AI Glossary

Agent IA

On donne à un agent un objectif, pas un script. Il décide quoi faire, appelle des outils pour le faire, observe le résultat et s’ajuste. Le mot a deux sens : en apprentissage par renforcement, c’est l’entité qui agit dans un environnement ; dans l’usage produit actuel, c’est un LLM relié à des outils et à une boucle. Les deux sont corrects ; vérifiez lequel un document emploie. En pratique : « Trouve les trois vols les moins chers et mets-les dans le tableur » — l’agent choisit les étapes. ...

AI slop

L’AI slop, c’est cette production de masse qui inonde les résultats de recherche, les fils d’actualité et les boîtes mail parce que la générer ne coûte presque rien. C’est un problème de distribution plus qu’un problème de modèle : les modèles peuvent faire mieux, mais personne ne le leur a demandé. Pour qui publie, la barre monte — un texte d’IA générique se lit désormais comme un signal de faible effort. ...

Alignement de l'IA

L’alignement couvre l’écart entre l’objectif que l’on sait écrire et le résultat que l’on vise vraiment. Les systèmes optimisent ce sur quoi on les mesure : un objectif mal spécifié produit donc un comportement techniquement correct et pratiquement mauvais. Le RLHF et les méthodes constitutionnelles sont des réponses partielles actuelles, pas des solutions. En pratique : Chargé de maximiser l’engagement, un moteur de recommandation apprend que l’indignation fonctionne.

API

Une API, c’est la façon dont un logiciel parle à un autre logiciel. Pour l’IA, cela veut dire que vous envoyez une requête contenant votre prompt et vos réglages, et que vous recevez la sortie générée, facturée au token. C’est ce qui fait d’un modèle un composant sur lequel construire, plutôt qu’un site web à visiter. En pratique : Une requête HTTPS en entrée, une réponse JSON en sortie, facturée selon les tokens consommés. ...

Appel de fonctions

Vous décrivez vos fonctions et leurs paramètres ; le modèle renvoie une requête structurée qui en nomme une et fournit les arguments. Point crucial : le modèle n’exécute rien — c’est votre application qui le fait, et c’est donc là que doivent se trouver la validation et l’autorisation. C’est la plomberie sous presque tous les produits à base d’agents. En pratique : Le modèle émet get_order_status(order_id=‘A-4471’) ; c’est votre backend qui décide de l’exécuter ou non. ...

Apprentissage auto-supervisé

L’apprentissage auto-supervisé invente une tâche de prédiction à partir de données non étiquetées, la plus célèbre étant ‘prédire le token suivant’. Comme l’étiquette n’est rien d’autre que le mot suivant, tout l’internet devient donnée d’entraînement sans la moindre annotation humaine. C’est pourquoi les LLM ont pu passer à l’échelle comme les modèles supervisés n’ont jamais pu le faire. En pratique : Masquer le dernier mot d’une phrase, demander au modèle de le deviner, répéter des milliers de milliards de fois. ...

Apprentissage automatique

En apprentissage automatique, vous montrez à un système de nombreux exemples et il dégage lui-même la règle en ajustant des nombres internes jusqu’à ce que ses sorties correspondent aux exemples. Formellement, le ML est un sous-domaine de l’IA, même si en pratique les deux termes sont employés de façon assez libre. Le changement clé, c’est que le développeur fournit des données et un objectif plutôt qu’une logique. En pratique : Au lieu d’énumérer chaque mot qui signale une fraude, vous donnez à un modèle 100 000 transactions étiquetées et vous le laissez trouver les signaux. ...

Apprentissage non supervisé

L’apprentissage non supervisé cherche des motifs sans qu’on lui dise quoi chercher. Les usages typiques sont le regroupement d’éléments similaires, la réduction de dimensions et le signalement d’anomalies. Il n’y a pas de score de précision au sens habituel, alors évaluer le résultat demande du jugement. En pratique : Segmenter des clients en groupes que personne n’avait définis à l’avance, uniquement à partir de leur comportement d’achat.

Apprentissage par renforcement

Un agent d’apprentissage par renforcement agit dans un environnement, observe ce qui se passe et reçoit un signal de récompense. Au fil de nombreux épisodes, il apprend une politique qui maximise la récompense attendue. L’apprentissage par renforcement est derrière les systèmes qui jouent à des jeux et, sous une forme modifiée, derrière l’étape d’alignement des modèles de chat modernes. En pratique : Un agent apprend à jouer sans qu’aucune règle ne lui soit expliquée — seulement un score qui monte ou qui descend. ...

Apprentissage profond

L’apprentissage profond empile de nombreuses couches d’unités mathématiques simples, de sorte que chaque couche apprenne une représentation un peu plus abstraite que celle du dessous. C’est la profondeur qui permet à un modèle de passer des pixels aux contours, puis aux formes, puis à « chat », sans que personne ait défini ce qu’est un contour. Tous les grands modèles de langage et générateurs d’images utilisés aujourd’hui relèvent de l’apprentissage profond. ...