📖 Glossaire de l’Intelligence Artificielle

Ce glossaire regroupe les termes techniques et concepts clés abordés tout au long du module. Il est conçu comme une référence rapide pour vos révisions et vos projets.

A

  • AI Office : L’organe de supervision créé par l’Union Européenne, chargé de surveiller particulièrement les grands modèles de fondation (GPAI). (Chapitre 5)
  • Alignement : Processus visant à s’assurer que les objectifs de l’IA ne divergent pas des valeurs humaines ou des consignes de sécurité. (Chapitre 5)
  • Apprentissage par Transfert (Transfer Learning) : Technique consistant à utiliser un modèle déjà entraîné sur un large dataset pour l’adapter rapidement à un problème de niche. (Chapitre 2)

B

  • Biais (Bias) : Valeur ajoutée à la somme pondérée pour permettre de décaler la fonction d’activation, offrant plus de flexibilité au modèle. Désigne aussi les déviations statistiques liées aux données d’entraînement. (Chapitre 1 / Chapitre 3)
  • Boîte noire (Black Box) : Se dit d’un système d’IA dont on connaît les entrées et les sorties, mais dont le processus de décision interne est trop complexe pour être compris ou justifié par un humain. (Chapitre 2)
  • Bottleneck (Goulot d’étranglement) : Couche la plus étroite d’un autoencodeur qui limite le flux d’information pour forcer la compression et l’extraction des caractéristiques essentielles. (Chapitre 3)

C

  • Carte d’activation (Feature Map) : Image résultant d’une convolution montrant les zones où un motif spécifique (bord, texture, forme) a été détecté. (Chapitre 2)
  • Champ récepteur (Receptive Field) : Région spécifique de l’image d’entrée qu’un neurone particulier “regarde” et qui influence son activation. (Chapitre 2)
  • Compliance by Design (Conformité dès la conception) : Approche d’ingénierie consistant à intégrer les contraintes légales et éthiques dans le code et l’architecture du système dès le premier jour du projet. (Chapitre 5)
  • Complexité O(N^2) : Notation mathématique indiquant que si la taille de l’entrée (N) augmente, le coût en ressources augmente au carré (typique du mécanisme d’attention standard). (Chapitre 3)
  • Corpus : L’ensemble complet des documents textuels utilisés pour entraîner ou analyser un modèle NLP. (Chapitre 3)

D

  • DataFrame : Structure de données tabulaire à deux dimensions (lignes et colonnes), au cœur de l’écosystème Pandas. (Chapitre 1)
  • Data Poisoning (Empoisonnement de données) : Type de cyberattaque visant à introduire des données corrompues dans le dataset d’une IA pour altérer volontairement son comportement futur. (Chapitre 5)
  • Déterministe : Un système qui, pour une même entrée, produira toujours rigoureusement la même sortie. (Chapitre 3)
  • Dying ReLU : Un neurone bloqué à 0 qui ne s’active plus et ne participe plus à l’apprentissage suite à des gradients nuls. (Chapitre 1)

E

  • Embedding : Représentation numérique d’une donnée (mot, image) dans un espace vectoriel où la proximité mathématique équivaut à une proximité de sens. (Chapitre 3 / Chapitre 4)
  • Empreinte Hydrique : Quantité totale d’eau douce utilisée pour refroidir les serveurs pendant les calculs d’IA. (Chapitre 5)
  • Équivariance : Propriété garantissant que si l’entrée change (ex: translation), la sortie change de façon prévisible et proportionnelle. (Chapitre 2)
  • Espace Latent : Espace mathématique compressé où les données sont représentées par leurs caractéristiques abstraites et cachées. (Chapitre 3)
  • Essaim d’agents (Agent Swarm) : Architecture où plusieurs agents autonomes spécialisés collaborent pour résoudre un problème commun. (Chapitre 4)
  • Extrapolation : Capacité d’un modèle à traiter des données dépassant les limites (ex: longueur de texte) vues pendant l’entraînement. (Chapitre 3)

