Glossaire de l'intelligence artificielle

Cadre européen établissant des obligations différenciées pour des systèmes et modèles d'IA selon leur nature et leurs risques ; vérifier la version et les dates applicables.

Interface permettant à un programme de demander l'exécution d'un modèle selon des paramètres définis.

Aire sous une courbe, souvent ROC ; son sens dépend du type de courbe précisé.

Exploitation d'un système provoquant dépenses, appels, calculs ou stockage excessifs.

Sommation de gradients calculés sur plusieurs petits lots avant une mise à jour des paramètres.

Optimiseur adaptatif utilisant des estimations des moments des gradients pour ajuster les mises à jour.

Variante d'Adam séparant la décroissance des poids des mises à jour fondées sur le gradient.

Petit module ajouté à un modèle afin de spécialiser son comportement sans réentraîner tous les poids.

Composant permettant de conditionner un générateur visuel à partir de caractéristiques d'une image de référence.

Application qui planifie ou choisit des actions en fonction d'un objectif, souvent à l'aide d'un modèle et d'outils autorisés.

Agent capable de sélectionner différents outils selon la tâche et les capacités disponibles.

Agent ou composant chargé de répartir les tâches et de vérifier les sorties d'autres composants.

Suite finie d'instructions définies pour transformer des entrées en résultats ; tous les algorithmes ne relèvent pas de l'IA.

Ensemble de méthodes visant à rapprocher le comportement d'un système des objectifs, instructions et contraintes définis.

Classification ou estimation de tonalités exprimées dans un texte, avec limites liées au contexte et à l'ironie.

Projection linéaire construisant des axes capturant une grande part de la variance des données.

Mise en relation d'une sortie avec des données vérifiables ou sources fournies, sans garantie automatique de vérité.

Ajout d'informations descriptives ou de labels à des données, manuellement ou automatiquement.

Traitement visant à rendre impossible l'identification d'une personne selon des critères exigeants ; supprimer un nom ne suffit pas nécessairement.

Attribution de propriétés ou intentions humaines à un système, parfois à partir de son style conversationnel.

Production d'une demande d'appel d'outil structurée qu'une application peut valider et exécuter.

Sélection d'exemples jugés utiles à faire annoter, souvent pour limiter les coûts d'étiquetage.

Création automatique d'une tâche d'apprentissage à partir des données elles-mêmes, par exemple prédire des éléments masqués.

Méthodes permettant d'ajuster un modèle à partir de données pour accomplir une tâche, sans programmer explicitement chaque règle de sortie.

Adaptation successive à de nouvelles tâches ou données en cherchant notamment à préserver les capacités antérieures.

Mise à jour du modèle au fil de l'arrivée des exemples, sans réentraîner nécessairement sur tout le corpus.

Entraînement coordonné sur plusieurs appareils ou organisations sans centraliser nécessairement leurs données brutes.

Recherche de structures dans des données sans disposer de cibles explicites pour la tâche considérée.

Apprentissage d'une politique d'action à partir d'interactions, de récompenses et parfois de pénalités dans un environnement.

Réutilisation des connaissances apprises sur une tâche ou un domaine pour en faciliter un autre.

Sous-domaine de l’apprentissage automatique fondé sur des réseaux neuronaux comportant plusieurs couches de transformations apprises.

Utilisation conjointe de données étiquetées et non étiquetées pour apprendre une tâche.

Entraînement sur des exemples associés à une cible connue, pour apprendre à prédire cette cible.

Gouvernance modulant contrôles et obligations selon la gravité et la probabilité des conséquences envisagées.

Modèle construisant des règles de séparation successives entre caractéristiques pour prédire une sortie.

Transformer utilisant un bloc décodeur pour prédire successivement des tokens à partir de son contexte.

Modèle associant la représentation d'une entrée et la génération conditionnée d'une sortie, courant en traduction.

Application qui aide à accomplir des tâches par une interface, éventuellement en utilisant outils, mémoire et plusieurs modèles.

Rencontre scientifique de 1956 traditionnellement associée à l'institutionnalisation du champ nommé « intelligence artificielle ».

Entrée conçue pour provoquer une erreur du modèle, parfois à l'aide de modifications peu perceptibles.

Mécanisme pondérant l'influence de différents éléments d'une représentation sur le calcul d'autres éléments.

Attention reliant une représentation à une autre, par exemple les tokens d'un décodeur aux sorties d'un encodeur.

Utilisation simultanée de plusieurs projections d'attention afin de capter diverses relations.

Création de variantes d'exemples existants pour accroître la diversité d'entraînement sans nécessairement collecter de nouvelles données.

Attention calculée entre éléments d'une même séquence ou représentation.

Exploitation d'un système d'IA sur une infrastructure administrée par l'utilisateur ou son organisation.

Étape où un système critique sa propre sortie selon des critères ; elle ne remplace pas une vérification indépendante.

Réseau apprenant à représenter une entrée dans un code puis à la reconstruire ou à en approcher le contenu.

Modèle génératif apprenant une distribution de représentations latentes et un mécanisme de reconstruction.

Exécution de tâches par un système avec une intervention humaine réduite ; elle peut reposer sur des règles ordinaires sans IA.

Degré auquel un système choisit et exécute ses actions sans validation humaine à chaque étape ; dépend du périmètre autorisé.

Ajustement automatique de la capacité de service selon la charge ou des métriques définies.

Représentation visuelle animée ou produite par IA pour incarner un personnage ou une interface.

Métrique historique de traduction fondée notamment sur le recouvrement de groupes de mots avec des références.

Fonction de classement lexical tenant compte notamment de la fréquence des termes et de la longueur des documents.

Débit maximal de transfert entre mémoire et unités de calcul, souvent limitant pour l'inférence de grands modèles.

Ensemble structuré de faits, relations ou règles consultables par un système ; distinct des poids appris d'un réseau neuronal.

Système stockant et interrogeant des vecteurs, souvent accompagnés de métadonnées et de filtres.

Collection de fichiers ou connaissances conservée sur l'appareil et interrogeable par un moteur de recherche ou RAG.

Normalisation fondée sur les statistiques d'un lot d'exemples, utilisée dans différentes architectures neuronales.

Traitement conjoint de plusieurs requêtes pour mieux utiliser le matériel, avec compromis éventuel sur la latence.

Recherche maintenant plusieurs hypothèses de séquences pendant la génération et les comparant selon leurs scores.

Ensemble de tâches et protocoles permettant de comparer des systèmes dans des conditions précisées.

Optimisation d'un système pour les particularités d'un test plutôt que pour la qualité générale visée.

Valeur ajustable ajoutée à une transformation neuronale ; à distinguer du biais statistique ou social.

Déviation systématique dans les résultats liée à la conception, aux données, aux objectifs ou aux conditions d'utilisation.

Distorsion liée aux choix, erreurs ou préjugés des personnes ou procédés qui attribuent les labels.

Tendance humaine à accorder une confiance excessive aux propositions d'un outil automatisé.

Sous-représentation ou représentation déséquilibrée de groupes ou situations dans les données ou le modèle.

Distorsion créée lorsque l'échantillon observé ne représente pas correctement la population visée.

Compromis analytique entre erreurs liées à des hypothèses trop rigides et sensibilité excessive aux données d'entraînement.

Construction progressive d'un ensemble de modèles où chaque étape cherche à améliorer les performances des précédentes.

