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
Réduction de bruit
La réduction de bruit est le processus de suppression des variations aléatoires indésirables des données pour révéler les motifs significatifs sous-jacents. Dans les images, le bruit apparaît comme du grain ; dans l'audio, comme du souffle ; dans le texte, comme des fautes de frappe. La réduction de bruit par IA utilise des modèles appris pour distinguer le signal du bruit. Les auto-encodeurs de débruitage sont une approche populaire.
Détection d'objets
La détection d'objets identifie et localise plusieurs objets dans une image en dessinant des cadres de délimitation autour d'eux avec des étiquettes de classe et des scores de confiance. Contrairement à la classification qui étiquette une image entière, la détection situe chaque objet. YOLO, Faster R-CNN et DETR sont les architectures populaires. Applications : conduite autonome, surveillance, contrôle qualité, gestion des stocks.
IA sur appareil
L'IA sur appareil désigne l'exécution de modèles d'IA directement sur les appareils utilisateurs — smartphones, tablettes, montres connectées — plutôt que dans le cloud. Cela élimine la latence réseau, fonctionne hors ligne et conserve les données sensibles sur l'appareil. Les modèles d'Apple, Gemini Nano de Google et Galaxy AI de Samsung illustrent cette tendance. La quantization et la compression rendent l'inférence sur appareil réalisable.
IA open source
L'IA open source désigne les modèles, outils et frameworks d'IA dont le code source et/ou les poids sont publiquement disponibles, permettant à quiconque de les utiliser, modifier et déployer sans frais de licence. Llama, Mistral et Stable Diffusion en sont des exemples majeurs. L'IA open source démocratise l'accès : une startup marocaine peut construire des produits sur un modèle de pointe sans dépendre d'un seul fournisseur, bien qu'elle doive gérer l'hébergement, le fine-tuning et la sécurité elle-même.
Reconnaissance optique de caractères (ROC)
La reconnaissance optique de caractères convertit le texte d'images, de documents numérisés ou de photographies en texte lisible par une machine. Les OCR modernes alimentés par le deep learning gèrent l'écriture manuscrite, plusieurs langues et les scans de mauvaise qualité. Un bureau gouvernemental marocain traitant des milliers de formulaires d'identité manuscrits par jour peut utiliser l'OCR pour les numériser automatiquement, réduisant considérablement la saisie manuelle.
Orchestration
L'orchestration en IA désigne la gestion coordonnée de multiples agents IA, outils, sources de données et étapes d'approbation humaine pour exécuter un workflow complexe. Un orchestrateur détermine l'ordre des opérations, achemine les données, gère les erreurs et décide de l'intervention humaine. LangGraph, CrewAI et AutoGen fournissent des capacités d'orchestration. C'est le lien qui transforme des capacités IA individuelles en processus métier automatisés.
Surapprentissage
Le surapprentissage survient quand un modèle apprend trop bien les données d'entraînement, y compris leur bruit, et échoue à généraliser. Il mémorise au lieu d'apprendre, comme un étudiant qui récite les annales sans comprendre. Remèdes : régularisation, dropout, plus de données, augmentation de données et arrêt précoce.
Fine-tuning efficient en paramètres (PEFT)
Le fine-tuning efficient en paramètres (PEFT) regroupe des techniques qui adaptent de grands modèles pré-entraînés en ne mettant à jour qu'une petite fraction des paramètres. Méthodes : LoRA, QLoRA, adapters, prefix tuning, IA3. Le PEFT réduit drastiquement la mémoire et le calcul nécessaires, rendant possible l'adaptation de modèles à milliards de paramètres sur un seul GPU.
Péplexité
La péplexité mesure la qualité des prédictions d'un modèle de langage sur un échantillon de texte. Une péplexité plus basse signifie que le modèle est moins « surpris » par le texte, indiquant qu'il a mieux appris les motifs sous-jacents. Elle est calculée comme l'exposant de la moyenne de la log-vraisemblance négative par token. Utilisée pour comparer des modèles pendant le développement, elle ne mesure pas directement la performance ou la préférence humaine.