Glossaire
INTELLIGENCE Artificielle

APPRENTISSAGE NON SUPERVISÉ : Technique d’apprentissage automatique où le modèle est entraîné sur un ensemble de données non étiquetées, ce qui lui permet d’identifier des structures ou des patterns intrinsèques aux données sans supervision humaine.

APPRENTISSAGE SEMI-SUPERVISÉ : Approche hybride combinant des techniques d’apprentissage supervisé et non supervisé, utilisée lorsque seules certaines parties des données sont étiquetées, ce qui permet d’exploiter efficacement l’ensemble des informations disponibles.

APPRENTISSAGE SUPERVISÉ : Technique d’apprentissage automatique où le modèle est entraîné sur un ensemble de données étiquetées, ce qui lui permet d’apprendre à prédire des résultats corrects à partir de nouvelles données.

BIAIS ALGORITHMIQUE : Partialité ou discrimination involontaire introduite par les modèles d’IA en raison de données d’entraînement biaisées ou de caractéristiques spécifiques du modèle, ce qui peut entraîner des résultats injustes ou non représentatifs.

CLOUD COMPUTING : Modèle de fourniture de services informatiques via Internet, permettant un accès facile, à la demande et souvent évolutif aux ressources de calcul et de stockage, ce qui facilite le traitement et l’analyse des données.

DEEP LEARNING (Apprentissage Profond) : Méthode d’apprentissage automatique basée sur des réseaux de neurones artificiels à plusieurs couches, capable d’extraire des caractéristiques complexes à partir de données non structurées, comme des images, du texte ou du son.

ÉTHIQUE DE L’IA : Ensemble de principes, de normes et de lignes directrices visant à garantir que le développement et l’utilisation de l’IA sont conformes à des valeurs éthiques telles que la transparence, la responsabilité, la confidentialité et la sécurité.

GÉNÉRATION AUGMENTÉE DE RÉCUPÉRATION (RAG, retrieval-augmented generation) : modèle de génération de texte qui intègre des capacités de recherche pour améliorer la qualité et la pertinence des informations générées. Il combine des mécanismes de récupération d’informations avec des techniques de génération de texte pour produire des résultats plus précis et informatifs.

IA : Intelligence Artificielle, domaine de l’informatique qui vise à créer des systèmes capables de simuler l’intelligence humaine, y compris la capacité d’apprendre, de raisonner et de résoudre des problèmes.

IA ACT, l’Artificial Intelligence Act est une régulation de l’Union européenne qui vise à établir un cadre réglementaire pour la mise sur le marché des intelligences artificielles, en prenant en compte les aspects de sécurité, de santé et de droits fondamentaux. Le règlement classifie les systèmes d’intelligence artificielle en fonction du niveau de risque, allant de “minime” à “inacceptable”. Il interdit certaines utilisations contraires aux valeurs européennes, comme les “systèmes de crédit social” ou de vidéosurveillance de masse. Les systèmes d’intelligence artificielle à “haut risque” doivent se conformer au régime de réglementation le plus strict en matière de transparence, de gestion des risques et de gouvernance des données.

IA GÉNÉRALE : Concept d’IA dotée d’une intelligence polyvalente et adaptable, capable d’apprendre et de résoudre efficacement un large éventail de tâches et de problèmes, similaire à l’intelligence humaine.

IA ÉTHIQUE : Approche de l’IA qui intègre des considérations éthiques dès la conception et le développement des systèmes d’IA, en mettant l’accent sur la responsabilité sociale, la durabilité et le respect des droits humains.

IA ÉVOLUTIVE : Domaine de recherche visant à développer des systèmes d’IA capables de s’auto-améliorer et de s’adapter de manière autonome à de nouveaux environnements et tâches, en s’inspirant des principes de la biologie et de l’évolution naturelle.

IA EXPLICITE : Systèmes d’IA conçus pour être transparents et explicables dans leur fonctionnement, en permettant aux utilisateurs de comprendre facilement les décisions et les recommandations générées par le système.

