| Terme | Définition |
|---|---|
| IA (Intelligence Artificielle) | Technologie qui permet aux machines d'effectuer des tâches qui nécessitent normalement l'intelligence humaine (apprendre, planifier, résoudre des problèmes). |
| Machine Learning / Apprentissage automatique | Technique qui permet aux ordinateurs d'apprendre à partir de données sans être explicitement programmés pour chaque tâche spécifique. |
| Deep Learning / Apprentissage profond | Sous-catégorie du machine learning utilisant des réseaux de neurones artificiels profonds (multiples couches) pour apprendre des représentations complexes des données. |
| LLM (Large Language Model) / Grand modèle de langage | Modèle d'IA entraîné sur d'énormes quantités de texte, capable de comprendre et générer du langage naturel (ex: GPT-4, Claude). |
| Prompt / Invite | Instruction donnée à un modèle génératif en langage naturel pour décrire la tâche à accomplir ou le résultat souhaité. |
| IA générative | IA capable de créer du contenu (texte, images, audio) à partir de prompts. |
| Dataset / Jeu de données | Ensemble d'informations organisées qui servent à entraîner, tester et améliorer les modèles d'IA. |
| Algorithme | Ensemble d'instructions qui décrivent comment accomplir une tâche. En IA, ils permettent aux machines d'apprendre et de prendre des décisions. |
| Réseaux de neurones / RNA | Architecture d'algorithmes inspirée du cerveau humain, composée de neurones artificiels organisés en couches qui traitent et transmettent l'information. |
| Modèle | Représentation mathématique créée à partir de données qui permet à l'IA de reconnaître des schémas et faire des prédictions. C'est le "cerveau" entraîné d'un système d'IA. |
| Apprentissage supervisé | Formation d'un algorithme avec des données étiquetées (on lui montre les bonnes réponses). |
| Apprentissage non supervisé | L'algorithme trouve des patterns dans des données non étiquetées, sans avoir d'exemples préalables. |
| Hallucination | Lorsqu'un modèle d'IA génère du contenu plausible mais faux (réponse inventée qui semble crédible). |
| Fine-tuning / Ajustement fin | Processus d'optimisation d'un modèle pré-entraîné sur des données spécifiques pour améliorer ses performances dans un domaine particulier. |
| Token | Unité de texte traitée par un LLM (généralement 4 caractères ≈ 1 token en français). Les coûts API et limites de contexte sont basés sur les tokens. |
| Fenêtre de contexte (Context Window) | Quantité maximale d'information (en tokens) qu'un modèle peut traiter en une seule fois. Ex: Claude 3.5 Sonnet = 200K tokens. |
| RAG (Retrieval-Augmented Generation) | Technique combinant recherche de documents et génération de texte. Le modèle recherche d'abord des informations pertinentes dans une base de données, puis génère une réponse basée sur ces données, réduisant ainsi les hallucinations. |
| Terme | Définition |
|---|---|
| POC (Proof of Concept) | Preuve de Concept. Test rapide et limité, souvent sur des données restreintes, visant à valider la faisabilité technique d'une idée avant d'investir davantage. Un POC n'est pas destiné à être mis en production. C'est une étape charnière entre l'idéation et le prototypage. |
| MVP (Minimum Viable Product) | Produit Minimum Viable. Première version fonctionnelle d'un produit avec le minimum de fonctionnalités requises pour satisfaire les premiers utilisateurs et recueillir des retours. C'est l'étape logique après un POC réussi. L'MVP est opérationnel et peut accueillir des utilisateurs réels. |
| Prototype | Maquette fonctionnelle destinée à valider le design, l'ergonomie et l'usage réel auprès d'utilisateurs tests ou de parties prenantes clés. Ce n'est pas forcément un système complet, mais il permet de concrétiser les idées. |
| Comparaison rapide | POC → Est-ce techniquement faisable ? | Prototype → Comment ça va fonctionner ? | MVP → Est-ce que les gens vont l'utiliser et payer pour ? |