F

  • Feature Engineering : Processus consistant à créer de nouvelles variables explicatives à partir de données brutes pour améliorer les performances de l’IA. (Chapitre 1)
  • Flatten : Étape consistant à “aplatir” un tenseur multidimensionnel en un vecteur unidimensionnel pour l’injecter dans des couches denses. (Chapitre 2)
  • Fonction de Coût (Loss Function) : Formule mathématique calculant l’écart entre les prédictions du réseau et la réalité. (Chapitre 1)

G

  • GAN (Generative Adversarial Networks) : Architecture IA opposant deux réseaux (un faussaire et un détective) pour créer des médias ultra-réalistes. (Chapitre 5)
  • Green AI : Mouvement visant à optimiser les processus d’IA pour réduire leur consommation d’énergie et leur empreinte carbone. (Chapitre 5)

H

  • HNSW (Hierarchical Navigable Small World) : Algorithme de recherche de voisinage ultra-rapide utilisé dans les bases de données vectorielles. (Chapitre 4)
  • Human-in-the-loop (HITL) : Modèle d’interaction où le système nécessite l’intervention d’un humain pour valider des actions critiques. (Chapitre 4)
  • Hybridation : Fusion de plusieurs types d’architectures (ex: CNN + Transformer) pour cumuler leurs avantages. (Chapitre 2)
  • Hyperparamètre : Réglage manuel (Learning Rate, Batch Size) défini avant l’entraînement, contrairement aux paramètres appris. (Chapitre 1)

I

  • ImageNet : Base de données de millions d’images annotées, référence pour les compétitions de vision par ordinateur. (Chapitre 2)
  • Imputation : Technique consistant à remplacer les données manquantes par des valeurs substituts cohérentes (moyenne, médiane). (Chapitre 1)
  • Inférence : Phase d’utilisation du modèle en production pour faire des prédictions sur de nouvelles données. (Chapitre 2 / Chapitre 3)

J

  • JSON-RPC 2.0 : Protocole léger d’appel de procédure à distance utilisé par le standard MCP pour faire communiquer les briques d’IA. (Chapitre 4)

K

  • Kullback-Leibler (KL) Divergence : Mesure mathématique utilisée (notamment dans les VAE) pour comparer deux distributions de probabilités. (Chapitre 3)

L

  • LangSmith : Plateforme de l’écosystème LangChain dédiée au débogage, aux tests et au monitoring des applications LLM. (Chapitre 4)
  • LLM (Large Language Model) : Modèle génératif profond capable de comprendre et de générer du texte à grande échelle. (Chapitre 1 / Chapitre 3)

M

  • Max Pooling : Opération de sous-échantillonnage sélectionnant la valeur maximale dans une fenêtre donnée pour réduire la dimension spatiale. (Chapitre 2)
  • Momentum : Technique d’optimisation qui accumule les gradients passés pour accélérer la convergence et lisser la trajectoire. (Chapitre 1)

N

  • Non-linéarité : Capacité mathématique indispensable pour modéliser des relations complexes (introduite par les fonctions d’activation). (Chapitre 1)
  • Noyau (Kernel) : Petite matrice de poids qui “glisse” sur une image (convolution) pour détecter des motifs spécifiques. (Chapitre 2)
  • Nucleus Sampling (Top-P) : Technique d’échantillonnage sélectionnant le plus petit ensemble de mots dont la probabilité cumulée dépasse un seuil P. (Chapitre 3)

O

  • Observabilité : Capacité à comprendre l’état interne d’un système complexe (IA) à partir de ses sorties (logs, traces, métriques). (Chapitre 4)
  • Orchestration : Coordination de plusieurs composants (modèles, bases, API) pour réaliser une tâche complexe. (Chapitre 4)
  • OWASP (Open Worldwide Application Security Project) : Fondation de référence publiant les standards de sécurité, incluant le Top 10 pour les LLM. (Chapitre 3)