Cycle observation, décision, action puis vérification qui peut se répéter jusqu'à une condition d'arrêt.

Rectangle représentant approximativement la position et l'étendue d'un objet détecté.

Procédé ajoutant du bruit à des données au cours de plusieurs étapes d'un modèle de diffusion.

Limite de consommation ou de volume de tokens prévue pour une requête, tâche ou période.

Procédé de construction de tokens en fusionnant progressivement des séquences fréquentes de symboles.

Conservation des clés et valeurs d'attention déjà calculées pour accélérer la génération séquentielle.

Degré de correspondance entre probabilités annoncées et fréquences réelles des événements.

Aptitude observée lorsque l'échelle ou l'entraînement change ; le caractère brusque ou « émergent » dépend aussi des mesures utilisées.

Variable descriptive fournie au modèle ou construite à partir des données.

Dégradation de capacités auparavant apprises lorsque le modèle est adapté à de nouvelles données ou tâches.

Relation dans laquelle une intervention sur un facteur peut modifier un résultat, selon des hypothèses et méthodes explicites.

Répartition des couches d'un modèle entre différents dispositifs, souvent CPU et GPU.

Application conversationnelle utilisant des règles, des modèles ou leur combinaison pour échanger avec un utilisateur.

Ensemble des modèles, jeux de données, dépendances et artefacts externes qui peuvent introduire des vulnérabilités.

Expression désignant une suite textuelle d'étapes de résolution ; sa présence n'atteste pas que le texte décrit fidèlement les calculs internes.

Sauvegarde d'un état de modèle et éventuellement de l'optimiseur permettant reprise ou comparaison.

Répétition contrôlée d'une petite zone entre deux segments adjacents pour limiter les ruptures de contexte.

Portion de document découpée pour indexation, récupération ou insertion dans un contexte.

Stratégie de découpage des documents en segments, selon taille, structure ou sens.

Référence inventée ou mal attribuée par un modèle ; sa présence formelle ne prouve pas que la source existe.

Attribution d'une ou plusieurs catégories discrètes à un exemple.

Attribution d'une ou plusieurs catégories globales à une image.

Synthèse imitant les caractéristiques d'une voix cible ; son usage soulève des questions de consentement et d'usurpation.

Organisation non supervisée d'exemples en groupes selon une mesure de proximité ou une structure apprise.

Stabilité des objets, identités, mouvements ou détails d'une image à l'autre dans une vidéo générée ou analysée.

Proposition de la suite probable ou utile d'un programme pendant sa rédaction.

Arbitrage pratique entre niveau de réponse, dépenses et temps de traitement selon le contexte d'utilisation.

Comportement linguistique pouvant sembler compréhensif ; sa mesure ne suffit pas à conclure à une expérience subjective.

Famille de tâches visant à extraire intentions, relations ou informations d’énoncés, sans supposer une compréhension humaine.

Critère déterminant quand l'agent doit cesser d'itérer, faute de quoi une boucle peut consommer des ressources indéfiniment.

Informations externes guidant une génération, comme un texte, une image, une pose ou un son.

Niveau de confiance accordé à une réponse correspondant au mieux à sa probabilité réelle d'être correcte.

Addition d'une entrée à la sortie d'une transformation pour faciliter l'optimisation de réseaux profonds.

Question scientifique et philosophique relative à une éventuelle expérience subjective machine ; aucun test consensuel ne permet de la déduire d'une conversation.

Manifestation de volonté répondant à des conditions juridiques spécifiques lorsqu'elle sert de base légale à un traitement.

Famille de méthodes orientant entraînement ou révision de réponses à partir de principes explicites ; le terme est associé à une approche particulière.

Inclusion directe ou indirecte d'exemples d'évaluation dans les données ou procédures ayant servi au développement.

Unité de déploiement regroupant application et dépendances tout en partageant généralement le noyau du système hôte.

Documents, extraits ou informations ajoutés à une requête pour aider le modèle à répondre à un cas précis.

Scénario hypothétique modifiant certains facteurs pour examiner ce qui aurait pu changer dans une sortie.

Architecture de contrôle ajoutant des conditions spatiales à certains générateurs d'images par diffusion.

Opération appliquant un filtre local sur des données, notamment spatiales ou temporelles.

Ensemble de textes, sons, images ou autres documents constituant une ressource d'analyse ou d'apprentissage.

Association statistique entre variables qui ne suffit pas à démontrer une relation causale.

Couche interne située entre les données fournies et la sortie finale d'un réseau.

Ensemble d'opérations appliquées à une représentation entre l'entrée et la sortie d'un réseau.

Courbe reliant taux de vrais positifs et taux de faux positifs lorsque varie un seuil de décision.

Dépense associée à une invocation, dépendant notamment du matériel, du fournisseur et du volume traité.

Modèle évaluant conjointement requête et document pour attribuer un score de pertinence.

Méthode ajustant un modèle directement à partir de paires de préférences, sans étape séparée classique d'entraînement RL.

Format de documentation décrivant collecte, composition, usages et limites d'un jeu de données.

Contenu synthétique ou modifié donnant faussement l'apparence d'une personne ou d'un événement réel ; le contexte et l'intention varient.

Famille de méthodes modifiant les paramètres dans une direction visant à réduire la fonction de perte.

Identification des changements de locuteur et association des segments de parole à des identités vocales provisoires.

Génération par diffusion réalisée dans un espace compressé de représentations plutôt que directement dans les pixels.

Axe ou nombre de composantes d'une représentation ; les vecteurs d'embedding comportent souvent de nombreuses dimensions.

Traitement défavorable lié à l'usage d'un système et pouvant concerner des groupes protégés selon les règles applicables.

Distance géométrique classique entre deux points dans un espace numérique.

Entraînement d'un modèle élève à reproduire certains comportements ou sorties d'un modèle enseignant.

Entraînement d'un modèle sur des traces ou exemples de résolution produits par un autre système ; une trace plausible n'est pas preuve de raisonnement fiable.

Distribution mise à jour après prise en compte d'observations dans un cadre probabiliste.

Représentation probabiliste d'une croyance ou hypothèse avant prise en compte d'une observation donnée.

Description des probabilités associées aux différentes valeurs ou événements possibles.

Probabilités attribuées aux différents tokens candidats à une étape de génération.

Ensemble d'informations décrivant objectif, données, fonctionnement, évaluations, limites et conditions d'utilisation.

Exemple utilisé pour ajuster les paramètres d'un modèle pendant l'apprentissage.

Information se rapportant à une personne physique identifiée ou identifiable, directement ou indirectement, au sens du cadre applicable.

Contenus sans structure tabulaire imposée, comme des images, textes libres ou enregistrements audio.

Données présentant une organisation partielle, comme certains documents JSON ou XML.

Expression à contextualiser : peut désigner des informations confidentielles ou des catégories particulières juridiquement définies de données personnelles.

Données organisées selon un schéma explicite, par exemple des lignes et colonnes.

Exemples produits artificiellement, par simulation ou génération, plutôt que recueillis directement auprès du monde observé.

Ensemble de questions relatives aux œuvres utilisées ou produites avec l'IA ; les règles dépendent de la juridiction et des circonstances.

Technique de régularisation désactivant aléatoirement certaines activations pendant l'entraînement.

