, explique les mécanismes techniques et organisationnels exigés par l'AI Act et délimite les limites cognitives et opérationnelles où la supervision devient inefficace.
Vérification des faits
Processus de confrontation des affirmations vérifiables avec des preuves identifiables, en vigueur et suffisamment autorisées.
Exploitation et infrastructure
Techniques pour déployer, optimiser et observer les systèmes d’IA en production.
Cache de contexte en IA : ce qu’elle réutilise et pourquoi cela ne signifie pas « se souvenir »
Un cache peut conserver des calculs du modèle afin d’éviter de les répéter. Cette fiche distingue le cache KV du cache de préfixe, explique quand ils peuvent être réutilisés et en précise les limites.
Quantification en IA : ce qui change quand on réduit la précision numérique
La quantification représente les nombres avec moins de niveaux afin de réduire les ressources nécessaires. Mais « 4 bits » ne suffit pas à prédire la mémoire, la vitesse ni la qualité d’un modèle.
Inférence en IA : ce qui se passe lorsqu’un modèle traite une entrée
L’inférence consiste à utiliser un modèle déjà entraîné pour calculer une sortie à partir d’une entrée. Elle peut produire une classe, un score, une représentation ou du contenu généré ; elle ne garantit pas que le résultat soit correct.
Latence en IA : quel temps mesure-t-on et pourquoi le jalon de réponse compte
La latence est le temps écoulé entre un début et une fin définis. Apprenez à distinguer le premier résultat, la réponse complète et le temps perçu par les personnes qui utilisent une application d’IA.
Performance de traitement
Quantité de travail qu'un système accomplit par unité de temps, par exemple des requêtes ou des jetons par seconde.
Essayez un autre mot, un alias ou un autre domaine.