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
Métriques d'évaluation
Les métriques d'évaluation sont des mesures quantitatives évaluant la performance d'un modèle. Classification : exactitude et F1 ; régression : erreur quadratique moyenne ; traduction : BLEU. Choisir la bonne métrique est crucial — optimiser pour la mauvaise peut produire un modèle qui échoue en pratique.
IA explicable (XAI)
L'IA explicable regroupe des techniques qui rendent les décisions des modèles d'IA compréhensibles aux humains, répondant à la nature boîte noire des réseaux de neurones profonds. Les méthodes incluent les valeurs SHAP, LIME, la visualisation d'attention et les explications basées sur des concepts. L'XAI est essentiel pour les secteurs réglementés : une banque marocaine doit pouvoir expliquer pourquoi un crédit a été refusé, et un hôpital doit justifier la recommandation d'un IA de diagnostic auprès d'un médecin.
Ingénierie des caractéristiques
L'ingénierie des caractéristiques utilise les connaissances du domaine pour créer et sélectionner des variables d'entrée pertinentes. Les exemples incluent convertir des horaires en jours-de-la-semaine ou combiner des adresses en distances. Essentielle pour les données tabulaires d'entreprise, elle est souvent plus rentable que le réglage du modèle.
Extraction de caractéristiques
L'extraction de caractéristiques consiste à transformer des données brutes en un ensemble de variables informatives et non redondantes exploitables par des modèles de machine learning. En vision par ordinateur, un CNN extrait automatiquement des bords et des textures ; en NLP, des tokeniseurs convertissent les mots en identifiants. Les caractéristiques manuelles étaient courantes avant le deep learning ; désormais les modèles les apprennent seuls, bien que l'ingénierie des caractéristiques reste précieuse pour les données tabulaires d'entreprise.
Sélection de caractéristiques
La sélection de caractéristiques identifie les variables les plus pertinentes et élimine les redondantes. Moins de caractéristiques signifient entraînement plus rapide et moindre risque de surapprentissage. Techniques : corrélation, information mutuelle, élimination récursive, régularisation L1.
Apprentissage fédéré
L'apprentissage fédéré est une technique où plusieurs organisations entraînent conjointement un modèle d'IA sans partager leurs données brutes. Chaque participant entraîne une copie locale du modèle sur ses propres données, puis ne partage que les mises à jour du modèle — pas les données — avec un serveur central qui les agrège. C'est comme plusieurs hôpitaux étudiant leurs propres dossiers patients puis mettant en commun ce qu'ils ont appris, sans qu'aucun dossier ne quitte l'hôpital. La confidentialité et la conformité réglementaire en sont les principaux moteurs.
Apprentissage à few shots
L'apprentissage à few shots est la capacité d'un modèle à réaliser une nouvelle tâche après avoir vu seulement quelques exemples, typiquement deux à cinq, sans réentraînement. Les grands modèles de langage excellent : montrez quelques paires entrée-sortie et le modèle déduit le schéma. Une équipe RH peut classifier des CV en junior ou senior en fournissant trois exemples étiquetés dans le prompt. Cette capacité est ce qui rend les LLM modernes suffisamment flexibles pour des milliers de cas d'usage métier sans créer de modèles sur mesure.
Few-shot prompting
Le few-shot prompting fournit au modèle 2 à 5 exemples du comportement souhaité dans le prompt. Le modèle infère le schéma sans fine-tuning. Par exemple, lister trois e-mails étiquetés positif/négatif/neutre puis demander de classer un quatrième. Méthode la plus pratique pour les applications métier.
Fine-tuning
Le fine-tuning prend un modèle pré-entraîné et l'affine sur un jeu de données spécifique. Au lieu de construire from scratch, on spécialise un modèle existant. Une banque marocaine pourrait affiner un LLM open source sur ses politiques de prêt. Les méthodes vont du fine-tuning complet à LoRA et QLoRA.