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
Élagage (pruning)
L'élagage est une technique de compression qui supprime les poids ou neurones inutiles d'un réseau de neurones entraîné, réduisant sa taille et accélérant ses calculs tout en préservant la majeure partie de sa précision. C'est comme tailler les branches mortes d'un arbre pour l'aider à pousser. L'élagage structuré supprime des canaux ou des couches entiers ; l'élagage non structuré met à zéro des poids individuels. L'élagage fonctionne souvent aux côtés de la quantization pour déployer des appareils à ressources limitées.
Qdrant
Qdrant est une base de données vectorielle open source conçue pour stocker des embeddings et retrouver les éléments les plus similaires en quelques millisecondes. Elle alimente la recherche sémantique, les recommandations et les systèmes RAG, avec filtrage, montée en charge et une API simple. Écrite en Rust pour la vitesse, elle fonctionne en local, via Docker ou en cloud managé. Une boutique e-commerce à Casablanca pourrait utiliser Qdrant pour permettre la recherche de produits par sens : « veste chaude pour hiver » renvoie des articles pertinents même sans mots-clés exacts.
QLoRA
QLoRA (Quantized Low-Rank Adaptation) est une technique de fine-tuning des grands modèles de langage sur du matériel modeste. Elle compresse le modèle de base en précision 4 bits par quantization, puis entraîne uniquement de petites couches adaptatrices LoRA, réduisant fortement la mémoire nécessaire tout en gardant une qualité proche du fine-tuning complet. Grâce à QLoRA, une startup marocaine peut adapter un modèle open source aux messages clients en darija avec un seul GPU grand public, au lieu de louer un cluster coûteux.
Quantization (quantification)
La quantization réduit la précision numérique des poids d'un modèle, par exemple de 16 bits à 4 bits, afin qu'il consomme moins de mémoire et tourne plus vite, avec une perte de qualité minime. C'est comme compresser une photo haute résolution : le fichier rétrécit mais l'image reste reconnaissable. Elle permet d'exécuter des modèles de langage performants sur des ordinateurs portables ou des serveurs locaux. Une clinique marocaine soucieuse de confidentialité pourrait faire tourner un modèle quantifié sur place plutôt que d'envoyer les dossiers patients vers le cloud.
Apprentissage automatique quantique (QML)
L'apprentissage automatique quantique étudie comment les ordinateurs quantiques, qui exploitent des phénomènes physiques comme la superposition et l'intrication, pourraient accélérer ou améliorer des tâches d'apprentissage comme l'optimisation et la reconnaissance de motifs. Le domaine reste expérimental : le matériel quantique actuel est petit et bruité, et les avantages pratiques pour les entreprises sont rares. Voyez-le comme la recherche sur un moteur du futur, pas un outil pour demain. Banques et logisticiens le suivent pour des problèmes de long terme.
Expansion de requête
L'expansion de requête améliore les résultats de recherche en enrichissant la requête initiale avec des synonymes, des termes liés ou des reformulations avant la récupération. Si un client tape « riad pas cher Marrakech », le système cherche aussi « maison d'hôtes abordable Marrakech » pour capter des documents formulés autrement. Dans les pipelines RAG, un modèle de langage génère souvent plusieurs variantes de la question afin que le récupérateur trouve davantage de passages pertinents. C'est une technique peu coûteuse qui augmente nettement le rappel.
Question-réponse (QA)
La question-réponse est la tâche de TALN consistant à produire automatiquement une réponse directe à une question posée en langage naturel, plutôt qu'une liste de liens. Les systèmes peuvent extraire la réponse d'un document, la récupérer dans une base de connaissances, ou la générer avec un modèle de langage ancré dans les données de l'entreprise. Par exemple, une équipe RH à Rabat pourrait déployer un assistant QA sur ses politiques internes : un employé demande «Combien de jours de congé paternité ai-je droit?» et reçoit instantanément une réponse exacte et sourcée.
Forêt aléatoire (Random Forest)
Une forêt aléatoire est une méthode d'apprentissage automatique qui combine des centaines d'arbres de décision, chacun entraîné sur un échantillon aléatoire des données, puis agrège leurs votes pour prédire. Comme sonder une foule d'experts indépendants plutôt que se fier à un seul, elle est plus précise et moins sujette au surapprentissage qu'un arbre unique. Les forêts aléatoires excellent sur les données tabulaires : une banque marocaine peut s'en servir pour évaluer le risque de crédit.
Prompting ReAct (Reason + Act)
ReAct est un schéma de prompting où le modèle de langage alterne entre étapes de raisonnement (« il me faut le taux de change actuel ») et actions (appel d'un outil de recherche ou d'une API), puis exploite les observations retournées pour raisonner à nouveau. Cette boucle penser, agir, observer est la colonne vertébrale de nombreux agents IA. Par exemple, un agent gérant les commandes d'un distributeur casablancais peut raisonner sur l'entrepôt à vérifier, appeler l'API de stock, lire le résultat, puis confirmer la livraison.