Ce glossaire des termes d’intelligence artificielle donne un aperçu des sujets clés de l’IA que vous pouvez l’utiliser pour enrichir votre vocabulaire lorsque vous étudiez pour un certificat professionnel, rédigez un CV ou passez un entretien pour un emploi en IA.
AI (artificial intelligence)
AI signifie intelligence artificielle, c’est-à-dire la simulation des processus d’intelligence humaine par des machines ou des systèmes informatiques. L’IA peut imiter les capacités humaines telles que la communication, l’apprentissage et la prise de décision.
Algorithme
Un algorithme est une séquence de règles données à une machine IA pour effectuer une tâche ou résoudre un problème. Les algorithmes courants incluent la classification, la régression et le clustering.
Analyses prédictives
L’analyse prédictive (Predictive analytics) est un type d’analyse qui utilise la technologie pour prédire ce qui se passera dans un laps de temps spécifique en fonction de données et de modèles historiques.
Analyse prescriptive
L’analyse prescriptive est un type d’analyse qui utilise la technologie pour analyser les données sur des facteurs tels que des situations et des scénarios possibles, les performances passées et présentes et d’autres ressources pour aider les organisations à prendre de meilleures décisions stratégiques.
Apprentissage automatique
L’apprentissage automatique (Machine learning) est un sous-ensemble de l’IA qui intègre des aspects de l’informatique, des mathématiques et du codage. L’apprentissage automatique se concentre sur le développement d’algorithmes et de modèles qui aident les machines à apprendre à partir des données et à prédire les tendances et les comportements, sans assistance humaine.
Apprentissage profond
L’apprentissage profond (Deep learning) est une fonction de l’IA qui imite le cerveau humain en apprenant de la manière dont il structure et traite les informations pour prendre des décisions. Au lieu de s’appuyer sur un algorithme qui ne peut effectuer qu’une seule tâche spécifique, ce sous-ensemble de l’apprentissage automatique peut apprendre à partir de données non structurées sans supervision.
Apprentissage par renforcement
L’apprentissage par renforcement (Reinforcement learning) est un type d’apprentissage automatique dans lequel un algorithme apprend en interagissant avec son environnement et ensuite récompensé ou pénalisé en fonction de ses actions.
Apprentissage non supervisé
L’apprentissage non supervisé (Unsupervised learning) est un type d’apprentissage automatique dans lequel un algorithme est entraîné avec des données non classifiées et non étiquetées afin qu’il agisse sans supervision.
Big Data
Le Big Data fait référence aux grands ensembles de données qui peuvent être étudiés pour révéler des modèles et des tendances afin de soutenir les décisions commerciales. C’est ce qu’on appelle le « big data » car les organisations peuvent désormais collecter d’énormes quantités de données complexes à l’aide d’outils et de systèmes de collecte de données. Les mégadonnées peuvent être collectées très rapidement et stockées dans une variété de formats.
Comportement émergent
On parle de comportement émergent (Emergent behavior), également appelé émergence, lorsqu’un système d’IA présente des capacités imprévisibles ou involontaires.
Chatbot
Un chatbot est une application logicielle conçue pour imiter une conversation humaine via des commandes textuelles ou vocales.
Données structurées
Les données structurées sont des données définies et consultables. Cela inclut des données telles que les numéros de téléphone, les dates et les SKU des produits.
Données non structurées
Les données non structurées (Unstructured data) sont des données non définies et difficiles à rechercher. Cela inclut le contenu audio, photo et vidéo. La plupart des données dans le monde ne sont pas structurées.
Enseignement supervisé
L’apprentissage supervisé est un type d’apprentissage automatique dans lequel des données de sortie classifiées sont utilisées pour entraîner la machine et produire les algorithmes corrects. C’est beaucoup plus courant que l’apprentissage non supervisé.
Exploration de données
L’exploration de données (Data mining) est le processus de tri de grands ensembles de données pour identifier des modèles susceptibles d’améliorer les modèles ou de résoudre des problèmes.
Grand modèle de langage
Un grand modèle de langage (Large language model LLM) est un modèle d’IA qui a été entraîné sur de grandes quantités de texte afin de pouvoir comprendre le langage et générer un texte de type humain.
Guardrails
Les Guardrails font référence aux restrictions et aux règles imposées aux systèmes d’IA pour garantir qu’ils traitent les données de manière appropriée et ne génèrent pas de contenu contraire à l’éthique.
Hallucination
L’hallucination fait référence à une réponse incorrecte d’un système d’IA ou à de fausses informations dans un résultat présenté comme des informations factuelles.
Hyperparamètre
Un hyperparamètre est un paramètre, ou une valeur, qui affecte la façon dont un modèle d’IA apprend. Il est généralement défini manuellement en dehors du modèle.