| ROI (Return on Investment) | Retour sur Investissement. Indicateur financier mesurant la rentabilité d'un projet IA. En IA, le ROI est parfois difficile à calculer immédiatement car les gains peuvent être qualitatifs (amélioration de la qualité), temporels (gain de temps) ou indirects (réduction des erreurs). Il est crucial de définir des KPIs clairs dès le cadrage du projet. |
| Cas d'usage (Use Case) | Scénario d'application précis où l'IA apporte une valeur ajoutée mesurable. Exemples : automatisation du tri des CVs, chatbot client, détection de fraude. |
| Acculturation | Processus de formation et de sensibilisation des équipes aux concepts et outils de l'IA. L'acculturation réduit la résistance au changement et maximise l'adoption des solutions IA. |
| KPI (Key Performance Indicator) | Indicateur Clé de Performance. Métrique mesurable définie au démarrage du projet pour évaluer son succès (ex: réduction du temps de traitement de 40%, augmentation de la satisfaction utilisateur de 25%). |
| Scalabilité / Extensibilité | Capacité d'un système ou d'un business à croître rapidement sans que les coûts augmentent proportionnellement. |
| Scale-up | Entreprise en croissance rapide qui a réussi à développer son modèle commercial et augmente ses opérations, ses effectifs et ses revenus de manière exponentielle. |
| Business Model | Description de comment l'entreprise va créer, fournir et capturer de la valeur (= comment elle va gagner de l'argent). |
| B2B (Business-to-Business) | Vente entre entreprises. |
| B2C (Business-to-Consumer) | Vente directe aux consommateurs finaux. |
| MRR (Monthly Recurring Revenue) | Revenu mensuel récurrent. Revenu prévisible généré par les abonnements chaque mois. |
| Pitch | Présentation concise d'une idée ou d'un produit pour convaincre des investisseurs ou clients. |
| Mainstream | Le terme mainstream signifie « courant dominant » ou « grand public » en français. En technologie, une innovation devient mainstream quand elle est adoptée par la majorité, pas seulement par les early adopters. |
| Mindset | Le terme mindset (anglais) signifie « état d'esprit », « mentalité » ou « façon de penser » en français. En contexte professionnel ou d'innovation, c'est l'ensemble des attitudes, croyances et dispositions mentales qu'une personne ou une équipe adopte face à une situation, un défi ou un changement. |
| Gouvernance IA | Ensemble de politiques, règles et procédures pour encadrer le développement et l'usage des systèmes IA dans une organisation. Couvre l'éthique, la conformité légale, la qualité des modèles et la gestion des risques. |
| AI Act (Union Européenne) | Premier règlement mondial sur l'IA adopté par l'UE (2024). Classe les systèmes IA en catégories de risque (minimal, limité, élevé, inacceptable) et impose des obligations proportionnelles. Entrée en vigueur progressive jusqu'en 2027. |
| Transparency | Principe exigeant que les décisions prises par l'IA puissent être expliquées et comprises par les utilisateurs et parties prenantes. |
| Explicabilité / Interprétabilité | Capacité à comprendre et expliquer pourquoi un modèle IA a pris une décision donnée. Crucial pour les domaines réglementés (banque, santé, justice). |
| AI Washing | Pratique marketing trompeuse consistant à prétendre qu'un produit ou service utilise l'IA alors que son rôle est marginal ou inexistant. |
| Enjeux éthiques | Questions morales soulevées par l'IA : biais algorithmiques, impact sur l'emploi, respect de la vie privée, usage militaire, désinformation. |
| Shadow IT | Usage d'outils numériques (dont IA) par les collaborateurs en dehors des circuits informatiques officiels. Pose des risques de sécurité et de conformité. |
| Terme | Définition |
|---|---|
| LLM (Large Language Model) | Modèle de Langage de Grande Taille. Modèle d'intelligence artificielle entraîné sur des quantités massives de texte pour comprendre et générer du contenu en langage naturel. Exemples: GPT-4, Claude, Mistral. |