Quantité d'unités, comme tokens ou images, traitées par unité de temps dans des conditions définies.

Estimation et suppression graduelle du bruit au cours de la génération par diffusion.

Choix à chaque étape du token ayant le score le plus élevé, sans explorer plusieurs séquences possibles.

Partie d'architecture produisant une sortie, souvent token après token ou à partir de représentations d'un encodeur.

Découpage d'un objectif complexe en sous-tâches plus simples, séquentielles ou parallèles.

Repérage et suppression d'exemples identiques ou trop proches afin de limiter répétitions et contaminations.

Combinaison de protections indépendantes plutôt que dépendance à une seule consigne ou barrière.

Marqueur séparant instructions et données dans une entrée afin de rendre leur rôle plus clair.

Mise à disposition d'un modèle et des composants nécessaires dans un environnement d'utilisation.

Mise en production limitée d'une nouvelle version auprès d'une petite partie du trafic avant généralisation.

Changement de la relation entre les entrées et ce qu'on cherche à prédire.

Évolution de la distribution des entrées entre entraînement et exploitation.

Mesure de variation d'une fonction lorsque l'on modifie une variable en maintenant les autres constantes.

Situation où certaines catégories sont beaucoup moins présentes que d'autres, ce qui peut fausser l'apprentissage ou les métriques.

Identification d'observations qui s'écartent significativement d'un fonctionnement habituel.

Identification d'objets présents et estimation de leurs positions dans une image.

Repérage d'opérations suspectes à partir de signaux et de modèles, sous réserve de contrôle des faux positifs.

Propriété d'un calcul donnant la même sortie pour les mêmes entrées et conditions ; elle dépend du matériel et des opérations.

Arrêt de l'entraînement lorsque la qualité mesurée sur validation cesse de progresser selon une règle définie.

Hausse globale d'usage pouvant compenser des gains d'efficacité réalisés par opération.

Représentation numérique dense d'un objet, comme une phrase, un document, une image ou un token.

Vecteur représentant une phrase entière pour la recherche, la comparaison ou la classification sémantique.

Vecteur associé à l'identifiant d'un token, servant d'entrée au réseau de neurones.

Manipulation destinée à altérer les paramètres ou le comportement d'un modèle pendant son développement ou sa distribution.

Introduction ou modification malveillante d'exemples pour perturber entraînement, recherche ou résultats.

Estimation des émissions de gaz à effet de serre associées à une activité, dont le périmètre et la méthode doivent être précisés.

Information ajoutée aux représentations pour que le modèle distingue l'ordre ou les positions des tokens.

Partie d'architecture transformant une entrée en représentations internes utilisées pour comprendre ou conditionner une tâche.

Composant transformant une image ou vidéo en représentations numériques exploitables par d'autres modules.

Adresse ou route d'un service accessible à un client pour exécuter une opération, comme générer une réponse.

Processus ajustant les paramètres d'un modèle à partir d'exemples et d'une fonction objectif.

Entraînement simulant les effets de la faible précision pour mieux préserver la qualité finale.

Répartition des calculs d'apprentissage entre plusieurs processeurs ou machines.

Mesure de l'incertitude d'une distribution ; son interprétation précise dépend du cadre.

Perte comparant une distribution cible à une distribution prédite, courante en classification et modèles de langage.

Ensemble des situations qu'un algorithme de planification ou de recherche peut considérer.

Espace de représentations internes apprises où les propriétés des données sont encodées numériquement.

Détection de positions ou articulations d'un corps ou objet selon une représentation choisie.

Critère exigeant qu'une prédiction corresponde exactement à une réponse de référence selon une règle définie.

Proportion de prédictions correctes parmi toutes les prédictions, à interpréter avec la distribution des classes.

Unité de données individuelle, comme une ligne de tableau, une image ou une conversation.

Donnée modifiée intentionnellement pour tromper un système de prédiction ou de génération.

Contre-exemple illustrant un résultat à éviter dans une consigne ou des données d'apprentissage.

Extraction ou transmission non autorisée d'informations vers un destinataire ou emplacement externe.

Ajout de termes ou formulations apparentés pour améliorer le rappel documentaire.

Capacité à fournir des éléments compréhensibles sur le fonctionnement ou les facteurs d'une sortie d'un système.

Description des tendances ou mécanismes d'un modèle sur de nombreuses entrées.

Analyse des facteurs influençant une prédiction particulière plutôt que le comportement global.

Repérage dans un texte de mentions comme personnes, organisations, lieux ou dates.

Tentative de reconstituer des capacités ou paramètres d'un modèle en exploitant ses réponses ou son accès.

Réalisation effective d'une action demandée par un agent ; elle doit être distinguée de la simple génération d'une intention d'appel.

Sélection d'une partie des données selon un mécanisme défini, aléatoire ou non.

Réglage renforçant ou réduisant l'influence du conditionnement dans certains modèles de diffusion.

Passage complet sur le jeu d'entraînement selon la procédure définie.

Objectif d'examiner et limiter certaines disparités injustifiées ; plusieurs définitions mathématiques peuvent être incompatibles.

Mise à jour ou unité de progression dans l'optimisation ; son comptage dépend du pipeline.

Données décrivant où en est un workflow et ce qui a déjà été accompli.

Catégorie ou valeur attribuée à un exemple et utilisée comme référence pour une tâche supervisée.

Mesure des capacités et limites d'un système sur des tâches, données et critères définis.

Analyse structurée des effets prévisibles d'un traitement ou système sur les personnes, les droits et les risques.

Analyse séparée de la qualité de récupération, de l'utilisation des sources et de la réponse finale.

Comparaison dans laquelle l'évaluateur ignore l'identité ou une caractéristique des systèmes comparés.

Jugement réalisé par des personnes sur des sorties selon une grille et des consignes explicites.

Comparaison de deux sorties pour exprimer une préférence relative selon des critères définis.

Exemple appartenant réellement à la classe positive mais classé à tort comme négatif par le système.

Exemple appartenant réellement à la classe négative mais prédit à tort comme positif par le système.

Quantité maximale de tokens ou d'éléments que le modèle peut prendre en compte dans une requête selon son architecture et son service.

Consigne accompagnée de quelques exemples illustrant la tâche ou le format attendu.

Aptitude à produire des affirmations exactes, vérifiables et correctement nuancées sur une tâche définie.

Recommandation exploitant des ressemblances entre interactions de plusieurs utilisateurs ou éléments.

Contrôles appliqués aux données reçues afin de repérer formats, contenus ou comportements problématiques.

Contrôles appliqués à une réponse avant affichage, transmission ou exécution d'une action.

Restriction de la récupération selon source, date, langue, droits ou autre attribut.

Objectif explicite pour lequel des données sont collectées ou utilisées.

Entraînement complémentaire d'un modèle préexistant sur des données ou objectifs ciblés afin de modifier son comportement.

Ajustement utilisant des couples entrée-réponse considérés comme des démonstrations attendues.

Transformation, souvent non linéaire, donnant au réseau la capacité d'apprendre des relations complexes.

Fonction pénalisant les erreurs du modèle pendant son apprentissage ; on cherche généralement à la réduire.

Quantité que l'algorithme cherche à minimiser ou à maximiser selon la tâche.

Génération limitée à une structure autorisée, par exemple un JSON conforme à un schéma.

Ensemble d'arbres de décision entraînés avec de l'aléa pour agréger leurs prédictions.

