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
Réseau résiduel (ResNet)
Un réseau résiduel (ResNet) est une architecture de réseau de neurones profond qui utilise des connexions de raccourci — ajoutant l'entrée d'une couche directement à sa sortie — pour permettre l'entraînement de réseaux très profonds. Sans ces connexions, les réseaux profonds souffrent de gradients évanescents. Les ResNets ont résolu ce problème et permis la révolution du deep learning en vision par ordinateur. Ils restent fondamentaux pour la classification d'images et la détection d'objets.
IA responsable
L'IA responsable est la discipline consistant à concevoir, déployer et gouverner des systèmes d'IA équitables, transparents, sûrs, respectueux de la vie privée et redevables. Elle traduit les principes éthiques en pratiques concrètes : tests de biais, documentation, supervision humaine, études d'impact et recours clairs en cas d'erreur.
Génération augmentée par récupération (RAG)
Le RAG connecte un modèle de langage à vos propres documents : à chaque question, le système récupère d'abord les passages les plus pertinents d'une base de connaissances, puis les transmet au modèle pour qu'il réponde à partir d'informations réelles et à jour de l'entreprise, et non de ses seules données d'entraînement. Cela réduit fortement les hallucinations et garde les réponses actuelles sans réentraînement.
Apprentissage par renforcement à partir de retours humains (RLHF)
Le RLHF est la technique d'entraînement qui a transformé les modèles de langage bruts en assistants utiles comme ChatGPT et Claude. Des humains comparent des paires de réponses et choisissent la meilleure ; un modèle de récompense apprend ces préférences ; puis l'apprentissage par renforcement optimise le modèle de langage pour produire les réponses préférées, le rendant plus utile, honnête et sûr.
Automatisation robotisée des processus (RPA)
L'automatisation robotisée des processus (RPA) utilise des robots logiciels pour imiter les actions humaines sur les systèmes informatiques — cliquer, remplir des formulaires, copier des données — afin d'automatiser des tâches répétitives et basées sur des règles. Contrairement aux agents IA qui raisonnent, la RPA suit des scripts prédéfinis. Une banque marocaine pourrait utiliser la RPA pour transférer des données de pièces jointes dans son système bancaire. La RPA est souvent un premier pas vers l'automatisation avant d'ajouter des capacités d'IA.
Robotique
La robotique est le domaine interdisciplinaire combinant l'IA, le génie mécanique et le génie électrique pour concevoir, construire et faire fonctionner des robots capables d'accomplir des tâches physiques de manière autonome ou semi-autonome. La robotique moderne intègre la vision par ordinateur pour la perception, l'apprentissage par renforcement pour la prise de décision et le TALN pour l'interaction homme-robot. Applications : lignes d'assemblage, robots chirurgicaux, agriculture et logistique.
Encodage positionnel rotatif (RoPE)
L'encodage positionnel rotatif (RoPE) injecte l'information positionnelle dans les modèles transformer en faisant tourner les vecteurs requête et clé dans les couches d'attention, plutôt qu'en ajoutant des embeddings de position aux entrées. RoPE encode les positions relatives naturellement, permettant la généralisation à des longueurs non vues à l'entraînement. Utilisé dans LLaMA, Mistral, Qwen et d'autres modèles modernes.
Montée en échelle (scaling)
Le scaling en IA désigne l'observation selon laquelle la performance des modèles s'améliore de façon prévisible quand on augmente le calcul, les données et les paramètres. Ce principe, parfois appelé scaling laws, a alimenté la course aux modèles toujours plus grands. Mais le scaling ne se limite pas aux modèles plus gros : il signifie aussi l'extension opérationnelle, le déploiement de l'IA à davantage d'utilisateurs, de cas d'usage et de régions sans rompre la fiabilité ni le budget.
Auto-attention
L'auto-attention est le mécanisme au sein des modèles transformer qui permet à chaque token d'une séquence de porter attention à tous les autres, calculant des scores de pertinence déterminant combien chaque mot doit influencer la représentation de chaque autre mot. C'est ce qui permet au modèle de comprendre que dans « le chat s'est assis sur le tapis », « il » fait référence à « le chat » et non à « le tapis ». L'auto-attention a remplacé le traitement séquentiel des RNN par une approche parallélisable qui s'adapte efficacement.