Débutant à Intermédiaire

Fondamentaux IA

Vocabulaire IA : Le Glossaire Complet pour Comprendre l'Intelligence Artificielle

100+ termes IA expliqués simplement, classés par catégorie

Le jargon de l'IA peut être intimidant. Ce glossaire complet vous donne les définitions claires de plus de 100 termes essentiels, des concepts fondamentaux aux techniques avancées. Gardez cette page en favori comme référence.

Pourquoi Maîtriser le Vocabulaire IA

Le jargon de l'intelligence artificielle peut sembler intimidant : LLM, RAG, fine-tuning, embeddings... Mais comprendre ces termes est essentiel pour progresser en IA et communiquer avec des experts.

Ce glossaire complet vous donne les définitions claires de 100+ termes IA, classés par catégorie. Gardez cette page en favori comme référence. Après l'avoir lue, vous comprendrez 90% des discussions techniques sur l'IA.

Concepts Fondamentaux

Les termes de base que tout le monde doit connaître.

Intelligence Artificielle (IA) : Ensemble des technologies permettant aux machines d'effectuer des tâches nécessitant normalement l'intelligence humaine : apprendre, raisonner, percevoir, décider.

Machine Learning (ML) : Branche de l'IA où les machines apprennent automatiquement à partir de données, sans être explicitement programmées pour chaque tâche.

Deep Learning (DL) : Sous-ensemble du ML utilisant des réseaux de neurones à plusieurs couches. Excelle en reconnaissance d'images, de voix et de texte.

Réseau de Neurones : Architecture IA inspirée du cerveau humain. Des couches de "neurones" artificiels traitent l'information progressivement.

Algorithme : Ensemble d'instructions étape par étape que l'ordinateur suit pour résoudre un problème ou effectuer une tâche.

Modèle : Le "cerveau" entraîné d'une IA. Le résultat de l'apprentissage sur des données. GPT-4 est un modèle, DALL-E est un autre modèle.

Données d'entraînement : Les exemples utilisés pour apprendre à l'IA. Plus les données sont nombreuses et de qualité, meilleur est le modèle.

Modèles de Langage (LLM)

Le vocabulaire spécifique aux IA textuelles comme ChatGPT.

LLM (Large Language Model) : Grand modèle de langage entraîné sur des milliards de textes. Peut comprendre et générer du texte. Ex: GPT-4, Claude, Gemini, Llama.

GPT (Generative Pre-trained Transformer) : Architecture développée par OpenAI. Base de ChatGPT. Le "T" signifie Transformer.

Transformer : Architecture révolutionnaire (2017) utilisant le mécanisme d'"attention" pour traiter le texte. Fondation de tous les LLM modernes.

Token : Unité de base du texte pour l'IA. Un mot = environ 1-2 tokens. "Bonjour" = 1 token, "anticonstitutionnellement" = 3-4 tokens.

Contexte / Context Window : Quantité de texte que l'IA peut traiter en une fois. GPT-4 : 128k tokens (~100 pages). Plus c'est grand, mieux l'IA comprend.

Température : Paramètre contrôlant la créativité. 0 = réponses prévisibles et cohérentes. 1 = réponses créatives et variées.

Prompt : L'instruction ou question que vous donnez à l'IA. "Écris un email" est un prompt.

System Prompt : Instructions cachées définissant le comportement de l'IA. "Tu es un assistant helpful" par exemple.

Completion : La réponse générée par le modèle suite à un prompt.

Entraînement et Apprentissage

Comment les modèles IA apprennent et s'améliorent.

Entraînement (Training) : Phase où l'IA apprend à partir de données. Peut prendre des semaines sur des milliers de GPU pour les grands modèles.

Pré-entraînement (Pre-training) : Première phase où le modèle apprend sur d'énormes quantités de données générales (textes internet).

Fine-tuning : Entraînement supplémentaire sur des données spécifiques pour adapter le modèle à une tâche précise.

RLHF (Reinforcement Learning from Human Feedback) : Technique où des humains notent les réponses de l'IA pour l'améliorer. Utilisé pour ChatGPT.

Dataset : Ensemble de données utilisé pour l'entraînement. La qualité du dataset détermine la qualité du modèle.

Epoch : Un passage complet sur toutes les données d'entraînement. Les modèles s'entraînent sur plusieurs epochs.

Loss : Mesure de l'erreur du modèle pendant l'entraînement. L'objectif est de minimiser la loss.

Overfitting : Quand le modèle mémorise les données d'entraînement au lieu d'apprendre à généraliser. Problème courant.