Séparation explicite entre instructions autorisées, contenus non fiables et actions privilégiées.

Expression contextuelle pour des modèles proches des capacités les plus avancées à un moment donné ; ne définit pas une classe stable.

Divulgation de règles internes ou de contenu privilégié dans une réponse du modèle.

Présence d'informations indûment disponibles pendant l'entraînement ou la validation, rendant l'évaluation artificiellement favorable.

Combinaison d'adaptations dans le modèle ou entre elles, selon une méthode compatible et ses contraintes.

Activation pondérant progressivement l'entrée, fréquente dans certaines architectures Transformer.

Format de fichiers fréquemment utilisé pour stocker des modèles quantifiés et leurs métadonnées dans l'écosystème llama.cpp.

Expression pour l'IA classique fondée sur symboles, logique, règles et représentation explicite des connaissances.

Désignation d’une famille d’architectures ou de modèles génératifs préentraînés fondés sur des Transformers ; tous les LLM ne sont pas des GPT.

Ressource graphique utilisée par plusieurs tâches ou utilisateurs, sous des mécanismes de répartition et d'isolation variables.

Architecture récurrente à portes plus compacte que certaines configurations LSTM.

Identification, appréciation, traitement et surveillance des risques selon des critères documentés.

Principe selon lequel une mesure devenue objectif tend à perdre sa capacité à représenter fidèlement le but initial.

Attribution des rôles, politiques, contrôles et processus de suivi pendant tout le cycle de vie d'un système.

Vecteur des dérivées d'une fonction indiquant localement les directions de variation de celle-ci.

Technique de boosting ajoutant des modèles pour réduire progressivement une fonction de perte.

Limitation de l'amplitude des gradients afin de réduire certaines instabilités d'entraînement.

Valeur initialisant un générateur pseudo-aléatoire pour aider à reproduire un tirage, sous réserve d'un environnement compatible.

Modèle de langage de grande taille entraîné sur des corpus importants, capable de nombreuses tâches textuelles et parfois multimodales.

Famille d'architectures combinant récupération documentaire et structures en graphe ; leurs implémentations varient.

Représentation d'entités et de relations sous forme de nœuds et liens exploitables par recherche ou raisonnement.

Mesure de contrôle technique ou organisationnelle restreignant certains comportements ; aucune ne garantit une sécurité absolue.

Aptitude d'un modèle à fonctionner sur des exemples non rencontrés à l'entraînement.

Production de programmes ou fragments logiciels à partir d'instructions ou d'un contexte.

Production automatique de formulations linguistiques à partir de données, de représentations ou d’un contexte.

Animation ou prolongement d'une image fixe par génération temporelle.

Transformation ou prolongement de matière musicale à l'aide d'un modèle, selon les fonctionnalités offertes.

Production d'une image conditionnée par une description textuelle.

Synthèse d'une séquence vidéo à partir d'une description écrite.

Synthèse de séquences d'images dans le temps, conditionnée ou non par texte et références.

Structure de graphe hiérarchique utilisée pour la recherche approximative de voisins proches.

Production d'une information erronée ou non étayée présentée comme vraie ; le terme n'implique aucune expérience subjective du modèle.

Règle ou estimation facilitant une recherche ou une décision, sans garantir toujours l'optimum.

Période de recul des financements ou des attentes après des promesses technologiques non tenues.

Organisation imposant une intervention humaine dans certaines décisions ou étapes du système.

Réglage contrôlant le déroulement de l'apprentissage, comme le taux d'apprentissage ou la taille de lot.

Approche s'appuyant sur des réseaux d'unités de calcul interconnectées, notamment les réseaux de neurones artificiels.

Famille de modèles apprenant principalement à différencier des catégories ou à estimer une sortie conditionnellement à une entrée.

Fonctionnalité d'IA exécutée dans un appareil ou un système dédié plutôt qu'exclusivement sur un serveur distant.

Expression désignant des systèmes conçus pour des tâches délimitées, sans impliquer une intelligence générale.

Notion débattue désignant une IA présentant des capacités larges et transférables sur de nombreuses tâches ; il n'existe pas de seuil universellement accepté.

Systèmes capables de produire du texte, des images, des sons, du code ou d'autres contenus à partir de modèles appris.

Fonctionnement sans connexion réseau pour les opérations visées, sous réserve des dépendances et activations éventuelles.

Architecture combinant plusieurs approches, par exemple règles symboliques, réseaux neuronaux et outils externes.

Exécution d'une fonctionnalité d'IA sur l'appareil de l'utilisateur plutôt que par défaut sur un serveur distant.

Usage de modèles pour estimer une valeur, une catégorie ou un événement futur ou inconnu à partir d'observations.

Famille d'approches qui modélisent des régularités et des incertitudes à partir de données ou de distributions probabilistes.

Approche qui représente explicitement des connaissances et manipule des symboles, règles ou structures logiques pour raisonner.

Propriété d'une opération dont plusieurs exécutions ont le même effet voulu qu'une seule, importante pour les relances automatiques.

Transformation d'une image source en une autre selon des instructions ou conditions.

Effets liés notamment à l'énergie, à l'eau, au matériel et aux usages d'un système tout au long de son cycle de vie.

Mesure de contribution de variables à une prédiction ou à la performance générale selon une méthode donnée.

Variabilité inhérente au phénomène ou à l'observation, qui ne disparaît pas nécessairement avec plus de données.

Incertitude due à un manque de connaissances ou de données, potentiellement réductible avec davantage d'information.

Structure organisée permettant de retrouver plus efficacement des données ou documents sans tout parcourir à chaque requête.

Structure permettant de rechercher rapidement des voisins approximativement proches dans de grands ensembles vectoriels.

Structure associant des termes aux documents qui les contiennent, utilisée par la recherche lexicale.

Utilisation d'un modèle déjà entraîné pour produire une sortie à partir de nouvelles entrées ; ne signifie pas obligatoirement raisonnement logique.

Méthode mettant à jour des distributions de croyance à partir des données selon la règle de Bayes.

Attaque visant à déterminer si un exemple précis appartenait aux données d'entraînement.

Exécution d'un modèle principalement sur le processeur généraliste, parfois plus accessible mais moins rapide selon la charge.

Exploitation des unités de calcul massivement parallèles d'une carte graphique pour accélérer certains modèles.

Attaque insérée directement dans un message adressé au modèle pour modifier son comportement hors cadre autorisé.

Attaque placée dans un contenu externe, tel qu'un document ou une page récupérée, que l'assistant pourrait suivre à tort.

Génération ou modification ciblée à l'intérieur d'une zone masquée de l'image.

Ajustement sur des exemples de consignes et de réponses pour mieux suivre les demandes des utilisateurs.

Consignes incompatibles obligeant le système à suivre une règle de priorité ou à signaler l'ambiguïté.

Domaine de recherche et d'ingénierie visant à construire des systèmes capables de réaliser des tâches comme percevoir, prédire, générer ou décider à partir d'entrées.

Conception où le système soutient le jugement et le travail humain au lieu de viser leur remplacement intégral.

Possibilité de comprendre des relations entre représentations, paramètres et décisions d'un modèle.

Intervalle calculé par une méthode statistique pour exprimer l'incertitude d'une estimation.

Méthode cherchant à déduire des informations sur les données d'entraînement à partir d'un modèle.

