AI Glossary

Mécanisme d'attention

L’attention calcule, pour chaque token, dans quelle mesure chacun des autres tokens doit l’influencer. L’auto-attention le fait à l’intérieur d’une même séquence et constitue le cœur du transformer. Son coût croît de façon quadratique avec la longueur de la séquence, ce qui explique précisément pourquoi les grandes fenêtres de contexte coûtent cher et pourquoi tant de travaux de recherche visent ce goulot d’étranglement. En pratique : En lisant une clause de contrat, le modèle porte une forte attention au terme défini trois pages plus haut. ...

Mélange d'experts

Un modèle à mélange d’experts contient de nombreux sous-réseaux spécialisés et un routeur qui en choisit quelques-uns par token. Le nombre total de paramètres reste énorme tandis que le calcul par token reste modeste, ce qui découple la capacité du coût d’inférence. C’est pourquoi certains très grands modèles sont étonnamment peu coûteux à servir. En pratique : Un modèle de 400 milliards de paramètres qui ne fait tourner que l’équivalent de 40 milliards de paramètres de calcul par token. ...

Mémoire d'agent

Les modèles sont sans état : la mémoire est donc quelque chose que l’on construit — un état à court terme au sein d’une tâche, et un stockage à long terme que l’on consulte quand il est pertinent. Sans elle, un agent réapprend les mêmes faits à chaque session. Avec elle, vous héritez de questions d’exactitude, d’obsolescence et de protection des données. En pratique : Se souvenir d’une session à l’autre que ce client veut de l’anglais britannique et pas de listes à puces. ...

Méta-prompting

Le méta-prompting confie la rédaction du prompt au modèle lui-même : demandez-lui d’en écrire un, puis d’y repérer les ambiguïtés. Cela fonctionne parce que les modèles sont souvent meilleurs pour détecter la sous-spécification que les gens ne le sont pour l’éviter. Associez-le à une véritable évaluation, sinon vous ne produisez que des prompts qui sonnent bien. En pratique : ‘Voici mon prompt et trois mauvaises sorties. Qu’y a-t-il d’ambigu dedans ?’ ...

MLOps

Le MLOps applique la pensée DevOps au ML, avec des problèmes supplémentaires : versionnage des données, reproductibilité de l’entraînement, surveillance de la dérive et pipelines de réentraînement. L’idée qu’il encode, c’est qu’un modèle dans un notebook représente à peu près 10 % du travail. En pratique : Un réentraînement automatique déclenché quand la justesse surveillée passe sous un seuil.

Model Context Protocol

MCP normalise la façon dont les modèles découvrent et appellent des capacités externes : un outil construit une seule fois fonctionne avec n’importe quel client compatible au lieu d’être réécrit pour chaque fournisseur. Introduit par Anthropic fin 2024 et adopté plus largement depuis, c’est ce que l’écosystème des agents a de plus proche d’un connecteur commun. En pratique : Un seul serveur MCP pour votre système de tickets, utilisable depuis n’importe quel assistant compatible MCP. ...

Modèle

Un modèle est ce que l’on obtient à la fin de l’entraînement : un ensemble précis de nombres disposés dans une structure précise. C’est la chose que vous déployez, versionnez et appelez depuis une API. Deux modèles de même architecture mais issus d’entraînements différents sont des modèles différents, et c’est bien pour cela que les numéros de version comptent. En pratique : GPT-5.6 et Claude Opus 4.8 sont des modèles différents ; chacun a ses propres poids, son comportement et son prix. ...

Modèle à poids ouverts

Poids ouverts signifie que les paramètres sont publiés : vous pouvez auto-héberger, faire du fine-tuning et inspecter. Ce n’est pas la même chose qu’open source : les données et le code d’entraînement sont généralement retenus, et les licences restreignent souvent l’usage commercial ou l’échelle. Lisez la licence avant de présumer de votre liberté. En pratique : Télécharger des poids pour faire tourner un modèle entièrement à l’intérieur de votre propre réseau. ...

Modèle d'IA à usage général

L’article 3(63) couvre les modèles entraînés à grande échelle, généralement par auto-supervision, largement capables et intégrables en aval. Les modèles utilisés uniquement pour la recherche ou pour du prototypage avant mise sur le marché sont exclus. Les fournisseurs de modèles à usage général portent des obligations de documentation, de politique en matière de droit d’auteur et de résumé des données d’entraînement, avec des devoirs plus lourds lorsque le modèle est réputé présenter un risque systémique. ...

Modèle de diffusion

Un modèle de diffusion est entraîné à inverser un processus de bruitage. À partir de pur bruit et d’un prompt textuel, il débruite de façon itérative jusqu’à faire émerger une image conforme au prompt. Il a remplacé les GAN comme choix par défaut parce qu’il s’entraîne de façon plus stable et passe mieux à l’échelle. En pratique : Cinquante étapes de débruitage entre un bruit aléatoire et une illustration terminée. ...