Underfitting : Quand le modèle n'a pas assez appris et fait des erreurs même sur les données d'entraînement.

Prompt Engineering

L'art de communiquer efficacement avec l'IA.

Prompt Engineering : Discipline consistant à formuler des prompts optimaux pour obtenir les meilleurs résultats de l'IA.

Zero-shot : Demander à l'IA d'effectuer une tâche sans lui donner d'exemple. "Traduis en anglais : Bonjour"

Few-shot : Donner quelques exemples avant la tâche. "Ex1: chat →’ cat. Ex2: chien →’ dog. Traduis: maison →’"

Chain-of-Thought (CoT) : Demander à l'IA de raisonner étape par étape. Améliore les réponses sur les problèmes complexes.

Role Prompting : Assigner un rôle à l'IA. "Tu es un expert en marketing avec 20 ans d'expérience..."

Prompt Template : Structure de prompt réutilisable avec des variables. "Rédige un [TYPE] sur [SUJET] pour [AUDIENCE]"

Prompt Injection : Tentative de manipuler l'IA en cachant des instructions dans les données. Risque de sécurité.

Jailbreak : Technique pour contourner les restrictions de sécurité d'une IA. àéviter - peut violer les conditions d'utilisation.

IA Générative

Vocabulaire des IA qui créent du contenu nouveau.

IA Générative : IA capable de créer du nouveau contenu (texte, images, musique, vidéo) plutôt que d'analyser l'existant.

Diffusion Model : Architecture derrière DALL-E, Midjourney, Stable Diffusion. Apprend à transformer du bruit en images.

Text-to-Image : Génération d'images à partir de descriptions textuelles. Ex: "un chat astronaute" →’ image.

Text-to-Speech (TTS) : Conversion de texte en parole. Voix de synthèse de plus en plus réalistes.

Speech-to-Text (STT) : Transcription de parole en texte. Utilisé par Whisper (OpenAI).

GAN (Generative Adversarial Network) : Architecture où deux réseaux s'affrontent : un génère, l'autre critique. Utilisé pour deepfakes.

VAE (Variational Autoencoder) : Architecture pour apprendre des représentations compressées et générer du contenu.

Latent Space : Espace mathématique où les concepts sont représentés. Permet de "naviguer" entre les idées.

Seed : Nombre aléatoire initialisant la génération. Même seed = même résultat (reproductibilité).

RAG et Bases de Connaissances

Technologies pour augmenter l'IA avec vos propres données.

RAG (Retrieval-Augmented Generation) : Technique combinant recherche dans une base de données + génération IA. Permet à l'IA d'accéder à vos documents.

Embedding : Représentation numérique d'un texte/image dans un espace vectoriel. Permet de calculer la similarité entre concepts.

Vector Database : Base de données optimisée pour stocker et rechercher des embeddings. Ex: Pinecone, Weaviate, Chroma.

Chunking : Découpage de longs documents en morceaux (chunks) pour le traitement par l'IA. Taille optimale : 500-1000 tokens.

Semantic Search : Recherche basée sur le sens plutôt que les mots-clés exacts. Utilise les embeddings.

Knowledge Base : Base de connaissances structurée accessible par l'IA. Peut inclure documents, FAQ, procédures.

Grounding : Ancrer les réponses de l'IA dans des sources vérifiables pour réduire les hallucinations.

Agents et Automatisation

L'IA qui agit de manière autonome.

Agent IA : Système IA capable d'agir de manière autonome pour atteindre un objectif. Peut utiliser des outils, naviguer sur le web, exécuter du code.

Function Calling : Capacité de l'IA à appeler des fonctions/outils externes. Ex: recherche web, calcul, envoi d'email.

Tool Use : Utilisation d'outils par l'IA pour accomplir des tâches. L'IA choisit quel outil utiliser et comment.

Agentic Workflow : Workflow où plusieurs agents IA collaborent pour accomplir une tâche complexe.

Chain : Séquence d'appels à l'IA où la sortie d'un appel devient l'entrée du suivant. Utilisé dans LangChain.

Orchestration : Coordination de plusieurs modèles/agents pour accomplir une tâche complexe.

Memory : Capacité de l'agent à se souvenir des interactions passées. Court-terme (conversation) ou long-terme (base de données).

Déploiement et Production

Termes pour mettre l'IA en production.

API (Application Programming Interface) : Interface permettant à des programmes d'interagir avec l'IA. Vous envoyez un prompt, vous recevez une réponse.