Tentative de contourner des restrictions comportementales d'un modèle ; ce terme ne recouvre pas toutes les injections indirectes.

Sous-ensemble de données réservé à l'ajustement des paramètres ; distinct des jeux de validation et de test.

Collection d'exemples organisée pour entraîner, adapter, analyser ou évaluer un modèle.

Données tenues à l'écart jusqu'à l'évaluation finale afin d'estimer les performances sur des exemples nouveaux.

Données servant à choisir des réglages ou à sélectionner un modèle sans servir normalement à son ajustement direct.

Historique des opérations pertinentes servant à vérifier qui a fait quoi et dans quelles conditions.

Enregistrement d'événements techniques ou métier, avec précautions sur les données privées qui pourraient s'y trouver.

Représentation numérique d'un objet ou processus réel, éventuellement associée à des modèles prédictifs ; n'exige pas toujours l'IA.

Méthode prédisant à partir des exemples d'entraînement les plus proches d'une nouvelle entrée.

Technique construisant un modèle simple autour d'un exemple afin d'approximer localement le comportement du modèle étudié.

Usage d'un modèle de langage pour noter ou comparer des sorties ; les biais et la fiabilité du juge doivent être examinés.

Pratiques d'exploitation adaptées aux applications de modèles de langage : prompts, évaluations, versions, coûts, sûreté et observabilité.

Variante de réseau récurrent utilisant des portes pour mieux gérer des dépendances sur des séquences étendues.

Durée nécessaire pour obtenir une sortie après une requête, à distinguer du débit en charge.

Temps écoulé entre l'envoi d'une requête et la disponibilité du premier token généré.

Conditions juridiques encadrant l'accès, la modification, la redistribution ou l'exploitation d'un modèle.

Conditions encadrant l'accès et la réutilisation d'un jeu de données, distinctes de la licence du modèle.

Restriction du nombre d'appels sur une période afin de réduire abus et surcharge.

Période ou périmètre au-delà duquel un modèle ne dispose pas nécessairement d'informations intégrées fiables.

Définition explicite des opérations, destinations ou ressources permises.

Technique PEFT apprenant des matrices de faible rang pour modifier efficacement certaines transformations du modèle.

Score brut produit avant transformation en probabilité, notamment pour les tokens candidats.

Capacité d'un modèle à traiter de grandes séquences ; ne garantit pas de retrouver fidèlement chaque détail éloigné.

Limite imposée au nombre de tokens ou unités produits dans une réponse.

Ensemble d'exemples traités ensemble lors d'un calcul d'apprentissage ou d'inférence.

Projet logiciel d'inférence de modèles, connu notamment pour ses exécutables CPU et GPU et sa compatibilité avec GGUF.

Ensemble de pratiques d'ingénierie organisant développement, déploiement, surveillance et maintenance des modèles d'apprentissage automatique.

Moyenne de l'inverse du rang du premier résultat pertinent sur un ensemble de requêtes.

Méthode cherchant une frontière de séparation avec marge, éventuellement dans un espace transformé par noyau.

Estimation des risques de défaillance d'équipements à partir de données opérationnelles.

Restriction empêchant un token généré de consulter les tokens futurs dans une génération autorégressive.

Structure indiquant quelles positions le mécanisme d'attention peut consulter ou doit ignorer.

Tableau bidimensionnel de valeurs utilisé, entre autres, pour représenter transformations et poids.

Tableau comparant classes prédites et classes de référence pour détailler les erreurs.

Réponse ou action émise par le modèle dans le rôle assistant au sein d'une conversation structurée.

Partie des instructions définissant le cadre de fonctionnement d'un assistant, selon l'interface utilisée.

Contenu d'une demande transmise par une personne ou un programme avec le rôle utilisateur dans un format conversationnel.

Petit sous-ensemble d'exemples utilisé pour approximer un gradient sans traiter tout le jeu à la fois.

Principe consistant à ne traiter que les données nécessaires à une finalité déterminée.

Point dont la valeur est inférieure ou égale à celles de son voisinage sans être forcément la meilleure globalement.

Ajout d'informations via nouveaux entraînements, recherche documentaire ou autres mécanismes, qui n'ont pas les mêmes effets.

Ajout de nouvelles instances de service pour augmenter la capacité globale.

Augmentation des ressources d'une instance existante, par exemple mémoire ou puissance de calcul.

Protocole ouvert définissant des échanges entre applications d'IA et serveurs exposant notamment outils, ressources ou invites ; son usage ne garantit pas leur sûreté.

Format de documentation présentant un modèle, ses usages prévus, limites, évaluations et autres informations utiles.

Modèle reliant représentations sonores et textuelles pour décrire, rechercher ou répondre sur des sons.

Représentation mathématique ou informatique dont les paramètres et les règles permettent de traiter des entrées et de produire des sorties.

Système combinant les prédictions de plusieurs modèles pour améliorer stabilité ou performance.

Version d'un modèle avant certains ajustements conversationnels ou métiers ; le sens exact dépend de l'éditeur.

Modèle génératif apprenant généralement à inverser un processus de bruitage pour produire des échantillons.

Modèle entraîné sur des données étendues puis réutilisable ou adaptable à une pluralité de tâches.

Modèle estimant ou générant des séquences linguistiques ; il peut être de taille et d'architecture variées.

Architecture disposant de plusieurs sous-réseaux experts et d'un mécanisme sélectionnant ceux mobilisés pour chaque entrée ou token.

Modèle apprenant à attribuer un score à des réponses ou actions selon un signal de préférence ou d'utilité.

Modèle ayant reçu un entraînement ou un ajustement visant à suivre des instructions plutôt qu'à seulement compléter du texte.

Modèle capable de traiter ou de produire plusieurs modalités, comme texte, image, audio ou vidéo.

Modèle dont l'accès, les paramètres ou l'exploitation sont contrôlés par des conditions restrictives définies par son détenteur.

Modèle reliant représentations visuelles et langage pour décrire, interroger ou raisonner sur des images.

Terme employé notamment dans le cadre européen pour certains modèles dotés d'une généralité significative ; sa portée juridique dépend du texte applicable.

Production d'une séquence en conditionnant chaque nouvel élément sur les éléments déjà disponibles.

Préentraînement où le modèle apprend à retrouver des éléments cachés dans une séquence.

Surveillance dans la durée de ses performances, entrées, dérives, coûts et incidents.

Composant appliquant des règles logiques à des connaissances pour déduire des conclusions ou répondre à des requêtes.

Stockage explicite d'informations ou d'états que l'application peut réintroduire dans les interactions futures.

Ressources occupées par les états d'attention conservés pendant la génération, susceptibles de croître avec contexte et parallélisme.

Informations enregistrées au-delà d'une requête ou session dans un support prévu à cet effet.

Informations temporaires disponibles pendant une session ou une tâche en cours.

Conservation de détails d'exemples d'entraînement dans les paramètres, parfois jusqu'à reproduction indésirable.

Informations décrivant un contenu, par exemple sa provenance, sa date, sa langue ou ses droits d'usage.

Mesure chiffrée d'un aspect de qualité, de coût ou de performance ; aucune métrique unique ne résume tout un système.

Métrique de classement tenant compte de la pertinence graduée et de la position des résultats.

Processeur spécialisé accélérant des opérations de réseaux neuronaux sur certains appareils.

