2.1 | Comprendre les termes
Si vous souhaitez utiliser l’intelligence artificielle de manière sûre et confiante dans votre travail quotidien, vous n’avez pas besoin de connaissances techniques détaillées – mais d’une bonne compréhension de base.
Dans ce module interactif, vous apprendrez les termes les plus importants que vous rencontrerez régulièrement en travaillant avec l’IA.
Votre objectif d’apprentissage : Court, compréhensible, directement applicable – comprendre pas à pas les concepts clés de l’IA et les relier à votre travail.
Les termes clés de l’IA en un coup d’œil
Vous trouverez ici les 13 termes centraux qui vous aideront à mieux comprendre le monde de l’IA. Cliquez sur les termes pour en savoir plus.
LLM (Grand Modèle de Langage)
Un modèle d’IA entraîné sur de grandes quantités de texte et capable de générer des textes de type humain. C’est la base de ChatGPT et d’autres assistants linguistiques.
Exemple : ChatGPT utilise un LLM pour répondre à vos questions ou créer des textes. Le modèle a « lu » des milliards de textes et peut ainsi comprendre et répondre à une grande variété de demandes.
Ingénierie de prompt
L’art de formuler des instructions précises (prompts) pour les systèmes d’IA afin d’obtenir exactement les résultats dont vous avez besoin.
Exemple : Au lieu de « Écris-moi quelque chose sur les réunions », vous formulez : « Crée un ordre du jour structuré pour une réunion d’équipe de 60 minutes avec 5 participants sur le thème des résultats trimestriels, incluant les horaires ».
Hallucinations
Lorsque les modèles d’IA présentent des informations fausses, trompeuses ou inventées comme des faits, on parle d’« hallucinations ».
Exemple : ChatGPT peut donner des détails convaincants mais faux ou des sources inexistantes. Un modèle d’IA pourrait, par exemple, citer une loi fictive ou référencer des études scientifiques qui n’existent pas.
RAG (Génération Augmentée par Récupération)
Une méthode par laquelle les modèles d’IA sont connectés à des sources de données spécifiques pour fournir des réponses plus précises et basées sur des faits.
Exemple : Un assistant IA dans votre entreprise peut être connecté à votre système de connaissances interne, lui permettant d’accéder aux documents actuels de l’entreprise, aux directives ou aux données de projet.
Biais (Partialité)
Distorsions systématiques dans les modèles d’IA qui peuvent résulter de données d’entraînement déséquilibrées ou de préjugés sociaux.
Exemple : Un système d’IA pour la sélection du personnel pourrait favoriser certains groupes de candidats car il a été entraîné avec des données historiques qui contenaient déjà des inégalités.
Jetons (Tokens)
Les unités de base dans lesquelles un texte est décomposé pour le traitement par l’IA. Un jeton peut être un mot, une partie d’un mot ou un signe de ponctuation.
Exemple : La phrase « Bonjour, comment ça va ? » est décomposée en environ 7 jetons. Le nombre de jetons détermine la quantité de texte qu’un modèle d’IA peut traiter en une seule fois.
Ajustement fin (Fine-Tuning)
Le processus consistant à continuer l’entraînement d’un modèle d’IA pré-entraîné avec des données spécifiques pour l’optimiser pour des tâches particulières.
Exemple : Un modèle de langage général peut être ajusté finement à la terminologie spécifique et au style de communication de votre entreprise.
Plongements (Embeddings)
Représentations numériques du texte qui capturent le sens et le contexte. Elles aident les systèmes d’IA à comprendre à quel point différents textes sont similaires.
Exemple : Dans l’espace des plongements, les mots « Roi » et « Reine » sont plus proches l’un de l’autre que « Roi » et « Pomme » car ils sont sémantiquement plus apparentés.
IA multimodale
Systèmes d’IA capables de traiter et de comprendre simultanément plusieurs types de données (texte, images, audio).
Exemple : Google Gemini ou GPT-4 peuvent à la fois analyser des images et générer du texte – vous pouvez par exemple télécharger une photo et poser des questions à son sujet.
Agents IA
Systèmes d’IA autonomes capables de planifier et d’exécuter des tâches complexes de manière indépendante, souvent avec un accès à des outils et des services.
Exemple : Un agent IA peut rechercher des vols pour vous, comparer les prix, analyser les avis sur les hôtels, puis proposer un itinéraire de voyage.
Inférence
Le processus par lequel un modèle d’IA fait des prédictions ou génère du contenu sur la base de son entraînement.
Exemple : Lorsque vous posez une question à ChatGPT, une inférence a lieu – le système utilise son entraînement pour générer la réponse la plus probable et la plus appropriée.
Chaîne de pensée (Chain-of-Thought)
Une technique de prompt où l’IA est invitée à expliquer sa pensée étape par étape pour obtenir de meilleurs résultats.
Exemple : Au lieu de simplement dire « Résous ce problème de maths », vous dites « Résous ce problème de maths et explique chaque étape de ta solution en détail ».
Réglage de la température
Un paramètre qui contrôle la créativité et le caractère aléatoire des réponses de l’IA. Des valeurs plus élevées conduisent à des réponses plus créatives, mais potentiellement moins précises.
Exemple : Avec une température basse (0.2), vous obtenez presque toujours des réponses similaires et précises à la même question. Avec une température élevée (0.8), les réponses varient davantage et sont plus créatives.
Que signifient ces termes pour votre quotidien professionnel ?
Les termes que vous avez appris ne sont pas seulement des connaissances théoriques. Découvrez ici comment ils deviennent pertinents en pratique :
L’ingénierie de prompt vous aide à obtenir des résultats plus précis des systèmes d’IA et à gagner du temps.
La compréhension des hallucinations vous protège contre la diffusion de fausses informations générées par l’IA.
La connaissance de RAG vous montre comment vous pouvez lier l’IA à la connaissance de votre propre entreprise.
La conscience du biais vous permet de reconnaître et de corriger la partialité dans les résultats de l’IA.
Application pratique : Où rencontrez-vous ces termes ?
Lors du briefing d’un assistant IA, vous utilisez l’ingénierie de prompt
Lors du contrôle qualité des textes IA, vous faites attention aux hallucinations
Lorsque vous intégrez vos propres données, vous utilisez des technologies RAG
Pour les décisions critiques, vous êtes vigilant face à un éventuel biais
Questions de réflexion
Prenez un moment pour réfléchir aux questions suivantes :
1. Quels sont les deux ou trois termes qui vous semblent particulièrement importants pour votre compréhension de l’IA ? Comment sont-ils liés ?
2. Où pourriez-vous appliquer concrètement le concept d’« ingénierie de prompt » dans votre travail quotidien ?
3. Quels risques voyez-vous concernant les « hallucinations » et les « biais » dans votre contexte de travail ?