Intelligence artificielle : le glossaire pour s'y retrouver

Depuis 2022 et l'arrivée de ChatGPT dans le grand public, l'intelligence artificielle est partout dans le discours. Mais quand vient le moment de cadrer un projet, le vocabulaire technique devient vite un mur. Voici un repère court pour s'y retrouver, sans avoir à devenir data scientist pour autant.

Une brève histoire en quelques dates

L'idée d'imiter l'intelligence humaine par la machine est née bien avant les ordinateurs modernes. En 1950, Alan Turing imagine son fameux test : si une machine peut tenir une conversation indiscernable d'un humain, on peut considérer qu'elle pense. Six ans plus tard, la conférence de Dartmouth donne officiellement naissance au terme « intelligence artificielle » et lance la discipline.

Les décennies qui suivent alternent grandes promesses et déceptions. Les systèmes experts des années 1980, censés codifier la connaissance humaine en règles logiques, déçoivent à grande échelle : c'est l'« hiver de l'IA ». Le redémarrage vient en 2012 avec AlexNet, qui prouve la puissance des réseaux de neurones profonds sur la reconnaissance d'image. La cadence s'accélère ensuite : AlphaGo bat le champion du monde de Go en 2016, l'architecture Transformer est inventée chez Google en 2017, puis GPT-3 démontre en 2020 que les modèles de très grande taille font émerger des capacités inattendues.

Fin 2022, ChatGPT démocratise tout. Ce qui était jusque-là un sujet de laboratoire arrive entre les mains du grand public en quelques mois. Depuis, l'IA générative gagne en multimodalité (texte, image, voix, vidéo), prend la forme d'agents capables d'enchaîner plusieurs actions, et entre dans un premier cadre réglementaire avec l'AI Act européen voté en 2024. L'étape actuelle, déjà bien entamée, c'est son intégration discrète dans les outils métier du quotidien.

Les 20 termes à connaître

Voici le vocabulaire que vous croiserez le plus souvent quand vous discuterez d'un projet IA, classés sans ordre particulier.

IA (Intelligence Artificielle)

Discipline informatique qui simule des capacités cognitives humaines : raisonnement, perception, langage. Recouvre des techniques très diverses, de la logique symbolique au deep learning.

Machine learning (ML)

Apprentissage automatique. Au lieu d'être programmée règle par règle, la machine apprend à reconnaître des motifs à partir d'exemples.

Deep learning

Sous-ensemble du ML utilisant des réseaux de neurones à plusieurs couches. C'est lui qui est à l'origine de la révolution IA des années 2010.

Réseau de neurones

Modèle inspiré du fonctionnement du cerveau, composé de couches de neurones artificiels qui transmettent et transforment l'information jusqu'à produire une réponse.

LLM (Large Language Model)

Grand modèle de langage entraîné sur d'énormes corpus de texte. Il comprend et génère du langage naturel. Exemples : GPT, Claude, Gemini, Mistral, Llama.

Transformer

Architecture de réseau de neurones introduite en 2017 par Google. Elle est à la base de presque tous les LLM modernes grâce à son mécanisme d'attention.

Token

Plus petite unité de texte traitée par un LLM, souvent un mot ou un fragment de mot. Les tarifs des API d'IA sont en général exprimés au million de tokens.

Prompt

Instruction donnée au modèle. La qualité de la réponse dépend beaucoup de la qualité, de la précision et du contexte du prompt.

Prompt engineering

L'art de formuler les prompts pour obtenir les meilleurs résultats. Métier émergent depuis 2022, à mi-chemin entre la rédaction, la pédagogie et la technique.

Hallucination

Quand un modèle invente une réponse fausse en la présentant avec assurance. C'est le principal défi de fiabilité des LLM dans un usage professionnel.

RAG (Retrieval-Augmented Generation)

Technique qui ancre les réponses du modèle dans des documents réels (les vôtres). Réduit drastiquement les hallucinations et permet à l'IA de citer ses sources.

Embedding

Représentation numérique (un vecteur de nombres) d'un texte, d'une image ou d'une donnée. Deux choses sémantiquement proches ont des embeddings proches.

Base de données vectorielle

Base de données spécialisée dans le stockage et la recherche d'embeddings. Pierre angulaire du RAG. Exemples : Pinecone, Qdrant, Weaviate, pgvector.

Fine-tuning

Ajustement d'un modèle pré-entraîné sur des données spécifiques pour le spécialiser à un domaine, un style ou un format de réponse précis.

Inférence

Étape où le modèle génère une réponse à partir d'un prompt. À distinguer de l'entraînement, qui est beaucoup plus coûteux en calcul.

Vision par ordinateur

Sous-domaine de l'IA qui interprète images et vidéos : reconnaissance d'objets, détection, segmentation, suivi de mouvement, lecture de plaques.

NLP (Natural Language Processing)

Traitement automatique du langage : compréhension, génération, traduction, résumé, classification. Tout ce qui touche au texte non structuré.

Agent IA

Système autonome capable d'enchaîner plusieurs étapes pour accomplir une tâche : naviguer sur le web, appeler des outils, écrire du code, prendre des décisions.

Multimodal

Modèle qui traite plusieurs types de données dans un même flux (texte, image, audio, vidéo). Les modèles modernes sont presque tous multimodaux.

AI Act

Règlement européen entré en application progressivement entre 2024 et 2027. Premier cadre légal mondial pour l'IA, organisé selon le niveau de risque des usages.

Et après ?

Ce vocabulaire évolue vite. Si un terme entendu en réunion vous semble obscur, demandez une explication concrète : la plupart des notions d'IA ont une définition simple sous leur emballage technique. L'important, ce n'est pas de tout connaître, c'est de savoir poser les bonnes questions pour cadrer un projet utile.