Classifieur probabiliste reposant sur une hypothèse simplificatrice d'indépendance conditionnelle des caractéristiques.

Méthode apprenant une représentation volumétrique d'une scène pour synthétiser des vues nouvelles à partir d'observations.

Correction, filtrage ou suppression d'exemples inutilisables, incohérents ou corrompus.

Approche visant à associer apprentissage neuronal et représentations ou opérations logiques explicites.

Unité de calcul combinant des entrées pondérées et une fonction de transformation.

Quantité de valeurs ajustables ou stockées d'un modèle ; ne suffit pas à prédire ses performances.

Nombre d'itérations d'échantillonnage ; davantage d'étapes n'améliorent pas toujours le résultat.

Variabilité de résultats malgré des entrées identiques, causée par tirages ou comportements d'exécution variables.

Ajustement des activations selon des statistiques calculées à l'intérieur de la représentation concernée.

Transformation de valeurs vers une échelle ou convention cohérente ; ne se confond pas toujours avec standardisation.

Mesure de taille ou longueur d'un vecteur ou d'un ensemble de paramètres selon une règle mathématique.

Format d'échange de graphes de modèles utilisé pour faciliter leur exécution entre outils et moteurs compatibles.

Exigence d'information portant, suivant les cas, sur l'interaction avec une IA ou le caractère synthétique d'un contenu.

Collecte de signaux permettant de comprendre fonctionnement, performances et erreurs d'un système.

Déplacement d'une partie des poids ou calculs entre GPU, RAM et stockage pour composer avec les limites mémoire.

Consigne accompagnée d'un seul exemple illustrant la sortie attendue.

Logiciel distribué sous une licence donnant des libertés de consulter, modifier et redistribuer le code selon les conditions de cette licence.

Modèle dont les poids sont distribués ; cela ne signifie pas nécessairement que code, données et licences sont ouverts au sens open source.

Mécanisme ou réserve visant à exclure certaines données d'usages d'entraînement, selon sa portée technique et juridique.

Optimisation d'une fonction et d'un domaine présentant des propriétés favorables, notamment l'absence de minima locaux non globaux dans le cadre adéquat.

Algorithme convertissant les gradients en mises à jour des paramètres du modèle.

Composant coordonnant modèles, outils, étapes, autorisations et gestion des erreurs dans un flux de travail.

Gestion automatisée du lancement, du placement, de la montée en charge et de la reprise de conteneurs.

Stratégie faisant évoluer le taux d'apprentissage au fil des étapes d'entraînement.

Fonction extérieure accessible au système, telle que calcul, recherche, terminal ou API, sous contrôle de l'application.

Extension générative d'une image au-delà de ses limites initiales.

Famille de méthodes adaptant un modèle en entraînant une petite proportion de paramètres ou des modules ajoutés.

Algorithme d'optimisation par renforcement limitant certaines variations de politique lors des mises à jour.

Répartition de lots de données entre plusieurs dispositifs qui coordonnent leurs mises à jour.

Répartition des parties d'un même modèle sur plusieurs dispositifs de calcul.

Valeur du modèle autorisée à changer pendant la phase d'optimisation considérée.

Petite région d'image traitée comme unité par certains modèles visuels.

Modèle ancien de classifieur neuronal à seuil, important dans l'histoire de l'apprentissage des réseaux.

Autorisation précisant les ressources et opérations auxquelles un agent peut accéder.

Mesure de la capacité d'un modèle de langage à attribuer une probabilité aux séquences d'évaluation ; elle n'évalue pas seule l'utilité des réponses.

Description d'un rôle ou d'un point de vue professionnel donné à un assistant pour orienter style et cadrage, sans lui conférer une expertise réelle.

Valeur de la fonction de perte mesurée sur des données non utilisées directement pour ajuster le modèle.

Modèle linguistique relativement compact, souvent choisi pour des contraintes de coût, latence ou matériel ; le seuil de taille varie.

Enchaînement d'étapes reproductibles allant de la préparation des données au déploiement et au suivi du modèle.

Suite d'opérations menant de l'entrée utilisateur à la sortie, incluant prétraitement, modèle et post-traitement.

Choix d'une succession d'étapes ou d'actions pour atteindre un objectif sous contraintes.

Paramètres numériques ajustables contrôlant l'influence des entrées et transformations dans un réseau.

Condition bloquant un flux de travail jusqu'à l'obtention d'un accord ou d'une vérification.

Agrégation locale diminuant la résolution d'une représentation, par exemple par maximum ou moyenne.

Comportement caché déclenché par une condition particulière et permettant une action indésirable.

Part des k premiers résultats qui sont pertinents selon la définition choisie.

Attribution au système des seules permissions nécessaires à l'action légitime envisagée.

Probabilité d'un événement lorsque l'on connaît une autre information ou condition.

Estimation de la profondeur d'une scène à partir d'une seule image, avec des ambiguïtés d'échelle possibles.

Entrée fournie à un modèle pour guider sa tâche ; elle peut comprendre instructions, exemples, contexte et données multimodales.

Enchaînement de plusieurs appels dont les sorties alimentent les étapes suivantes.

Conception, test et amélioration des instructions et contextes envoyés à un modèle pour obtenir des résultats plus adaptés.

Tentative de faire traiter des données ou instructions non fiables comme des consignes autorisées pour détourner le système.

Description des éléments à décourager dans des générateurs qui prennent en charge ce type de conditionnement.

Instructions de plus haut niveau transmises dans certains formats d'API pour encadrer un assistant ; leur priorité dépend de la plateforme.

Demande ou matériau fourni au niveau utilisateur, distinct des règles de l'application et des données récupérées.

Calcul des sorties successives du réseau depuis ses entrées avec les paramètres actuels.

Convention permettant à une application de découvrir et d'appeler des fonctions externes selon des schémas partagés.

Traçabilité de l'origine, des transformations et de l'utilisation des données au cours de leur cycle de vie.

Suppression de poids, neurones ou structures jugés peu utiles afin de réduire le modèle ou son calcul.

Parmi les exemples prédits positifs, proportion de ceux réellement positifs.

Utilisation de plusieurs formats numériques pendant l'entraînement pour optimiser mémoire et vitesse en conservant une stabilité suffisante.

Objectif de modélisation consistant à estimer le token suivant à partir du contexte précédent.

Première phase d'apprentissage général sur des données souvent étendues, précédant d'éventuelles adaptations.

Jugement comparatif ou note fourni par une personne sur des sorties possibles d'un modèle.

Transformations appliquées avant l'entraînement ou l'inférence : nettoyage, mise à l'échelle, extraction, découpage, etc.

Estimation de valeurs futures en utilisant une succession d'observations datées.

Remplacement ou séparation d'identifiants réduisant certains risques sans rendre les données automatiquement anonymes.

Réglage réduisant la probabilité de répéter certains tokens ou séquences selon une méthode donnée.

Approche combinant modèle de base quantifié et adaptateurs LoRA entraînables pour économiser la mémoire d'adaptation.

Réduction de précision numérique des poids ou activations pour économiser mémoire et parfois calcul, avec un compromis de qualité possible.

Représentation compressée de poids ou valeurs sur quatre bits selon une méthode particulière, réduisant fortement la mémoire.

Représentation d'une partie des valeurs du modèle sur huit bits, selon un schéma et une méthode définis.