| Modèle de Fondation (Foundation Model) | Modèle pré-entraîné de grande taille sur un large éventail de données, conçu pour servir de base généraliste. On peut le spécialiser (fine-tuning) pour des tâches spécifiques. Exemples: GPT-4, Claude, LLaMA. |
| Paramètres | Variables internes d'un modèle ajustées pendant l'entraînement. Plus il y a de paramètres, plus le modèle peut capter des nuances, mais plus il nécessite de puissance de calcul. Ex: GPT-4 a plusieurs centaines de milliards de paramètres. |
| Poids (Weights) | Valeurs numériques associées aux connexions entre les neurones d'un réseau. Ce sont ces poids qui stockent "l'apprentissage" du modèle. |
| Open Source / Modèle ouvert | Modèles dont le code et parfois les poids sont publics et librement modifiables. Exemples: LLaMA de Meta, Mistral. Avantages: transparence, personnalisation, pas de dépendance à un fournisseur. |
| Modèle Propriétaire (Closed Source) | Modèle dont le code et les poids sont gardés secrets par l'éditeur. Exemples: GPT-4 (OpenAI), Claude (Anthropic). Généralement plus puissants mais moins transparents. |
| Terme | Définition |
|---|---|
| IA Générative (GenAI) | Branche de l'IA capable de créer du contenu original (texte, image, code, son, vidéo) en apprenant des schémas à partir de données d'entraînement. Contrairement aux IA classiques qui classifient ou prédisent, la GenAI produit du nouveau. |
| Inférence | Phase d'utilisation du modèle où l'IA "calcule" une réponse à partir d'une nouvelle donnée fournie par l'utilisateur. C'est à ce stade qu'on consomme des ressources (tokens, calcul). |
| Prompt | Consigne ou question donnée à un modèle d'IA générative pour obtenir une réponse ou un contenu. La qualité et précision du prompt influencent directement la qualité de la réponse. |
| Prompt Engineering | Art de rédiger des prompts optimaux pour obtenir les meilleurs résultats d'un LLM. Inclut des techniques comme le few-shot learning, chain-of-thought, ou role-playing. |
| System Prompt | Instructions de base définissant le comportement global d'un assistant IA (ton, contraintes, rôle). C'est le "mode d'emploi" invisible pour l'IA. |
| Temperature | Paramètre contrôlant la créativité du modèle. Température basse (0-0.3) = réponses précises et déterministes. Température élevée (0.7-1.0) = réponses créatives et variées. Utilisée notamment pour ajuster l'originalité des sorties. |
| Few-Shot Learning | Méthode où on donne au modèle quelques exemples dans le prompt pour lui montrer le format attendu. Ex: montrer 3 exemples d'analyse avant de lui demander d'analyser un 4e document. |
| Zero-Shot Learning | Capacité d'un modèle à réaliser une tâche sans aucun exemple préalable, juste à partir d'instructions en langage naturel. |
| Multimodal | Modèle capable de traiter et générer plusieurs types de données (texte, image, son, vidéo). Ex: GPT-4 Vision (texte + images), Gemini. |
| Agent IA | Système IA capable d'agir de manière autonome pour accomplir des objectifs : prendre des décisions, utiliser des outils (API, bases de données), planifier des actions complexes. Exemples: AutoGPT, Langchain Agents. |
| Terme | Définition |
|---|---|
| Dataset (Ensemble de Données) | Ensemble structuré de données utilisé pour entraîner ou tester un modèle d'IA. La qualité et la représentativité du dataset impactent directement la performance du modèle. |
| Biais (Bias) | Préjugés ou distorsions involontaires intégrées dans un algorithme via ses données d'entraînement ou sa conception. Exemples : biais de genre dans le recrutement IA, biais ethniques dans la reconnaissance faciale. |
| Qualité des Données (Data Quality) | Niveau de fiabilité, exhaustivité, cohérence et pertinence des données utilisées. Une mauvaise qualité de données = modèle non fiable (principe "Garbage In, Garbage Out"). |
| Data Poisoning | Attaque consistant à introduire volontairement des données erronées ou biaisées dans un dataset d'entraînement pour corrompre le modèle. |
| Terme | Définition |
