Lexique de L'IA

Voici un lexique complet et passionné des mots et du vocabulaire associés à l'intelligence artificielle, de A à Z, avec une définition pour chacun :

A

• Agent Intelligent (Intelligent Agent) : Une entité (logicielle ou matérielle) capable de percevoir son environnement, de raisonner et d'agir de manière autonome pour atteindre des objectifs spécifiques. Il interagit avec son environnement à travers des capteurs et des actionneurs.

• Algorithme : Une séquence d'instructions bien définie, conçue pour résoudre un problème ou effectuer une tâche spécifique. En IA, les algorithmes sont au cœur du fonctionnement des systèmes intelligents.

• Apprentissage Automatique (Machine Learning - ML) : Un sous-domaine de l'IA qui permet aux systèmes informatiques d'apprendre à partir de données sans être explicitement programmés. Les algorithmes d'apprentissage automatique identifient des motifs et des relations dans les données pour faire des prédictions ou prendre des décisions.

• Apprentissage Fédéré (Federated Learning) : Une technique d'apprentissage automatique qui permet d'entraîner un modèle d'IA sur plusieurs appareils ou serveurs décentralisés (par exemple, smartphones), sans que les données brutes ne quittent ces appareils. Cela préserve la confidentialité des données.

• Apprentissage Non Supervisé (Unsupervised Learning) : Une catégorie d'apprentissage automatique où l'algorithme apprend à partir de données non étiquetées (sans indication des résultats attendus). Il cherche à découvrir des structures cachées ou des regroupements naturels dans les données (comme le clustering).

• Apprentissage Par Renforcement (Reinforcement Learning - RL) : Un paradigme d'apprentissage automatique où un agent apprend à interagir avec un environnement en recevant des récompenses ou des punitions pour ses actions. L'objectif est de maximiser la récompense cumulative au fil du temps.

• Apprentissage Profond (Deep Learning - DL) : Une sous-catégorie de l'apprentissage automatique qui utilise des réseaux de neurones artificiels avec de nombreuses couches (d'où le terme "profond")1 pour analyser des données complexes et extraire des caractéristiques de haut niveau. Il est particulièrement efficace pour la reconnaissance d'images, la parole et le traitement du langage naturel.

• Automatisation : L'utilisation de la technologie pour effectuer des tâches avec une intervention humaine minimale. L'IA est un moteur puissant de l'automatisation intelligente.

B

• Biais Algorithmique (Algorithmic Bias) : Une tendance systématique et injuste dans les résultats d'un algorithme, souvent due à des biais présents dans les données d'entraînement ou dans la conception de l'algorithme lui-même.

• Big Data : Des ensembles de données extrêmement volumineux, complexes et en croissance rapide, qui nécessitent des outils et des techniques d'analyse avancés (y compris l'IA) pour en extraire des informations utiles.

C

• Chatbot : Un programme informatique conçu pour simuler une conversation avec des utilisateurs humains, généralement via du texte ou de la parole. Ils sont souvent utilisés pour le service client, l'assistance ou l'information.

• Classification : Une tâche d'apprentissage supervisé qui consiste à attribuer une étiquette ou une catégorie à une donnée d'entrée (par exemple, identifier si un e-mail est un spam ou non).

• Clustering : Une tâche d'apprentissage non supervisé qui consiste à regrouper des données similaires en fonction de leurs caractéristiques (par exemple, segmenter des clients en groupes ayant des comportements d'achat similaires).

• Computer Vision (Vision par Ordinateur) : Un domaine de l'IA qui permet aux ordinateurs de "voir" et d'interpréter des images et des vidéos, en identifiant des objets, des personnes, des scènes, etc.

D

• Données d'Entraînement (Training Data) : L'ensemble de données utilisé pour entraîner un modèle d'apprentissage automatique. La qualité et la quantité des données d'entraînement sont cruciales pour la performance du modèle.

• Deepfake : Une vidéo, une image ou un enregistrement audio qui a été manipulé à l'aide de l'IA pour faire apparaître une personne en train de dire ou de faire quelque chose qu'elle n'a pas dit ou fait.

• Détection d'Anomalies : Une tâche d'IA qui consiste à identifier des données ou des événements qui s'écartent significativement du comportement normal.

E

• Éthique de l'IA : Un domaine de recherche et de réflexion qui examine les implications morales et sociétales du développement et de l'utilisation de l'intelligence artificielle.

F

• Fonction d'Activation : Dans un réseau de neurones, une fonction mathématique qui détermine si un neurone doit être activé en fonction de l'entrée qu'il reçoit.

G

• Génération de Contenu par IA (AI Content Generation) : L'utilisation de l'IA pour créer automatiquement du texte, des images, de la musique, des vidéos ou d'autres formes de contenu.

I

• IA Faible (Weak AI) / IA Étroite (Narrow AI) : Un type d'IA conçu et entraîné pour une tâche spécifique (par exemple, jouer aux échecs, reconnaître des visages). La plupart des systèmes d'IA actuels appartiennent à cette catégorie.

• IA Forte (Strong AI) / IA Générale (Artificial General Intelligence - AGI) : Une forme hypothétique d'IA qui posséderait des capacités intellectuelles humaines générales, capables de comprendre, d'apprendre et d'appliquer ses connaissances à une grande variété de tâches, tout comme un être humain.