Conversion de précision réalisée après entraînement, avec ou sans calibrage selon l'algorithme.

Architecture récupérant des documents ou données au moment d'une requête et les fournissant au générateur pour contextualiser sa réponse.

Système reliant ses affirmations à des passages retrouvés ; des citations affichées ne garantissent pas leur exactitude.

Mémoire principale de l'ordinateur utilisée notamment pour les poids, buffers, données et exécutions sur CPU.

Règlement général sur la protection des données de l'Union européenne, pertinent pour les usages d'IA traitant des données personnelles.

Apprentissage par renforcement utilisant des retours produits par une IA plutôt que directement par une personne, sous des critères définis.

Entraînement par renforcement à partir de retours humains, souvent via un modèle de récompense appris.

Famille de mesures de recouvrement textuel employées notamment pour l'évaluation de résumés.

Analyse de liens de cause à effet plutôt que de simples régularités corrélées.

Consigne invitant à expliquer une méthode ou une justification vérifiable plutôt qu'à produire seulement une réponse.

Parmi les exemples réellement positifs, proportion de ceux retrouvés par le modèle.

Fonction d'activation renvoyant zéro pour une entrée négative et l'entrée elle-même sinon.

Part des éléments pertinents récupérés dans les k premiers résultats selon le jeu de référence.

Méthodes permettant de retrouver des documents ou passages pertinents dans une collection.

Exploration d'un espace de solutions guidée par une estimation pratique plutôt que par l'examen exhaustif de toutes les possibilités.

Combinaison de recherche lexicale et sémantique, avec fusion ou reclassement des résultats.

Recherche basée sur les mots, termes ou correspondances textuelles d'une requête.

Classement de résultats adapté à un contexte ou profil, avec vigilance sur la confidentialité et l'effet de bulle.

Recherche utilisant des représentations du sens plutôt que la seule correspondance exacte de mots.

Recherche de vecteurs proches d'une requête numérique selon une métrique définie.

Seconde étape réordonnant les résultats récupérés avec un modèle ou un score plus précis.

Conversion d'un signal vocal en transcription textuelle.

Transcription automatique d'écriture à la main, souvent plus variable que du texte imprimé.

Extraction de texte visible dans une image ou un document numérisé.

Estimation de géométrie ou structure tridimensionnelle à partir d'images, mesures ou autres entrées.

Mise à l'épreuve adversariale d'un système pour rechercher faiblesses, abus possibles et scénarios de défaillance.

Comportement consistant à refuser certaines demandes selon des critères définis, tout en évitant les refus injustifiés.

Inventaire décrivant les outils disponibles, leurs paramètres, permissions et modalités de réponse.

Catalogue centralisé d'artefacts de modèles avec versions, métadonnées et statuts de déploiement.

Sélection de sorties candidates selon une règle de qualité, utilisée notamment pour constituer des exemples d'entraînement.

Reprise d'intérêt pour les réseaux de neurones, favorisée notamment par la rétropropagation, les données et la puissance de calcul.

Mécanisme permettant à un workflow de continuer après panne, interruption ou erreur selon l'état sauvegardé.

Capacité à retrouver des résultats comparables en documentant données, code, paramètres, versions et environnement.

Formulation nouvelle d'une question pour améliorer l'étape de recherche sans changer l'intention initiale.

Attribution explicite de décisions et obligations aux acteurs qui conçoivent, déploient ou utilisent l'IA.

Utilisation d'un modèle pour signaler défauts, améliorations ou tests potentiels, à valider par des outils et des personnes.

Comportement maximisant une récompense grâce aux failles de sa définition plutôt qu'en réalisant l'intention de la tâche.

Méthode d'encodage positionnel utilisant des rotations de représentations pour influencer le calcul de l'attention.

Intégration de perception, décision et commande pour agir dans un environnement physique.

Capacité à maintenir des performances acceptables lorsque les conditions ou entrées varient.

Retour contrôlé à une version précédente du modèle ou du service lorsqu'une nouvelle livraison pose problème.

Choix, par un mécanisme de sélection, des experts d'une architecture MoE utilisés pour une partie du calcul.

Moteur logiciel chargeant un modèle et exécutant ses calculs sur du matériel compatible.

Composant sélectionnant les passages ou documents susceptibles de répondre à une requête.

Transformation de données vers moins de variables tout en préservant certaines informations utiles.

Mise à jour de l'ensemble ou de la majorité des poids d'un modèle, contrairement aux adaptations limitées.

Prédiction d'une valeur numérique continue à partir de caractéristiques.

Modèle statistique souvent utilisé en classification pour estimer des probabilités via une fonction logistique.

Techniques limitant la complexité ou contraignant l'apprentissage pour améliorer la généralisation.

Deux réseaux entraînés en compétition : un générateur produit des exemples et un discriminateur tente de les distinguer des vrais.

Architecture utilisant des opérations de convolution, historiquement importante pour le traitement des images.

Modèle constitué de couches de calcul paramétrées dont les transformations sont ajustées par apprentissage.

Architecture exploitant les nœuds et les liens d'un graphe pour apprendre des représentations relationnelles.

Architecture transmettant un état interne d'une étape temporelle à la suivante pour traiter des séquences.

Architecture dotée de connexions qui facilitent le passage d'informations et de gradients entre couches.

Production d'une version abrégée d'un contenu préservant autant que possible ses informations essentielles.

Calcul efficace des gradients à travers les opérations du réseau grâce à la règle de dérivation en chaîne.

Second passage demandant d'améliorer une proposition en tenant compte de critères ou de retours.

Descente de gradient stochastique utilisant des estimations de gradient par exemples ou mini-lots.

Famille de méthodes attribuant une contribution à des caractéristiques selon des idées issues des valeurs de Shapley.

Engagement contractuel sur une qualité de service définie, par exemple disponibilité ou délai.

Format de stockage de tenseurs visant à éviter certains risques liés à la désérialisation arbitraire de formats exécutables.

Algorithme appliquant les étapes de génération d'un modèle, notamment pour choisir une trajectoire de débruitage.

Environnement isolé limitant ce qu'un code ou outil exécuté peut voir ou modifier.

Situation où la quantité d'informations approche la capacité utile de traitement, au risque de troncature ou de perte d'attention.

Valeur numérique unique, par opposition à un vecteur, une matrice ou un tenseur.

Règle définissant la séquence des niveaux de bruit et étapes utilisées au cours de l'échantillonnage.

Description des champs, types et contraintes que doit respecter un jeu de données.

Moyenne harmonique de la précision et du rappel, utile quand les deux dimensions importent.

Identification séparée de chaque objet et de ses pixels, même entre objets de même catégorie.

Combinaison de segmentation sémantique et distinction des instances dans une représentation unifiée.

Attribution d'une classe à chaque pixel sans nécessairement séparer les objets d'une même classe.

Processus exposant un modèle chargé sur l'appareil, par exemple via une API utilisée par plusieurs applications.

Exploitation d'un modèle pour répondre à des requêtes, avec gestion du chargement, de la concurrence et des ressources.

Fonction ramenant une valeur réelle dans l'intervalle ouvert entre zéro et un.

Résultat d'un test indiquant la compatibilité d'observations avec une hypothèse selon un seuil ; ne mesure pas automatiquement l'importance pratique.

