La bibliothèque 212AY
Glossaire
IA.
200+ termes d'intelligence artificielle expliqués simplement — du machine learning aux LLM, en passant par les agents IA, le RAG et le prompt engineering. Chaque définition avec un exemple concret, en français, anglais et arabe.
200 termes
Reconnaissance d'intention
La reconnaissance d'intention est la tâche de TALN qui identifie ce qu'un utilisateur veut accomplir à partir de son texte ou discours. Quand un client tape « je veux modifier mon vol », le système classe l'intention comme demande de modification de vol. C'est la colonne vertébrale de l'IA conversationnelle : assistants virtuels, bots de service client et systèmes vocaux en dépendent.
Interprétabilité
L'interprétabilité désigne la capacité des humains à comprendre comment un modèle d'IA parvient à ses décisions, en examinant ses mécanismes internes et pas seulement ses résultats. Elle est cruciale dans les contextes à fort enjeu : si le modèle d'une banque refuse un crédit à une PME de Rabat, les régulateurs et les clients méritent de connaître les facteurs déterminants. Les réseaux de neurones profonds étant souvent des « boîtes noires », les chercheurs développent des techniques pour inspecter leur fonctionnement interne. L'interprétabilité renforce la confiance, révèle les biais cachés et rend possibles de véritables audits.
Jailbreaking (contournement des garde-fous)
Le jailbreaking consiste à formuler des prompts qui poussent un modèle d'IA à contourner ses règles de sécurité et à produire des contenus qu'il devrait refuser, comme des instructions dangereuses ou des données confidentielles. Les attaquants utilisent des jeux de rôle, des messages encodés ou des scénarios hypothétiques élaborés pour tromper le modèle. Pour une entreprise qui déploie un chatbot client, c'est un risque réel : un bot manipulé pourrait insulter des clients, révéler des politiques internes ou promettre des remises illégales. Le red-teaming régulier et des garde-fous en couches sont les défenses standard.
Mode JSON
Le mode JSON est une option proposée par de nombreuses API de LLM qui force le modèle à répondre en JSON valide, le format structuré que s'échangent les logiciels. Au lieu d'un paragraphe libre, le modèle renvoie des champs organisés qu'un programme peut lire de façon fiable. Par exemple, une plateforme e-commerce de Casablanca peut envoyer les e-mails clients à un modèle en mode JSON et recevoir des champs comme intention, produit et urgence, prêts à être injectés automatiquement dans son CRM.
Jupyter Notebook
Jupyter Notebook est un outil open source qui permet de mélanger code exécutable, résultats, graphiques et texte explicatif dans un seul document interactif. C'est l'établi standard des data scientists : on exécute le code cellule par cellule, on voit les résultats immédiatement et on documente son raisonnement au même endroit. Un analyste de données chez un opérateur télécom marocain peut y explorer les données de résiliation, visualiser les tendances et partager l'analyse annotée avec sa direction. Google Colab offre la même expérience gratuitement dans le navigateur.
K plus proches voisins (KNN)
Les k plus proches voisins forment un algorithme simple de machine learning qui classe un nouveau point en regardant les k exemples les plus similaires déjà connus et en adoptant leur étiquette majoritaire. Il n'y a pas de véritable entraînement : l'algorithme mémorise les données et compare des distances. C'est comme estimer le prix d'un riad à Marrakech en consultant les cinq riads les plus comparables vendus récemment dans le quartier et en faisant la moyenne. KNN est intuitif et efficace sur de petits jeux de données, mais ralentit fortement quand le volume augmente.
Kaggle
Kaggle est une plateforme en ligne appartenant à Google où les data scientists trouvent des jeux de données, partagent des notebooks, suivent des cours gratuits et participent à des compétitions de machine learning dotées de prix réels. C'est l'un des meilleurs endroits pour apprendre l'IA par la pratique : un étudiant à Fès peut s'exercer sur des données réelles, étudier les solutions gagnantes des meilleurs praticiens et bâtir un portfolio public reconnu par les employeurs du monde entier.
Distillation de connaissances
La distillation de connaissances est une technique où un grand modèle « professeur » entraîne un modèle « élève » plus petit à imiter son comportement, transférant l'essentiel des capacités pour une fraction de la taille et du coût. C'est comme un maître artisan de Fès formant un apprenti : l'apprenti ne voit pas toutes les pièces jamais réalisées par le maître, mais apprend le métier en observant son travail. Les modèles distillés sont moins chers et plus rapides à exécuter, rendant l'IA viable sur des serveurs modestes ou des téléphones.
Graphe de connaissances
Un graphe de connaissances est une représentation structurée de l'information sous forme de réseau d'entités et de relations : personnes, produits, lieux et entreprises reliés par des liens qualifiés. Là où une base de données stocke des lignes, un graphe de connaissances stocke des faits comme « l'entreprise X fournit le produit Y au client Z ». Une banque marocaine peut s'en servir pour cartographier les liens entre comptes et sociétés afin de repérer des réseaux de fraude, et son association avec les LLM permet d'ancrer les réponses dans des faits vérifiés plutôt que des suppositions.