• IA Explicable (Explainable AI - XAI) : Un ensemble de méthodes et de techniques qui permettent de rendre les décisions et les prédictions des modèles d'IA plus compréhensibles par les humains.

• Inférence : La phase d'utilisation d'un modèle d'IA entraîné pour faire des prédictions ou prendre des décisions sur de nouvelles données non vues pendant l'entraînement.

• Intelligence Artificielle (Artificial Intelligence - AI) : Le domaine de l'informatique qui vise à créer des systèmes capables de simuler des capacités cognitives humaines, telles que l'apprentissage, le raisonnement, la perception, la résolution de problèmes et la compréhension du langage.

• Internet des Objets (IoT) : Un réseau d'objets physiques ("objets") intégrés à des capteurs, des logiciels et d'autres technologies dans le but d'échanger des données avec d'autres appareils et systèmes via Internet. L'IA est souvent utilisée pour analyser les données générées par les appareils IoT.

K

• Keras : Une API de haut niveau pour la construction et l'entraînement de réseaux de neurones, souvent utilisée en conjonction avec TensorFlow ou PyTorch.

L

• Logistique Intelligente : L'application de l'IA et d'autres technologies pour optimiser les processus logistiques, tels que la gestion des stocks, la planification des itinéraires et la prévision de la demande.

M

• Machine Learning (Voir Apprentissage Automatique)

• Modèle d'IA : La représentation apprise par un algorithme d'apprentissage automatique à partir des données d'entraînement. Il est utilisé pour faire des prédictions ou prendre des décisions sur de nouvelles données.

• Modèle de Langage (Language Model) : Un type de modèle d'IA entraîné sur de grandes quantités de texte pour comprendre et générer du langage humain. Des exemples incluent GPT-3 et BERT.

N

• Natural Language Processing (NLP) / Traitement du Langage Naturel (TLN) : Un domaine de l'IA qui se concentre sur l'interaction entre les ordinateurs et le langage humain. Il permet aux ordinateurs de comprendre, d'interpréter,2 de générer et de manipuler le langage humain.

• Neurone Artificiel : L'unité de base d'un réseau de neurones artificiels, inspirée du fonctionnement des neurones biologiques. Il reçoit des entrées, les pondère, les combine et produit une sortie.

• Noyau (Kernel) : Dans le contexte des réseaux de neurones convolutifs, une petite matrice de poids utilisée pour effectuer des opérations de convolution sur les données d'entrée.

P

• Perceptron : Un algorithme d'apprentissage supervisé pour la classification binaire, considéré comme le plus simple type de réseau de neurones.

• PNJ (Personnage Non-Joueur - Non-Player Character) : Dans les jeux vidéo, un personnage contrôlé par l'IA du jeu plutôt que par un joueur humain.

• Prédiction : Le processus d'estimation ou de détermination d'un événement futur ou d'un résultat basé sur des données et des modèles d'IA.

• PyTorch : Une bibliothèque d'apprentissage automatique open source populaire, utilisée pour la recherche et le développement d'applications d'IA.

R

• Régression : Une tâche d'apprentissage supervisé qui consiste à prédire une valeur numérique continue (par exemple, prédire le prix d'une maison en fonction de ses caractéristiques).

• Réseau de Neurones Artificiels (Artificial Neural Network - ANN) : Un modèle de calcul inspiré de la structure et du fonctionnement des réseaux de neurones biologiques. Il est composé de couches interconnectées de nœuds (neurones) qui traitent l'information.

• Réseau Neuronal Convolutif (Convolutional Neural Network - CNN) : Un type de réseau de neurones profond particulièrement efficace pour le traitement d'images et de vidéos. Il utilise des couches convolutives pour extraire des caractéristiques spatiales des données.

• Réseau Neuronal Récurrent (Recurrent Neural Network - RNN) : Un type de réseau de neurones profond conçu pour traiter des séquences de données, telles que le texte, la parole ou les séries temporelles. Il possède des connexions récurrentes qui lui permettent de conserver une "mémoire" des entrées précédentes.

• Robotique : Un domaine interdisciplinaire qui combine l'informatique, l'ingénierie et d'autres disciplines pour concevoir, construire, exploiter et appliquer des robots. L'IA est souvent utilisée pour contrôler et donner de l'intelligence aux robots.

S

• Segmentation d'Image : Une tâche de vision par ordinateur qui consiste à diviser une image en différentes régions ou segments, en attribuant une étiquette à chaque pixel (par exemple, identifier les différentes parties d'une voiture dans une image).

• Supervised Learning (Voir Apprentissage Supervisé)

T

• TensorFlow : Une bibliothèque logicielle open source développée par Google pour l'apprentissage automatique et l'intelligence artificielle.

• Traitement du Langage Naturel (NLP) (Voir Natural Language Processing)

U

• Unsupervised Learning (Voir Apprentissage Non Supervisé)

V

• Validation (du modèle) : Le processus d'évaluation des performances d'un modèle d'IA sur un ensemble de données distinct de celui utilisé pour l'entraînement, afin de vérifier sa capacité à généraliser à de nouvelles données.

• Vision par Ordinateur (Voir Computer Vision)

X

• XAI (Voir IA Explicable)

Z

• Zero-shot Learning : Une capacité d'un modèle d'IA à reconnaître ou à classifier des objets ou des concepts qu'il n'a jamais vus auparavant pendant son entraînement, en s'appuyant sur sa compréhension générale du monde.