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
Fonction de perte
Une fonction de perte mesure l'écart entre les prédictions du modèle et les vraies valeurs cibles pendant l'entraînement. Elle fournit le signal d'optimisation : la descente de gradient ajuste les poids pour minimiser cette perte. Les fonctions courantes incluent l'entropie croisée pour la classification et l'erreur quadratique moyenne pour la régression.
Mémoire à long court terme (LSTM)
LSTM est un type d'architecture RNN conçu pour apprendre les dépendances à long terme dans les données séquentielles grâce à des mécanismes de portes — entrée, oubli et sortie — qui contrôlent quelle information conserver, jeter ou transmettre. Avant les transformers, les LSTMs étaient l'état de l'art pour la reconnaissance vocale, la traduction et la prévision de séries temporelles. Ils subsistent dans des systèmes de production à budget limité.
Machine Learning (apprentissage automatique)
Le machine learning est la branche de l'intelligence artificielle où les systèmes apprennent des motifs à partir de données pour faire des prédictions ou des décisions sans être explicitement programmés. Un filtre anti-spam apprend de millions d'e-mails lesquels sont indésirables ; un moteur de recommandation apprend de l'historique de navigation ce qu'un client pourrait acheter. Les trois branches principales sont l'apprentissage supervisé (avec étiquettes), non supervisé (trouver la structure) et par renforcement (apprendre des récompenses).
Mistral
Mistral est une famille de grands modèles de langage à poids ouverts développés par Mistral AI, une entreprise française fondée en 2023. Réputés pour surpasser leur catégorie de taille, les modèles Mistral offrent des performances compétitives avec des modèles propriétaires beaucoup plus grands. Mistral 7B, Mixtral 8x7B et Mistral Large sont des versions majeures, déployables librement.
Mélange d'experts (MoE)
Un Mélange d'experts est une architecture de réseau de neurones qui divise ses paramètres en sous-réseaux spécialisés (experts), avec un mécanisme de portail qui achemine chaque entrée à un sous-ensemble d'experts pertinents. Cela permet au modèle d'avoir de nombreux paramètres tout en n'en activant qu'une fraction par entrée. Mixtral 8x7B et GPT-4 utilisent probablement des architectures MoE.
MLOps
MLOps est un ensemble de pratiques combinant machine learning, DevOps et ingénierie des données pour déployer, surveiller et maintenir des modèles ML en production de manière fiable. Il couvre le cycle de vie complet : pipelines de données, entraînement, versionnement, déploiement, surveillance de dérive et réentraînement. Les MLOps empêchent la dégradation silencieuse des modèles après déploiement.
Audit de modèle
L'audit de modèle est l'évaluation systématique du comportement, des performances et de la conformité éthique et réglementaire d'un modèle d'IA. Les audits examinent les biais, l'explicabilité, la robustesse et le respect de la vie privée.
Fiche de modèle
Une fiche de modèle est un document standardisé accompagnant un modèle d'IA entraîné qui décrit son usage prévu, ses données d'entraînement, ses métriques de performance à travers différents groupes démographiques, ses limites et ses considérations éthiques. Inspirée des étiquettes nutritionnelles, la fiche de modèle promeut la transparence et le déploiement responsable. Google, OpenAI et Meta publient des fiches pour leurs principales versions.
Catalogue de modèles
Un catalogue de modèles est un référentiel centralisé où les organisations suivent, gèrent et servent leurs modèles d'IA entraînés. Il enregistre les métadonnées comme la version, les données d'entraînement, les métriques et l'état de déploiement. MLflow, Weights & Biases et Hugging Face Hub fournissent cette fonctionnalité. Le catalogue est essentiel pour la gouvernance : il garantit la traçabilité des versions déployées.