Une explication claire pour décider. Une précision technique pour creuser. 62 notions, de l’usage quotidien à l’architecture d’un agent.
Un système qui utilise un modèle pour choisir et réaliser des actions vers un objectif. Pour l’entreprise, l’enjeu est de définir ses permissions, ses limites et les moments où une personne doit intervenir.
Une boucle agentique combine généralement instructions, contexte, appels d’outils et observation des résultats. Les budgets, conditions d’arrêt, validations et journaux doivent être définis au niveau de l’application.
Le règlement européen sur l’intelligence artificielle. Il prévoit des obligations qui dépendent notamment du rôle de l’organisation et du type de système ou d’usage concerné.
Le règlement (UE) 2024/1689 distingue plusieurs catégories et prévoit un calendrier d’application progressif. L’analyse d’un projet exige de vérifier les dispositions effectivement applicables à la date considérée. Cette définition ne remplace pas une analyse juridique.
Une transformation qui rend impossible, en pratique et de manière irréversible, l’identification d’une personne. Remplacer un nom par un code correspond souvent à une pseudonymisation, avec des obligations qui subsistent.
L’analyse tient compte de l’individualisation, de la corrélation et de l’inférence, ainsi que des moyens raisonnablement susceptibles d’être utilisés pour réidentifier. La présence d’autres sources peut remettre en cause une anonymisation apparente.
Un outil d’IA qui aide à écrire, comprendre, corriger ou transformer du code. Les propositions doivent être examinées dans leur contexte et vérifiées avant d’intégrer un produit.
L’assistant peut exploiter des fichiers du dépôt, appeler des outils et exécuter des tests selon ses permissions. Il faut contrôler les modifications, les dépendances, la sécurité, les licences et l’éventuel transfert de code vers un fournisseur.
Un enchaînement d’actions qui s’exécute sans refaire les manipulations à la main. Il peut fonctionner avec ou sans IA et doit prévoir les erreurs et les situations inhabituelles.
Un workflow relie des déclencheurs, des règles et des opérations. La fiabilité repose notamment sur les reprises, l’idempotence, les traces et la gestion des exceptions. Ajouter un modèle introduit des contraintes de validation supplémentaires.
Un environnement isolé dans lequel on limite ce qu’un programme ou un agent peut faire. Il permet de tester des actions en réduisant leur accès aux fichiers, au réseau et aux systèmes réels.
Une sandbox applique des restrictions techniques sur les ressources, les processus, le réseau et le système de fichiers. Le niveau d’isolation dépend de la technologie et de la configuration ; un conteneur ne constitue pas, à lui seul, une garantie suffisante pour toute menace.
Un ensemble de tâches et de critères qui permet de comparer des systèmes. Un bon résultat général ne suffit pas à prédire la qualité sur les documents et les contraintes de votre entreprise.
Un benchmark doit documenter ses données, son protocole et ses conditions d’exécution. La contamination des jeux de test, les écarts de configuration et l’optimisation spécifique peuvent limiter la portée d’un classement.
Un système qui retrouve des contenus à partir de leur proximité de sens. Il peut servir à rechercher les passages utiles dans une documentation d’entreprise.
La base stocke des vecteurs d’embedding et des métadonnées. Des index de recherche de voisins proches accélèrent les requêtes. Les filtres d’accès doivent être appliqués au moment de la recherche, avant de transmettre les résultats au modèle.
Une tendance systématique à produire des résultats déséquilibrés ou inadaptés pour certaines situations ou populations. Elle peut affecter la qualité d’une décision, y compris lorsque le modèle semble fonctionner correctement en moyenne.
Les biais peuvent provenir des données, de l’annotation, de la fonction d’optimisation ou du contexte de déploiement. Leur évaluation exige des jeux de cas et des mesures pertinents pour l’usage, avec une analyse des effets sur les personnes.
Une expression utilisée pour désigner des étapes de raisonnement intermédiaires. Une explication détaillée produite par un modèle ne constitue pas une preuve que sa réponse est correcte.
Certains modèles utilisent des mécanismes internes de raisonnement qui ne sont pas exposés intégralement. Pour une application, il est préférable de demander des éléments vérifiables, des hypothèses et des sources plutôt que de considérer une narration du raisonnement comme une garantie.