Mesure fondée sur l'angle entre deux vecteurs ; souvent utilisée pour comparer des embeddings.

Fonction convertissant un vecteur de scores en distribution de valeurs positives dont la somme vaut un.

Réponse produite suivant des champs et types définis pour être traitée automatiquement.

Modèle ou entraînement insuffisant pour capturer les régularités utiles, y compris sur les données d'entraînement.

Fragment de mot employé par certains tokeniseurs afin de représenter efficacement les vocabulaires.

Présence de nombreuses valeurs nulles ou connexions absentes ; les gains matériels dépendent du support effectif.

Transformation ou génération d'une sortie vocale à partir d'une entrée parlée.

Transformation centrant souvent une variable et ajustant son échelle, par exemple avec sa moyenne et son écart type.

Constitution d'échantillons conservant une répartition voulue de groupes ou catégories.

Transmission progressive des fragments générés sans attendre la fin de la réponse complète.

Association des positions d'un même objet entre images successives d'une vidéo.

Estimation d'une version à résolution supérieure à partir d'une entrée moins détaillée ; elle peut inventer des détails.

Concept prospectif d'un système dépassant largement les capacités humaines sur de nombreux domaines ; ce n'est pas une catégorie technique normalisée.

Dispositifs permettant à des personnes de surveiller, interpréter, corriger ou interrompre un système dans un périmètre défini.

Amélioration d'un score appris ou mesuré qui ne correspond plus à une amélioration réelle de l'objectif recherché.

Modèle trop ajusté aux particularités des données d'entraînement, qui généralise mal à de nouveaux cas.

Ensemble des points par lesquels un attaquant peut influencer, accéder ou compromettre le système.

Mise en correspondance du mouvement des lèvres avec un signal vocal.

Génération artificielle d'un signal de parole à partir d'un texte, avec une voix et une prosodie selon le système.

Ensemble fonctionnel associant modèle, logiciel, données, interfaces et éventuellement actions pour produire des prédictions, recommandations, contenus ou décisions.

Modèle proposant contenus ou produits selon des caractéristiques, interactions ou préférences observées.

Programme mobilisant une base de connaissances et un moteur d'inférence pour reproduire un raisonnement spécialisé explicite.

Ensemble de plusieurs agents coordonnés, coopératifs ou concurrents, dont les rôles sont explicitement répartis.

Catégorie juridique d'applications soumises à des exigences particulières lorsque les critères du cadre réglementaire applicable sont réunis.

Ensemble de pratiques visant à prévenir dommages, abus et comportements indésirables des systèmes d'IA.

Protection de l'intégrité, de la distribution et des conditions d'accès aux fichiers de paramètres d'un modèle.

Extraction de voix ou d'instruments à partir d'un mélange audio.

Aptitude d'un système à fonctionner de manière acceptable malgré défauts, erreurs ou situations imprévues.

Nombre d'exemples ou d'unités réunis dans un lot ; influe sur mémoire et dynamique d'optimisation.

Volume des paramètres et artefacts ; dépend du nombre de paramètres et de leur représentation numérique.

Amplitude des mises à jour des paramètres à chaque étape d'optimisation.

Proportion de sorties ou d'affirmations classées comme non étayées selon un protocole précis.

Modèle réutilisable d'instructions avec champs variables, utile pour homogénéiser des tâches récurrentes.

Réglage modifiant la concentration de la distribution de tokens lors de l'échantillonnage ; zéro n'assure pas toujours un déterminisme total.

Structure de données multidimensionnelle constituant une représentation courante des entrées, activations et paramètres.

Comparaison expérimentale de deux versions réparties entre des groupes selon un protocole défini.

Proposition d'évaluation conversationnelle reposant sur l'impossibilité pour un interrogateur de distinguer sûrement humain et machine dans un cadre donné ; ce n'est pas un test universel d'intelligence.

Vérification qu'une modification du système ne détériore pas des comportements précédemment attendus.

Évaluation sur des entrées différentes de celles typiquement représentées à l'entraînement.

Unité discrète manipulée par un modèle ; elle peut représenter un mot, fragment, signe ou élément d'une autre modalité.

Mesure de débit de génération ; doit être interprétée avec le matériel, la taille de lot et la méthode de mesure.

Identifiant réservé à un usage structurel, comme le début ou la séparation de messages, selon le modèle.

Transformation d'un contenu en unités discrètes et identifiants compréhensibles par le modèle.

Composant appliquant une stratégie de découpage et de conversion entre texte et identifiants de tokens.

Décodage limitant les tokens candidats aux k scores les plus élevés avant échantillonnage.

Décodage conservant un ensemble de tokens dont la probabilité cumulée atteint un seuil, puis échantillonnant parmi eux.

Échange ou étape d'une conversation ; les modalités de comptage varient selon les systèmes.

Conversion d'un contenu d'une langue à une autre par un système algorithmique ou neuronal.

Domaine construisant des méthodes pour analyser, comprendre opérationnellement ou générer du langage humain sous forme textuelle ou orale.

Architecture neuronale reposant principalement sur des mécanismes d'attention pour traiter les relations entre éléments d'une séquence.

Mise à disposition d'informations utiles sur capacités, limites, données ou conditions d'usage d'un système.

Possibilité de reconstruire les versions, données, décisions et opérations ayant contribué à un résultat.

Suivi d'une requête au travers de plusieurs composants afin d'identifier ses étapes et latences.

Branche spécialisée de calcul de l'attention au sein d'un module multi-têtes.

Pratique d'IA proscrite par une règle applicable dans un contexte et une juridiction définis.

Mémoire vidéo disponible sur une carte graphique, souvent déterminante pour charger un modèle sur GPU.

Évaluation répétée sur plusieurs partitions des données pour mieux apprécier la stabilité d'une méthode.

Vérification des arguments et des droits avant toute action réelle déclenchée par une sortie de modèle.

Étape d'approbation obligatoire avant une action risquée ou irréversible, comme publier ou supprimer.

Variable dont la valeur suit une loi de probabilité ; utile pour modéliser incertitude et échantillonnage.

Résultat qu'un apprentissage supervisé cherche à prédire à partir des caractéristiques.

Valeur insérée dans un gabarit de consigne, par exemple langue, public ou document cible.

Liste ordonnée de nombres représentant des caractéristiques, coordonnées ou valeurs numériques.

Identification et conservation de versions successives des paramètres et de leurs artefacts associés.

Architecture appliquant des Transformers à des morceaux ou représentations d'images.

Domaine développant des méthodes pour analyser ou interpréter images et vidéos.

Exemple appartenant réellement à la classe négative et correctement reconnu comme tel par le système.

Exemple appartenant réellement à la classe positive et que le modèle identifie correctement comme tel.

Mesure de compatibilité de données observées avec un modèle ou une valeur de ses paramètres.

Contrôle de faits, sorties ou actions par une personne disposant d'éléments indépendants.

Référence tenue pour correcte dans une évaluation ; elle peut elle-même être imparfaite ou subjective.

Taux d'erreurs de transcription calculé à partir des substitutions, suppressions et insertions de mots.

Démarrage progressif, souvent du taux d'apprentissage, pour stabiliser les premières étapes d'optimisation.

Pénalisation ou réduction contrôlée des poids visant souvent à limiter leur croissance.

Demande d'exécuter une tâche sans fournir d'exemple résolu dans l'invite.