IA FAIBLE (Weak AI) : Systèmes d’IA conçus pour effectuer des tâches spécifiques ou restreintes, sans avoir conscience de soi ni de la capacité de généraliser à d’autres domaines.

IA FORTE (Strong AI) : Concept d’IA dotée d’une intelligence générale équivalente ou supérieure à celle humaine, capable de résoudre une grande variété de problèmes de manière autonome et créative.

IoT (Internet of Things) : Concept selon lequel des objets physiques sont connectés à Internet et peuvent collecter et échanger des données, ouvrant ainsi de nouvelles possibilités d’analyse et de prise de décision.

INTERPRÉTABILIÉ DE L’IA : Capacité à comprendre et à expliquer le fonctionnement et les décisions des modèles d’IA, ce qui est essentiel pour garantir la confiance, la transparence et l’acceptabilité sociale des systèmes d’IA.

LARGE LANGAGE MODELS (LLM) : modèles d’intelligence artificielle spécialisés dans la compréhension et la génération de texte, exploitant des réseaux de neurones massifs pour diverses applications telles que la traduction automatique et l’analyse du langage naturel.

MACHINE LEARNING (Apprentissage Automatique) : Sous-domaine de l’IA qui se concentre sur le développement de modèles et d’algorithmes permettant aux machines d’apprendre à partir de données et d’améliorer leurs performances au fil du temps sans être explicitement programmées.

NATURAL LANGUAGE PROCESSING (NLP) : branche de l’intelligence artificielle qui vise à permettre aux ordinateurs de comprendre, d’analyser et de générer du langage humain de manière automatique. Il englobe des tâches telles que la reconnaissance de la parole, la compréhension du langage, la traduction automatique, entre autres.

RÉSEAU DE NEURONES ARTIFICIELS : Modèle informatique inspiré du fonctionnement du cerveau humain, composé de plusieurs couches de neurones interconnectés, utilisé dans le deep learning pour effectuer des tâches telles que la reconnaissance d’images ou la traduction automatique.

RÉSEAU DE NEURONES COGNITIFS (CNN) : Type spécialisé de réseau de neurones artificiels conçu pour l’analyse de données spatialement structurées, telles que des images, en utilisant des opérations de convolution pour extraire des caractéristiques importantes.

RÉSEAU DE NEURONES RÉCURRENTS (RNN) : Type de réseau de neurones artificiels conçu pour traiter des données séquentielles, telles que du texte ou de la parole, en utilisant des connexions récurrentes qui permettent de mémoriser les informations précédentes pour prendre des décisions contextuelles.

REINFORCEMENT (Reinforcement Learning) : Technique d’apprentissage automatique où un agent apprend à prendre des décisions en interagissant avec un environnement, recevant des récompenses ou des punitions en fonction de ses actions, ce qui lui permet d’optimiser ses stratégies au fil du temps.

SERVICES COGNITIFS, les “services cognitifs” font référence à des technologies qui utilisent l’intelligence artificielle. Ils représentent une catégorie de technologies qui permettent aux systèmes informatiques de traiter les données de manière plus intelligente et de simuler certaines capacités humaines. Ces services sont conçus pour analyser, interpréter et comprendre les données de manière plus avancée en simulant des capacités cognitives telles que la perception, la compréhension du langage naturel, la reconnaissance de la parole, etc.

TRAITEMENT AUTOMATIQUE DES LANGUES (TAL) : domaine qui vise à développer des méthodes et des outils pour permettre aux ordinateurs de comprendre, d’analyser et de produire du langage naturel, tel que celui utilisé par les humains. L’objectif est de faciliter la communication entre les humains et les machines, notamment à travers des applications telles que la traduction automatique et la génération de texte.

TRAITEMENT DU LANGAGE NATUREL (NLP) : Domaine de l’IA qui se concentre sur la compréhension et la génération de texte et de langage humain par les ordinateurs, utilisé dans des applications telles que la traduction automatique, la compréhension de la parole et la génération de résumés.