Les centres de données consomment de l’électricité pour le calcul et les équipements associés, et peuvent utiliser de l’eau pour le refroidissement. Les volumes varient selon les installations et les conditions locales.
La consommation d’eau directe doit être distinguée de celle associée à la production électrique. Les indicateurs PUE et WUE portent sur des périmètres différents ; ils ne permettent pas, seuls, d’attribuer une consommation précise à une requête.
Un mode de facturation fondé sur la quantité de texte traitée et produite. La facture dépend aussi du modèle, du volume des demandes et des étapes cachées dans un processus.
Les tarifs peuvent distinguer entrée, sortie, cache et raisonnement. Les appels d’outils, l’hébergement et la recherche documentaire peuvent ajouter des coûts. Un suivi pertinent associe la dépense à une tâche et à sa qualité.
Le fait de diviser un document en morceaux avant de le rendre consultable par une IA. Des fragments mal choisis peuvent couper une explication ou priver une réponse de son contexte.
Le chunking peut suivre des titres, des paragraphes ou une taille de tokens, avec un chevauchement éventuel. Le bon réglage dépend des documents, du moteur de recherche et des cas d’évaluation.
La propriété d’un système qui donne le même résultat lorsque les entrées et les conditions sont identiques. Une automatisation gagne souvent à garder des étapes déterministes pour les calculs et les règles métier.
Un pipeline peut combiner des fonctions déterministes et des appels probabilistes. Isoler la génération et valider les données permet de conserver des garanties explicites sur les opérations qui suivent.
Une méthode qui définit ce que le système doit réussir avant de réaliser ou modifier la solution. Avec l’IA, les tests posent des limites vérifiables autour de résultats qui peuvent varier.
Les tests unitaires des composants déterministes se combinent à des évaluations des sorties du modèle. On peut vérifier schémas, invariants, permissions et critères métier sur plusieurs exécutions. Réussir ces tests ne garantit pas tous les comportements futurs.
Les exemples utilisés pour ajuster un modèle. Leur qualité, leur origine et leur couverture influencent ce qu’il sait produire et les erreurs qu’il risque de faire.
Les corpus peuvent mêler des données publiques, sous licence, synthétiques ou annotées. La présence d’un contenu dans un corpus ne garantit ni sa restitution exacte ni sa suppression effective par une simple consigne.
Une représentation numérique d’un contenu qui permet notamment de comparer des textes par leur sens. Elle sert souvent à retrouver des documents proches d’une demande.
Un modèle transforme un contenu en vecteur dans un espace multidimensionnel. La proximité se mesure par une métrique comme la similarité cosinus. Un embedding peut révéler des informations et ne doit pas être considéré comme une anonymisation.
Les impacts liés à la réalisation d’une tâche avec un outil numérique. Ils dépendent du modèle, du matériel, du lieu d’exécution et du périmètre retenu ; une requête n’a pas une empreinte universelle.
Une évaluation peut inclure l’électricité, les émissions associées, l’eau et une part des impacts de fabrication du matériel. Les résultats doivent expliciter les hypothèses, les incertitudes et les éléments exclus du calcul.
La phase pendant laquelle un modèle apprend à partir d’exemples. Utiliser un modèle pour obtenir une réponse est une autre opération ; vos données ne servent pas automatiquement à l’entraîner, cela dépend du service et du contrat.
L’entraînement optimise une fonction de perte en ajustant les paramètres. Il peut comprendre un préentraînement, puis des étapes d’adaptation et d’alignement. Les politiques de réutilisation des données doivent être vérifiées pour chaque fournisseur.
La mesure de la qualité d’un modèle sur des cas représentatifs d’un usage. Elle sert à comparer les options et à vérifier qu’une modification améliore réellement le travail attendu.
Une évaluation définit jeux de données, métriques, seuils et méthode de revue. Elle considère aussi coût, latence, sécurité et variabilité. Les cas d’évaluation doivent être distincts de ceux utilisés pour adapter le système.
La quantité d’informations qu’un modèle peut prendre en compte à un moment donné. Elle comprend notamment les instructions, l’historique et les documents transmis ; accumuler du texte peut augmenter le coût et réduire la pertinence.
