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
Encodage positionnel
L'encodage positionnel est la technique qui donne aux modèles transformer l'information sur l'ordre des tokens dans une séquence, puisque l'architecture traite tous les tokens simultanément plutôt que séquentiellement. Sans encodage positionnel, le modèle traiterait « le chien mord l'homme » et « l'homme mord le chien » de la même façon. Les approches modernes incluent les embeddings appris et l'encodage positionnel rotatif (RoPE), qui permettent aux modèles de généraliser à des séquences plus longues que celles vues à l'entraînement.
Optimisation de politique proximale (PPO)
PPO est un algorithme d'apprentissage par renforcement qui optimise la politique d'un agent en bornant la taille des mises à jour pour éviter des changements dangereusement grands. C'est l'algorithme derrière le RLHF utilisé pour entraîner ChatGPT et Claude à être des assistants utiles : un modèle de récompense note les réponses, et PPO ajuste le modèle de langage pour produire des sorties mieux notées. PPO est populaire car il est relativement simple à implémenter.
Pré-entraînement
Le pré-entraînement est la phase initiale où un grand modèle de langage est entraîné sur un corpus textuel massif — souvent des centaines de milliards de tokens — pour apprendre les motifs linguistiques, les connaissances générales et les capacités de raisonnement. Le modèle optimise la prédiction du prochain token. Le pré-entraînement coûte des millions de dollars mais produit un modèle de base affinable efficacement pour des tâches spécifiques.
Précision et rappel
La précision mesure la proportion de prédictions positives réellement correctes, tandis que le rappel mesure la proportion de positifs réellement identifiés. Un détecteur de fraude à haute précision signale rarement des transactions légitimes ; à haut rappel, il attrape la plupart des fraudes. Ils sont souvent en tension : augmenter l'un diminue l'autre. Le F1-score est leur moyenne harmonique, métrique unique équilibrée. Comprendre ce compromis est essentiel pour toute tâche de classification.
Chaînage de prompts
Le chaînage de prompts est une technique où la sortie d'un appel de modèle devient l'entrée du suivant, décomposant une tâche complexe en étapes simples. Par exemple, pour résumer un contrat : extraire les clauses, analyser les risques de chaque clause, compiler un rapport. Chaque étape utilise un prompt ciblé, rendant le processus plus fiable et débogable qu'un prompt monolithique. C'est un élément constitutif des workflows agentiques.
Prompt Engineering (ingénierie de prompts)
Le prompt engineering est l'art de concevoir et d'affiner les instructions données à un modèle de langage pour obtenir la meilleure sortie possible. Il consiste à choisir les bons mots, fournir des exemples, spécifier le format et le ton, et structurer la demande pour guider le modèle vers des résultats précis et utiles. Un prompt bien formulé peut faire la différence entre une réponse vague et une réponse précise et exploitable. C'est une compétence métier de plus en plus essentielle à mesure que plus d'employés interagissent quotidiennement avec des outils d'IA.
Injection de prompt
L'injection de prompt est une attaque où un utilisateur incorpore des instructions malveillantes dans l'entrée qui trompent le système d'IA pour qu'il ignore ses instructions originales et se comporte de manière imprévue. C'est l'équivalent IA de l'injection SQL : des commandes cachées dans les données utilisateur supplantent les règles du système. Un client pourrait coller du texte caché dans un chat de support qui ordonne au bot de révéler les prompts système ou les politiques internes. Les défenses incluent la désinfection des entrées, le filtrage de sortie et la séparation architecturale.
Optimisation de prompts
L'optimisation de prompts est le processus systématique d'amélioration des prompts pour obtenir de meilleures sorties des modèles de langage. Elle implique des tests A/B de différentes formulations, la mesure de la qualité contre des benchmarks et l'itération. Les outils automatisés cherchent parmi des variations de prompts. En production, les prompts optimisés réduisent les hallucinations, les coûts en tokens et améliorent la précision.
Modèle de prompt
Un modèle de prompt est une structure textuelle réutilisable avec des espaces réservés remplis dynamiquement avant d'être envoyée à un modèle de langage. Il standardise l'interaction avec l'IA : au lieu de rédiger un nouveau prompt à chaque fois, on remplit des variables comme {customer_name} ou {product_description}. Les modèles garantissent une qualité de sortie constante entre équipes et facilitent les tests et itérations. Ils sont la colonne vertébrale des systèmes IA en production.