162 articles
Parcourir les guides
Dans un GAN, un générateur tente de produire des échantillons convaincants pendant qu’un discriminateur tente de les démasquer, et tous deux progressent grâce à cet affrontement. Les GAN ont dominé la génération d’images avant la diffusion et restent utiles là où la vitesse compte, même s’ils sont notoirement instables à entraîner. En pratique : Les visages de ’this person does not exist’ sortaient d’un GAN.
Les garde-fous sont les couches autour du modèle : filtres d’entrée, vérifications de sortie, délimitation des sujets autorisés, permissions sur les outils, limites de débit. Ils existent parce que le comportement d’un modèle est probabiliste et qu’une consigne écrite dans un prompt n’est pas un mécanisme d’application. De bons garde-fous vivent dans votre code, pas seulement dans le prompt système. En pratique : Un filtre de sortie qui bloque la réponse si elle contient quoi que ce soit ressemblant à un numéro de carte. ...
La gouvernance de l’IA répond à un petit nombre de questions : qui approuve un cas d’usage, qui relit les sorties, quelles données peuvent aller où, et qui peut tout arrêter. C’est avant tout de la conception organisationnelle, pas de la technologie. Avec le règlement européen sur l’IA, une partie cesse d’être facultative. En pratique : Un registre des cas d’usage de l’IA, avec un responsable et un niveau de risque pour chacun. ...
Les GPU effectuent les multiplications matricielles massives qui sous-tendent l’entraînement et l’inférence des milliers de fois plus vite qu’un CPU. Leur capacité mémoire fixe le plafond de la taille des modèles, d’où l’importance de la quantification. L’offre et le prix des GPU façonnent tout le marché. En pratique : Qu’un modèle tienne ou non dans 24 Go de VRAM décide s’il tourne sur votre bureau.
Un LLM est un transformer entraîné à grande échelle sur du texte, avec un objectif d’une simplicité trompeuse : deviner ce qui vient ensuite. Faites-le assez bien sur des milliers de milliards de tokens et des comportements comme résumer, traduire et suivre des instructions émergent sans avoir été enseignés explicitement. Le post-entraînement façonne ensuite le modèle brut en quelque chose qui suit les instructions sans danger. En pratique : GPT-5.6, Claude, Gemini et Llama sont tous des LLM, qui diffèrent par l’entraînement, la taille et le réglage. ...
Une hallucination est un contenu que le modèle génère parce qu’il est statistiquement plausible, non parce qu’il est vrai. C’est une conséquence structurelle de la prédiction du token suivant plutôt qu’un bug à corriger : le modèle optimise le plausible, et plausible et vrai coïncident le plus souvent, jusqu’au moment où ils ne coïncident plus. L’ancrage, la recherche documentaire et la vérification la réduisent ; rien ne l’élimine. En pratique : Des citations de jurisprudence inventées, des DOI inventés, des points de terminaison d’API inventés — tous classiques, tous formatés avec assurance. ...
L’humain dans la boucle place un point de contrôle à l’étape qui engage — envoyer, payer, publier, décider. C’est le principal garde-fou pratique face au risque lié aux agents et, pour les systèmes à haut risque au sens du règlement européen sur l’IA, une version de ce principe est une obligation légale et non un supplément appréciable. Le mode de défaillance, c’est le tampon automatique : une relecture que personne n’effectue vraiment n’est pas un contrôle. ...
Taux d’apprentissage, taille de lot, nombre de couches, taux de dropout — ce sont des hyperparamètres. Ils sont choisis par le développeur et ajustés sur des données de validation. La distinction avec les paramètres est simple : vous fixez les hyperparamètres, l’entraînement fixe les paramètres. En pratique : Relancer le même job 20 fois avec des taux d’apprentissage différents pour trouver celui qui converge le mieux.
« Agentique » est la forme adjectivale : elle désigne les qualités qui font d’un système un agent, au premier rang desquelles l’autonomie et la capacité d’agir sur le monde. Le basculement pratique va de « le modèle rédige un brouillon » à « le modèle fait la tâche », ce qui change entièrement le profil de risque. Tout ce qui peut agir peut agir de travers, et vite. En pratique : La différence entre un modèle qui explique comment déclarer la note de frais et un modèle qui la déclare. ...
L’IA digne de confiance est le cadrage retenu par le NIST dans son AI Risk Management Framework, qui liste les caractéristiques qu’un système devrait démontrer plutôt qu’un score unique à atteindre. Ces caractéristiques s’arbitrent les unes contre les autres, si bien que le travail consiste à les équilibrer selon le contexte. Le cadre est délibérément indépendant du secteur. En pratique : Un système peut être précis et néanmoins indigne de confiance si personne ne peut l’expliquer ni le contester. ...