La limite est exprimée en tokens, selon les règles du modèle et de son API. Une grande fenêtre ne garantit pas que toutes les informations seront correctement exploitées. La gestion du contexte nécessite sélection, résumé ou recherche documentaire.
Une méthode qui montre quelques exemples de ce qui est attendu avant de demander une nouvelle réponse. Elle peut aider à stabiliser le format ou le style d’un travail répétitif.
Les exemples sont fournis dans le contexte, sans modifier les paramètres du modèle. Ils doivent couvrir les cas pertinents, éviter les informations sensibles et être évalués sur des entrées différentes.
Une adaptation d’un modèle par un entraînement supplémentaire sur des exemples choisis. Elle peut améliorer un comportement ou un format, mais n’est pas toujours la bonne manière de lui donner accès à des documents actualisés.
Le fine-tuning ajuste tout ou partie des paramètres, parfois via des adaptateurs. Il nécessite des jeux d’entraînement et d’évaluation séparés, une maîtrise des droits sur les données et une comparaison avec des solutions plus simples.
Une pratique de pilotage qui relie les dépenses technologiques à l’usage et à la valeur obtenue. Pour l’IA, elle aide à comprendre qui consomme quoi et à choisir les bons leviers d’optimisation.
La démarche associe équipes métier, techniques et financières. Elle suit notamment les volumes, les coûts par tâche, les budgets et les écarts. Réduire un prix unitaire sans suivre la consommation totale peut laisser la facture augmenter.
La divulgation d’informations à une personne ou un service qui ne doit pas y accéder. Avec l’IA, elle peut venir d’un copier-coller, d’un mauvais droit d’accès ou d’un outil connecté trop largement.
Les contrôles concernent les entrées, les sorties, les journaux, les fournisseurs et les outils. La prévention nécessite une classification des données, des règles d’accès et un suivi du cycle de vie des informations.
La production de code avec l’aide d’un modèle à partir de demandes et de contexte. Elle change la manière de réaliser le travail, tout en laissant à l’équipe la responsabilité de la qualité du logiciel.
La génération peut couvrir une fonction ou un ensemble de modifications. Un flux robuste conserve des revues, des tests, un contrôle de version et des critères d’acceptation, avec une attention aux erreurs plausibles et aux interfaces inventées.
Une démarche qui examine les ressources nécessaires à un service numérique et cherche à les utiliser plus efficacement. Pour l’IA, la comparaison doit porter sur un service rendu et une qualité comparables.
Les leviers comprennent le dimensionnement, le choix du modèle, la réduction des appels, le cache et l’utilisation du matériel. Les estimations dépendent du périmètre et des données disponibles ; elles ne démontrent pas automatiquement une réduction absolue d’impact.
Une réponse qui invente ou déforme une information tout en paraissant crédible. Une entreprise doit prévoir comment les informations importantes seront vérifiées avant d’être utilisées.
La génération probabiliste n’est pas une consultation garantie d’une source de vérité. Le RAG et les citations peuvent aider à vérifier les réponses, sans supprimer les erreurs. Des évaluations et des contrôles métier restent nécessaires.
L’environnement logiciel qui entoure un agent et encadre son fonctionnement. Il gère ses outils, ses étapes, ses limites et les contrôles nécessaires pour qu’il puisse travailler.
Un agent harness peut gérer les messages, la boucle d’outils, la persistance d’état, les permissions, les budgets et la reprise après erreur. Le comportement final dépend autant de cet environnement que du modèle choisi.
Une organisation où une personne doit valider une étape avant que le processus continue. Elle est utile lorsqu’une erreur aurait une conséquence qu’on ne veut pas déléguer au système.
Le Human-in-the-Loop exige un point de contrôle effectif, une information suffisante pour décider et une possibilité de refus. Une validation systématique sans examen réel ne constitue pas un contrôle utile.
Une organisation où le système agit et où une personne supervise, avec la possibilité d’intervenir. Elle demande de pouvoir détecter les écarts et interrompre le processus à temps.
Le Human-on-the-Loop repose sur l’observabilité, les alertes, les conditions d’arrêt et la capacité d’action de l’opérateur. Il convient de définir les actions réversibles et celles qui exigent une validation préalable.
