AI Glossary

Données de validation

Les données de validation se situent entre l’entraînement et le test. Vous les utilisez pour choisir les hyperparamètres et repérer tôt le surapprentissage, puisque le modèle n’apprend jamais directement dessus. Les réutiliser trop agressivement fait fuiter de l’information et en fait discrètement un second jeu d’entraînement. En pratique : Si la perte de validation se met à monter pendant que la perte d’entraînement continue de baisser, vous êtes en surapprentissage — arrêtez. ...

Données synthétiques

Les données synthétiques comblent les manques là où les données réelles sont rares, sensibles ou coûteuses — cas limites, dossiers protégés pour raisons de confidentialité, exemples équilibrés d’une classe minoritaire. Le risque est cumulatif : un modèle entraîné sur ses propres productions peut dériver loin de la réalité et amplifier les biais existants au lieu de les corriger. En pratique : Générer 5 000 tickets de support plausibles pour couvrir un scénario dont vous avez trois exemples réels. ...

Embedding

Un embedding transforme un texte, une image ou un objet en un vecteur dans un espace de grande dimension, organisé de sorte que la similarité sémantique devienne une proximité géométrique. Cette seule propriété alimente la recherche sémantique, les recommandations, le clustering et la moitié « récupération » du RAG. En pratique : « chat » et « félin » atterrissent l’un près de l’autre ; « chat » et « château » non, malgré les lettres communes. ...

Empoisonnement des données

L’empoisonnement attaque le modèle avant même qu’il existe. Une petite quantité de données fabriquées suffit à installer une porte dérobée qui se comporte normalement, sauf sur une entrée choisie par l’attaquant. C’est un problème de chaîne d’approvisionnement, et c’est pourquoi la provenance des données est une mesure de sécurité, et pas seulement de la documentation. En pratique : Des exemples injectés qui font approuver par un filtre tout ce qui contient une expression donnée. ...

Époque (epoch)

L’entraînement demande normalement de nombreuses époques, car un seul passage sur les données suffit rarement. Trop peu et le modèle sous-apprend ; trop et il se met à mémoriser. Les très grands modèles s’entraînent parfois sur moins d’une époque, simplement parce que le jeu de données est énorme. En pratique : Dix époques sur 50,000 images signifient que le modèle a vu chaque image dix fois.

Équité

L’équité paraît être une propriété unique, mais elle en recouvre plusieurs : précision égale entre les groupes, taux de faux positifs égaux, résultats égaux. Il est mathématiquement démontré qu’on ne peut pas satisfaire toutes les définitions raisonnables à la fois, sauf dans des cas triviaux. Travailler sur l’équité, c’est donc choisir la définition qu’exige votre contexte, et défendre ce choix. En pratique : Égaliser les taux d’erreur entre les groupes peut imposer des taux d’approbation inégaux, et inversement. ...

Espace d'action

L’espace d’action définit ce que l’agent peut atteindre. Trop restreint, il ne peut pas terminer le travail ; trop large, il commet davantage d’erreurs et étend le rayon d’impact de chacune d’elles. Le délimiter délibérément est une mesure de sécurité, pas un détail de configuration. En pratique : Lire l’agenda et envoyer des invitations — mais pas supprimer des événements ni écrire à l’extérieur.

Étiquette

Une étiquette est la cible qu’un modèle supervisé cherche à reproduire — la catégorie, le nombre, la sortie attendue. La qualité des étiquettes plafonne la qualité du modèle : si les annotateurs se contredisent ou travaillent à la va-vite, aucune quantité de calcul n’y remédie. En pratique : Dans un jeu de photos, ‘chat’ est l’étiquette ; les pixels sont les caractéristiques.

Évaluation (evals)

Les evals sont la suite de tests automatisés d’un logiciel probabiliste : un ensemble fixe de cas avec les résultats attendus, exécuté à chaque changement. C’est le seul moyen de savoir si un ajustement de prompt ou une montée de version du modèle a aidé ou a discrètement cassé quelque chose. Les benchmarks publics vous renseignent sur le modèle ; les evals vous renseignent sur votre système. En pratique : 200 tickets réels avec les bonnes réponses, passés à chaque changement de prompt. ...

Évaluation de la conformité

L’évaluation de la conformité est le passage obligé des systèmes à haut risque, réalisée soit par le fournisseur lui-même, soit par un organisme notifié selon le cas d’usage. Elle aboutit à une déclaration de conformité, au marquage CE et à l’enregistrement dans la base de données de l’UE. Une modification substantielle peut obliger à la recommencer. En pratique : Un dossier documenté montrant la gestion des risques, la gouvernance des données et les tests derrière le système. ...