162 articles
Parcourir les guides
En apprentissage supervisé, chaque exemple d’entraînement est une paire : une entrée et son étiquette. Le modèle prédit, compare à l’étiquette et se corrige. C’est le montage le plus courant et le plus fiable, et sa principale contrainte est que les étiquettes coûtent cher à produire. En pratique : 10 000 e-mails étiquetés spam ou non-spam, utilisés pour entraîner un filtre.
L’automatisation de workflows est la cousine déterministe des agents : vous spécifiez les étapes et le modèle prend en charge les parties qui demandent du jugement. Elle couvre la grande majorité des cas d’usage en entreprise et se révèle plus fiable et moins chère qu’un agent qui décide seul. Prenez un agent quand le chemin varie réellement ; sinon, prenez un workflow. En pratique : Un e-mail arrive → extraction des champs → classification → routage → brouillon de réponse → mise en attente de validation. ...
L’autonomie va de la simple suggestion à l’action après validation, puis à l’action suivie d’un compte rendu, et enfin à l’action silencieuse. C’est la décision de conception la plus importante d’un produit agentique, car elle détermine qui est responsable quand quelque chose tourne mal. Dans le règlement européen sur l’IA, la définition d’un système d’IA repose explicitement sur le fonctionnement à différents niveaux d’autonomie. En pratique : Rédiger la réponse (faible) ou envoyer la réponse (élevée) — même modèle, risque très différent. ...
L’article 3(55) définit un cadre contrôlé, mis en place par une autorité compétente, qui permet aux fournisseurs de développer, entraîner, valider et tester un système innovant pendant une durée limitée sous supervision, selon un plan de bac à sable convenu. Chaque État membre doit donner accès à un tel dispositif. Il vise en particulier les PME et les start-ups. En pratique : Tester un nouveau système à haut risque sous le regard d’une autorité nationale, avant la mise sur le marché. ...
Les bases de données vectorielles indexent des vecteurs en grande dimension pour que ’trouver les éléments les plus similaires’ s’exécute en millisecondes sur des millions d’enregistrements. Elles constituent la couche de stockage de la plupart des systèmes RAG. Avoir besoin d’une base dédiée ou simplement d’une extension vectorielle sur votre base existante dépend entièrement de l’échelle. En pratique : Stocker chaque paragraphe de votre documentation sous forme de vecteur pour qu’un bot de support puisse retrouver les trois bons. ...
Les benchmarks rendent les modèles comparables sur le papier. Leurs faiblesses sont structurelles : ils finissent par fuiter dans les données d’entraînement, ils deviennent des cibles que l’on optimise, et ils ressemblent rarement à votre charge de travail. Lisez-les comme un signal grossier, puis faites tourner vos propres évaluations. En pratique : Un modèle en tête d’un benchmark de code qui échoue quand même sur votre base de code.
En IA, le mot biais recouvre deux sens que l’on confond : un sens statistique (un décalage systématique) et un sens sociétal (un traitement inéquitable de certains groupes). Le NIST distingue les biais systémiques, statistiques et cognitifs humains, parce que chacun appelle un remède différent. Nommer celui dont on parle, c’est déjà la moitié du travail. En pratique : Un modèle entraîné sur dix ans de données de recrutement reproduit dix ans de pratiques de recrutement. ...
Le biais algorithmique naît de données d’entraînement déséquilibrées, de variables indirectes qui font office de substituts à des attributs protégés, et de choix sur ce qu’il faut optimiser. Il n’exige presque jamais que quiconque l’ait voulu. Parce qu’il est systématique et non aléatoire, il passe à l’échelle — et c’est exactement ce qui le rend pire que le biais d’une seule personne. En pratique : Un code postal qui encode discrètement l’origine ethnique et oriente les décisions de crédit. ...
La boucle agentique est la structure de contrôle qui transforme un modèle sans état en quelque chose qui fait avancer le travail. Chaque passage réinjecte le résultat de la dernière action dans la décision suivante, ce qui permet à l’agent de se remettre d’un échec. Les boucles ont besoin de conditions d’arrêt explicites, sans quoi un agent réessaiera volontiers indéfiniment — et vous le facturera. En pratique : Chercher → lire le résultat → se rendre compte qu’il est faux → affiner la requête → réessayer. ...
Une caractéristique est une propriété mesurable d’un exemple — un prix, un pixel, un nombre de mots. Le ML classique reposait sur des humains qui concevaient de bonnes caractéristiques ; l’apprentissage profond les apprend en grande partie tout seul à partir de l’entrée brute, ce qui explique en bonne part pourquoi il s’est imposé. En pratique : Pour prédire le prix d’une maison : mètres carrés, code postal, année de construction — chacun est une caractéristique. ...