IA générative
L’IA générative est un type de technologie qui utilise l’IA pour créer du contenu, notamment du texte, des vidéos, du code et des images. Un système d’IA générative est entraîné à l’aide de grandes quantités de données, afin de pouvoir trouver des modèles pour générer de nouveaux contenus.
Interface de programmation d’applications (API)
Une API , ou interface de programmation d’applications, est un ensemble de protocoles qui déterminent la manière dont deux applications logicielles interagiront entre elles. Les API ont tendance à être écrites dans des langages de programmation tels que C++ ou JavaScript.
Informatique cognitive
L’informatique cognitive est essentiellement la même que l’IA. Il s’agit d’un modèle informatisé qui vise à imiter les processus de pensée humaine tels que la reconnaissance de formes et l’apprentissage. Les équipes marketing utilisent parfois ce terme pour éliminer la mystique de science-fiction de l’IA.
Informatique quantique
L’informatique quantique est le processus d’utilisation de phénomènes de mécanique quantique tels que l’intrication et la superposition pour effectuer des calculs. L’apprentissage automatique quantique utilise ces algorithmes sur des ordinateurs quantiques pour accélérer le travail, car il fonctionne beaucoup plus rapidement qu’un programme et un ordinateur d’apprentissage automatique classiques.
Jeton
Un jeton est une unité de texte de base qu’un LLM utilise pour comprendre et générer un langage. Un jeton peut être un mot entier ou des parties d’un mot.
Mémoire limitée
La mémoire limitée est un type de système d’IA qui reçoit des connaissances sur des événements en temps réel et les stocke dans la base de données pour faire de meilleures prédictions.
Overfitting
L’Overfitting se produit dans la formation en apprentissage automatique lorsque l’algorithme ne peut fonctionner que sur des exemples spécifiques dans les données de formation. Un modèle d’IA fonctionnel typique devrait être capable de généraliser des modèles dans les données pour s’attaquer à de nouvelles tâches.
Prompt
Prompt est une invite qu’un utilisateur transmet à un système d’IA afin d’obtenir un résultat ou une sortie souhaité.
Reconnaissance d’images
La reconnaissance d’image est le processus d’identification d’un objet, d’une personne, d’un lieu ou d’un texte dans une image ou une vidéo.
Réseau neuronal
Un réseau neuronal (Neural network) est une technique d’apprentissage profond conçue pour ressembler à la structure du cerveau humain. Les réseaux de neurones nécessitent de grands ensembles de données pour effectuer des calculs et créer des sorties, ce qui permet des fonctionnalités telles que la reconnaissance vocale et visuelle.
Reconnaissance de formes
La reconnaissance de formes (Pattern recognition) est la méthode d’utilisation d’algorithmes informatiques pour analyser, détecter et étiqueter les régularités des données. Cela indique comment les données sont classées dans différentes catégories.
Reconnaissance vocale
La reconnaissance vocale (Voice recognition), est une méthode d’interaction homme-machine dans laquelle les ordinateurs écoutent et interprètent la dictée humaine (parole) et produisent des résultats écrits ou parlés. Les exemples incluent Siri d’Apple et Alexa d’Amazon, des appareils qui permettent des requêtes et des tâches mains libres.
Science des données
La science des données (Data science) est un domaine technologique interdisciplinaire qui utilise des algorithmes et des processus pour collecter et analyser de grandes quantités de données afin de découvrir des modèles et des informations qui éclairent les décisions commerciales.
Sentiment analysis
Également connue sous le nom d’analyse d’opinions, l’analyse des sentiments est le processus d’utilisation de l’IA pour analyser le ton et l’opinion d’un texte donné.
Training data
Les Training data sont les informations ou les exemples fournis à un système d’IA pour lui permettre d’apprendre, de trouver des modèles et de créer du nouveau contenu.
Transfer learning
L’apprentissage par transfert est un système d’apprentissage automatique qui prend des données existantes précédemment apprises et les applique à de nouvelles tâches et activités.
Test de Turing
Le test de Turing a été créé par l’informaticien Alan Turing pour évaluer la capacité d’une machine à faire preuve d’une intelligence égale à celle des humains, notamment en termes de langage et de comportement. Lors de l’animation du test, un évaluateur humain juge les conversations entre un humain et une machine. Si l’évaluateur ne peut pas distinguer les réponses, alors la machine réussit le test de Turing.
Traitement du langage naturel
Le traitement du langage naturel (Natural language processing NLP) est un type d’IA qui permet aux ordinateurs de comprendre le langage humain parlé et écrit. Le NLP active des fonctionnalités telles que la reconnaissance textuelle et vocale sur les appareils.
Vision par ordinateur
La vision par ordinateur est un domaine interdisciplinaire de la science et de la technologie qui se concentre sur la manière dont les ordinateurs peuvent comprendre les images et les vidéos. Pour les ingénieurs en IA , la vision par ordinateur leur permet d’automatiser les activités que le système visuel humain effectue généralement.