Endpoint : URL où votre application envoie des requêtes à l'API IA. Ex: api.openai.com/v1/chat/completions

Inference : Utilisation d'un modèle entraîné pour générer des prédictions/réponses. Opposé à l'entraînement.

Latency : Temps de réponse de l'IA. Crucial pour les applications temps réel.

Throughput : Nombre de requêtes que le système peut traiter par seconde.

Rate Limiting : Limite du nombre de requêtes autorisées par minute/heure. Protège contre les abus.

MLOps : Pratiques DevOps appliquées au Machine Learning. Gestion du cycle de vie des modèles.

Model Serving : Infrastructure pour déployer et servir des modèles IA à grande échelle.

Éthique et Sécurité

Vocabulaire sur les risques et la responsabilité de l'IA.

Hallucination : Quand l'IA génère des informations fausses avec assurance. Problème majeur des LLM.

Biais (Bias) : Préjugés dans les réponses de l'IA, hérités des données d'entraînement. Ex: stéréotypes de genre.

Alignement : Effort pour que l'IA agisse conformément aux valeurs et intentions humaines.

Red Teaming : Tests adversariaux pour trouver les failles et comportements dangereux d'une IA.

Guardrails : Barrières de sécurité empêchant l'IA de générer du contenu nuisible.

Content Moderation : Filtrage du contenu généré pour bloquer le contenu inapproprié.

Explainability / XAI : Capacité à expliquer comment l'IA arrive à ses décisions. Crucial pour la confiance.

AI Safety : Domaine de recherche sur la sécurité à long terme de l'IA avancée.

Responsible AI : Développement et utilisation de l'IA de manière éthique et responsable.

Acronymes Courants

Les sigles que vous verrez partout.

AGI : Artificial General Intelligence - IA capable de toute tâche intellectuelle humaine (n'existe pas encore)

NLP : Natural Language Processing - Traitement du langage naturel

NLU : Natural Language Understanding - Compréhension du langage naturel

NLG : Natural Language Generation - Génération de langage naturel

CV : Computer Vision - Vision par ordinateur (reconnaissance d'images)

OCR : Optical Character Recognition - Reconnaissance de texte dans les images

ASR : Automatic Speech Recognition - Reconnaissance vocale automatique

GPU : Graphics Processing Unit - Processeur graphique, essentiel pour l'IA

TPU : Tensor Processing Unit - Processeur spécialisé IA de Google

CUDA : Plateforme de calcul parallèle NVIDIA pour GPU

Questions fréquentes

1
Dois-je mémoriser tous ces termes ?

Non, gardez cette page en favori comme référence. Concentrez-vous d'abord sur les "Concepts Fondamentaux" et "Prompt Engineering". Les autres termes deviendront clairs au fur et à mesure de votre pratique. L'important est de comprendre les concepts, pas de réciter des définitions.

2
Ces termes sont-ils les mêmes en anglais ?

La plupart des termes IA sont utilisés en anglais même en France (LLM, fine-tuning, prompt, token...). C'est le vocabulaire international du domaine. Nous vous donnons les termes anglais car ce sont ceux que vous rencontrerez dans la documentation et les outils.

3
Comment retenir le vocabulaire plus facilement ?

La meilleure méthode : pratiquez. En utilisant ChatGPT, vous comprendrez naturellement ce qu'est un prompt, un token, une hallucination. Consultez ce glossaire quand vous rencontrez un terme inconnu. En quelques semaines de pratique, 80% du vocabulaire deviendra naturel.

4
Le vocabulaire évolue-t-il rapidement ?

Oui, le domaine évolue vite. De nouveaux termes apparaissent (RAG était peu connu en 2022, omniprésent en 2026). Nous mettons à jour ce glossaire régulièrement. Les concepts fondamentaux restent stables, ce sont surtout les techniques spécifiques qui évoluent.

5
Ce vocabulaire est-il utile pour trouver un emploi ?

Absolument. Maîtriser le vocabulaire IA montre votre culture technique et facilite la communication avec les équipes tech. Dans un entretien, pouvoir expliquer la différence entre fine-tuning et RAG, ou ce qu'est un embedding, fait une vraie différence.

Parler de votre besoin de formation

Décrivez votre contexte pour identifier le programme et les modalités qui vous correspondent.

Voir nos formations IA

Informations clés

Certification

Base pour toutes formations IA

Demander un devis

Points clés

100+ termes définis

Classés par catégorie

Explications simples

Mise à jour régulière

Formations associées

Consultez les programmes qui complètent le sujet traité sur cette page.