Les usages d’IA qui échappent aux règles ou à la visibilité de l’entreprise. Ils peuvent passer par des comptes personnels ou des outils non évalués, avec des données de travail.
Le Shadow AI se traite par l’identification des usages, une offre d’outils approuvés, la formation et des contrôles proportionnés. Une interdiction sans solution adaptée peut déplacer l’usage au lieu de le rendre maîtrisable.
La préparation d’informations pour pouvoir les retrouver rapidement. Dans un assistant documentaire, elle conditionne les contenus que le système pourra consulter et leur fraîcheur.
Le pipeline peut extraire le texte, ajouter des métadonnées, découper des fragments, calculer des embeddings et alimenter un index. Il doit gérer les mises à jour, les suppressions, les versions et les droits d’accès.
Le fait de faire fonctionner un modèle déjà entraîné sur une demande. C’est généralement cette opération que vous utilisez et payez au quotidien.
L’inférence exécute les calculs du modèle sur une entrée. Pour un modèle génératif, elle peut produire une séquence token par token. Latence, débit, mémoire et coût dépendent notamment du matériel, du contexte et de la sortie.
Le travail qui consiste à concevoir et tester les demandes faites au modèle. Il vise à rendre un usage plus fiable et plus facile à répéter dans un contexte donné.
La méthode repose sur des critères d’évaluation et des cas de test, avec des versions suivies. Modifier un prompt doit être évalué sur plusieurs exemples et sur le modèle effectivement utilisé.
Une tentative de détourner le comportement d’un système d’IA au moyen d’instructions placées dans une demande ou un contenu qu’il consulte. Le risque augmente si le système peut accéder à des données ou réaliser des actions.
L’injection peut être directe ou indirecte, via un document, un site ou un résultat d’outil. Les défenses incluent permissions minimales, séparation des données et des instructions, validation d’action et limitation des destinations de données. Aucune consigne seule ne suffit.
Un ensemble de règles qui cadre le comportement du modèle dans une application. Il peut préciser le rôle, le ton, le périmètre et la forme des réponses.
Le message système occupe un niveau d’instruction particulier dans certaines API. Il ne doit contenir aucun secret et ne remplace ni les contrôles d’accès, ni la validation des outils, ni une isolation des actions.
Un ensemble de techniques qui permettent à des systèmes de réaliser des tâches comme classer, prédire, générer du contenu ou choisir une action. En entreprise, l’intérêt se juge sur une tâche précise et sur la qualité du résultat obtenu.
Le domaine comprend notamment l’apprentissage automatique, l’apprentissage profond et les approches symboliques. Une capacité observée sur une tâche ne permet pas de conclure à une compréhension générale ni à une fiabilité sur d’autres tâches.
Une façon d’utiliser un logiciel en écrivant des commandes textuelles. Elle permet d’intégrer des actions dans des scripts et peut servir de point d’accès à des agents.
Une CLI expose des commandes, des options, des codes de retour et des flux d’entrée et de sortie. Les arguments doivent être validés et échappés correctement, avec des permissions minimales et des limites d’exécution.
L’enregistrement d’événements utiles pour comprendre ce qu’un système a fait. Elle permet d’examiner une erreur et de suivre les usages, avec des durées et des accès adaptés.
Les logs peuvent contenir identifiants, appels d’outils, statuts et mesures de coût. Enregistrer tous les prompts et toutes les réponses peut exposer des données sensibles. La minimisation, le contrôle d’accès et la suppression doivent être conçus en amont.
La réutilisation d’un résultat ou d’un calcul déjà effectué. Elle peut éviter de refaire certaines opérations, à condition que l’information soit encore valable et que les accès soient respectés.
Il faut distinguer cache de réponse, cache de contexte et cache de calcul. La politique d’expiration, l’invalidation, les clés et l’isolation entre utilisateurs sont essentielles. Le bénéfice dépend de la répétition effective des demandes.
Le système appris qui produit une réponse, une prédiction ou un classement. Plusieurs modèles peuvent être accessibles dans un même outil, avec des capacités, des coûts et des contraintes différents.
Un modèle associe une architecture et des paramètres ajustés pendant l’entraînement. Le produit qui l’entoure ajoute généralement des instructions, des outils, une interface et des règles de traitement des données.