P

  • Perceptron : L’ancêtre du neurone artificiel moderne, conçu initialement comme une unité binaire logique. (Chapitre 2)
  • PII (Personally Identifiable Information) : Données à caractère personnel que les modèles risquent de fuiter s’ils ne sont pas sécurisés. (Chapitre 3)
  • Poids (Weights) : Coefficients numériques déterminant l’importance des connexions entre neurones, ajustés pendant l’apprentissage. (Chapitre 1)

R

  • RAG (Retrieval-Augmented Generation) : Système hybride couplant recherche documentaire et génération de texte pour garantir la fiabilité factuelle. (Chapitre 3 / Chapitre 4)
  • Red AI : Pratique consistant à obtenir une amélioration marginale de précision au prix d’une augmentation massive du calcul et de l’énergie. (Chapitre 5)
  • Régularisation : Ensemble des techniques (Dropout, L2) visant à empêcher un modèle de faire du surapprentissage (overfitting). (Chapitre 2)
  • Rétropropagation (Backpropagation) : Algorithme central ajustant les poids du réseau en calculant l’erreur de la sortie vers l’entrée. (Chapitre 1 / Chapitre 2)
  • Reward Hacking : Comportement où l’IA détourne sa fonction de récompense pour obtenir un score élevé sans accomplir la tâche réelle. (Chapitre 5)

S

  • Self-Attention (Auto-attention) : Mécanisme permettant à un modèle de pondérer l’importance de tous les éléments d’une séquence entre eux. (Chapitre 3)
  • Séquentiel vs Parallèle : Exécution l’une après l’autre (RNN) vs exécution simultanée de toutes les tâches (Transformers). (Chapitre 3)
  • SHAP (Shapley Additive Explanations) : Méthode mathématique pour interpréter l’importance de chaque variable dans une prédiction d’IA. (Chapitre 5)
  • Similarité Cosinus : Mesure de l’angle entre deux vecteurs ; plus il est petit, plus les sens sont proches. (Chapitre 4)
  • Social Scoring : Pratique (interdite par l’AI Act) consistant à noter les citoyens selon leur comportement public. (Chapitre 5)
  • SRAM (Static Random Access Memory) : Mémoire cache ultra-rapide intégrée sur la puce du GPU, cruciale pour les performances (FlashAttention). (Chapitre 3)
  • Stop-words : Mots fréquents (le, la, et) souvent filtrés car ils apportent peu de valeur sémantique. (Chapitre 3)
  • Structured Output : Technique forçant le modèle à répondre dans un format informatique strict (ex: JSON). (Chapitre 4)
  • Swatting : Cyberattaque utilisant souvent le clonage vocal pour déclencher des interventions policières injustifiées. (Chapitre 5)
  • System Prompt : Instructions de haut niveau définissant le rôle et les limites du modèle pour une session. (Chapitre 4)
  • Système Expert : Programme basé sur des règles logiques strictes (“Si… Alors”) et des bases de connaissances explicites. (Chapitre 1)

T

  • Tenseur : Structure de données multidimensionnelle (généralisation des matrices) utilisée pour transporter l’information dans les réseaux. (Chapitre 1 / Chapitre 2)
  • Token : L’unité lexicale de base manipulée par un LLM (souvent une syllabe ou un morceau de mot). (Chapitre 3)
  • Tokenisation de données (Sécurité) : Processus remplaçant une donnée sensible par un jeton non sensible pour la protéger. (Chapitre 4)
  • TPU (Tensor Processing Unit) : Processeur spécialisé développé par Google, optimisée pour le calcul matriciel intensif de l’IA. (Chapitre 1)
  • Train set / Test set : Séparation des données pour l’entraînement (Train) et l’évaluation finale (Test). (Chapitre 2)

V

  • Vanishing Gradient (Disparition de gradient) : Problème où le signal de correction devient trop faible pour mettre à jour les premières couches d’un réseau profond. (Chapitre 1)
  • Vision Transformer (ViT) : Architecture appliquant les principes d’attention des modèles de langage directement au traitement d’images. (Chapitre 2)
  • VRAM (Video Random Access Memory) : Mémoire dédiée de la carte graphique utilisée pour stocker les modèles et les calculs en cours. (Chapitre 2)