Un modèle entraîné à traiter et produire des séquences de texte. Il peut aider à rédiger, analyser ou transformer des documents, mais une réponse fluide peut contenir des erreurs.
Un LLM estime des distributions de probabilité sur des tokens à partir du contexte disponible. Les modèles modernes utilisent souvent une architecture Transformer ; certains traitent aussi les images, le son ou d’autres modalités.
Un modèle exécuté sur une machine contrôlée par votre organisation. Les demandes peuvent alors rester en interne, si l’ensemble du logiciel, des connexions et de la télémétrie est configuré en conséquence.
L’exécution locale demande de dimensionner mémoire, processeur ou accélérateur, quantification et charge attendue. Il faut vérifier séparément les autres composants : recherche, journaux, mises à jour et outils externes.
Un modèle dont le fournisseur contrôle les conditions d’accès et de modification. Il est souvent utilisé via un service, avec des engagements de confidentialité et des possibilités d’hébergement à vérifier.
Les poids peuvent rester inaccessibles. La licence et le contrat définissent l’usage autorisé, la conservation des données, les lieux de traitement et les modalités de sortie. Le mode de commercialisation ne détermine pas à lui seul la qualité.
La possibilité d’obtenir des réponses différentes à une demande identique. Pour un processus d’entreprise, il faut donc définir les variations acceptables et vérifier les résultats plutôt que compter sur une réponse unique.
L’échantillonnage, les détails d’infrastructure et certaines opérations numériques peuvent faire varier les sorties. Une température nulle ne garantit pas une reproductibilité absolue. Les tests examinent souvent des propriétés et des distributions de résultats.
Une qualification qui renvoie aux libertés accordées pour utiliser, étudier, modifier et partager un système. Pour l’IA, publier les poids d’un modèle ne suffit pas à garantir ces libertés : la licence doit être examinée.
Il faut distinguer logiciel open source, modèle à poids ouverts et licence restreignant certains usages. La disponibilité du code, des informations sur les données et des éléments nécessaires à la modification conditionne l’ouverture réelle du système.
La manière d’organiser les étapes, les outils et les validations d’un processus. Elle définit notamment qui agit, dans quel ordre et ce qui se passe en cas d’erreur.
L’orchestrateur gère l’état, les dépendances, les reprises et les limites d’exécution. Il peut coordonner des tâches déterministes et des décisions de modèle, avec des garde-fous explicites et des opérations idempotentes.
Une fonction qu’un agent peut appeler pour agir ou consulter une information. Rechercher un document, lire un agenda ou préparer une fiche sont des actions différentes, qui demandent des permissions distinctes.
Le modèle propose un appel avec des arguments ; l’application doit valider l’appel et exécuter la fonction. Les schémas, l’authentification et les autorisations doivent être contrôlés côté système, indépendamment des instructions du modèle.
Une valeur interne ajustée pendant l’apprentissage du modèle. Le nombre de paramètres renseigne sur sa taille, sans suffire à dire s’il convient à votre usage.
Les poids et biais numériques constituent les paramètres appris. Leur nombre influe sur la mémoire nécessaire, mais l’architecture, les données, la précision numérique et les méthodes d’entraînement influent aussi sur les capacités.
La demande et les informations que vous transmettez à un modèle. Un objectif clair, un contexte utile et un format attendu facilitent l’obtention d’un résultat exploitable.
Le prompt peut contenir des instructions, des exemples et des données. Selon l’API, les messages ont des rôles distincts. Leur ordre de priorité ne constitue pas une frontière de sécurité suffisante contre les instructions malveillantes.
Une manière standardisée de connecter une application d’IA à des sources et à des actions externes. Elle facilite les branchements, sans rendre les outils connectés fiables ou autorisés par défaut.
Le Model Context Protocol définit une architecture de clients et serveurs exposant notamment outils, ressources et prompts. La configuration des accès, la confiance dans les serveurs et les validations d’action restent à la charge du système qui l’intègre.
Une méthode qui cherche des passages dans vos documents avant de demander au modèle de répondre. Elle permet de s’appuyer sur des informations internes ou récentes, à condition de vérifier les sources et les droits d’accès.
Retrieval-Augmented Generation associe une étape de recherche à la génération. La recherche peut être lexicale, vectorielle ou hybride, puis suivie d’un reclassement. La qualité dépend de l’index, des fragments, du rappel et de l’exploitation des passages.
Le règlement européen qui encadre le traitement des données personnelles. Un projet IA reste soumis à ces règles dès qu’il utilise des informations relatives à des personnes identifiées ou identifiables.
Le cadre comprend notamment finalité, base légale, minimisation, information, sécurité et exercice des droits. Les rôles, contrats de sous-traitance, transferts et éventuelle analyse d’impact doivent être examinés selon le traitement. Cette définition ne constitue pas un conseil juridique.
Le choix automatique d’un modèle selon la tâche à réaliser. Une demande simple peut être traitée par un modèle plus léger, tandis qu’une demande exigeante suit un autre chemin.
Le routage peut utiliser des règles, un classifieur ou des seuils de qualité. Il doit être évalué sur le coût total, les erreurs d’orientation et les mécanismes de repli, avec les mêmes contraintes de confidentialité pour chaque destination.
Le fait de dimensionner l’usage de l’IA au besoin réel et d’éviter les opérations sans valeur utile. Elle porte sur les volumes, les outils et la qualité attendue, à service rendu comparable.
L’analyse inclut le nombre d’appels, la longueur du contexte, le modèle, les sorties et l’infrastructure. Une baisse de consommation par tâche peut être compensée par une hausse du nombre de tâches : c’est un effet rebond à surveiller.
Une réponse organisée dans un format prévu, par exemple des champs pour une fiche ou une facture. Elle permet à un logiciel de traiter le résultat sans devoir interpréter un texte libre.
Un schéma JSON ou un mécanisme équivalent définit les types et les champs attendus. La conformité au schéma ne garantit pas l’exactitude des valeurs. Les contrôles métier et la validation des permissions restent nécessaires.
La capacité à maîtriser où vos données sont traitées, qui y accède et sous quel cadre. Le pays de l’hébergement est un critère parmi d’autres, avec le fournisseur, le contrat et les accès techniques.
L’analyse couvre les juridictions, les sous-traitants, le chiffrement, la gestion des clés, les accès administrateurs et les possibilités de réversibilité. Une localisation européenne ne suffit pas à répondre à toutes ces questions.
Une organisation dans laquelle plusieurs agents se répartissent des rôles et échangent des informations. Cette coordination ajoute de la complexité et doit être justifiée par le travail à accomplir.
Les architectures peuvent utiliser délégation, superviseur, pipeline ou échanges entre pairs. Les coûts de coordination, les conflits d’état et la propagation d’erreurs doivent être évalués face à un agent unique ou à un workflow fixe.
Un réglage qui influence la variété des réponses produites par certains modèles. Une valeur basse peut limiter les variations, sans garantir une réponse exacte ou identique à chaque exécution.
La température modifie la distribution de probabilité utilisée lors de l’échantillonnage. Ses effets dépendent du modèle et des autres paramètres. Certaines API ne proposent pas ce réglage ou le restreignent.
Un morceau de texte que le modèle lit ou produit : parfois un mot, parfois une partie de mot ou un signe. Les volumes de tokens influencent le coût et la quantité de texte que le modèle peut traiter à la fois.
La tokenisation dépend du modèle, de la langue et du contenu. Il n’existe pas de conversion universelle entre mots et tokens. Les fournisseurs peuvent facturer différemment les tokens d’entrée, de sortie, mis en cache ou de raisonnement.
L’examen d’un résultat par une personne capable d’en juger la qualité. Elle demande du temps, des critères et l’accès aux informations qui permettent de confirmer ou de corriger la réponse.
Le protocole précise les cas à revoir, les sources, les critères et les modalités d’escalade. Il faut tenir compte du biais d’automatisation, qui pousse à accepter une réponse parce qu’elle vient du système, et mesurer les désaccords entre évaluateurs.
Essayez un autre mot ou élargissez le thème sélectionné.
Ce dictionnaire est une ressource informative. Il ne constitue pas un conseil juridique ou une recommandation technique adaptée à un projet particulier.