|---|---|
| RGPD (Règlement Général sur la Protection des Données) | Cadre légal européen imposant des règles strictes sur la collecte, le traitement et le stockage des données personnelles. Particulièrement sensible lors de l'usage d'IA sur des données RH, santé ou comportementales. |
| LPD (Loi Fédérale sur la Protection des Données) | Équivalent suisse du RGPD. Encadre strictement l'usage des données personnelles dans un contexte IA. Obligatoire pour tous les projets impliquant des données de résidents suisses. |
| Gouvernance IA | Ensemble de politiques, règles et procédures pour encadrer le développement et l'usage des systèmes IA dans une organisation. Couvre l'éthique, la conformité légale, la qualité des modèles et la gestion des risques. |
| AI Act (Union Européenne) | Premier règlement mondial sur l'IA adopté par l'UE (2024). Classe les systèmes IA en catégories de risque (minimal, limité, élevé, inacceptable) et impose des obligations proportionnelles. Entrée en vigueur progressive jusqu'en 2027. |
| Enjeux éthiques | Questions morales soulevées par l'IA : biais algorithmiques, impact sur l'emploi, respect de la vie privée, usage militaire, désinformation. |
| Terme | Définition |
|---|---|
| API (Application Programming Interface) | Interface standardisée permettant à une application de communiquer avec une autre (ex: appel à l'API OpenAI depuis une application interne). En IA générative, les APIs permettent d'intégrer des LLMs sans héberger le modèle soi-même. |
| Containerisation (Docker) | Technique d'empaquetage d'une application et de toutes ses dépendances dans un container isolé pour assurer qu'elle fonctionne de façon identique sur n'importe quel environnement (dev, test, prod). |
| NAS (Network-Attached Storage) | Serveur de stockage en réseau. Utile pour centraliser datasets, logs et sorties de modèles IA dans un environnement sécurisé et accessible par plusieurs machines. |
| On-Premise / Sur Site | Hébergement d'un système IA sur les serveurs de l'organisation (vs Cloud). Offre un contrôle total sur les données mais nécessite des compétences techniques et des investissements matériels. |
| Cloud | Infrastructure distante louée auprès d'un fournisseur (AWS, Azure, GCP). Flexibilité et scalabilité élevées, mais nécessite une vigilance RGPD/LPD si hébergement hors UE/Suisse. |
| Terme | Définition |
|---|---|
| Accuracy (Exactitude) | Pourcentage de prédictions correctes sur un ensemble de test. Métrique simple mais pas toujours pertinente seule (ex: si 95% des cas sont négatifs, un modèle qui prédit toujours "négatif" aura 95% d'accuracy sans rien apprendre). |
| Precision & Recall | Precision : parmi les prédictions positives de l'IA, quel pourcentage sont réellement corrects ? Recall : parmi les cas réellement positifs, quel pourcentage l'IA a-t-elle détectés ? Exemple : un système de détection de fraude RH doit privilégier la recall (ne pas laisser passer de fraude) même au prix de faux positifs. |
| F1-Score | Moyenne harmonique entre precision et recall. Utile quand on veut un équilibre entre ne pas rater de vrais positifs et éviter les faux positifs. |
| Overfitting (Surapprentissage) | Phénomène où le modèle "apprend par cœur" les données d'entraînement et performe très bien dessus, mais échoue sur de nouvelles données. Signe que le modèle est trop complexe ou le dataset trop petit. |
| Underfitting (Sous-apprentissage) | Le modèle est trop simple pour capturer les patterns des données. Il performe mal même sur les données d'entraînement. Solution : augmenter la complexité du modèle ou ajouter des features. |
| Terme | Définition |
|---|---|
| Apprentissage Supervisé | Entraînement d'un modèle sur des données annotées (étiquetées). Exemple : entraîner un modèle à reconnaître les CV pertinents en lui montrant 1000 CVs déjà classés "pertinent" / "non pertinent". |
| Apprentissage Non-Supervisé | Entraînement d'un modèle sur des données sans étiquettes, pour découvrir des schémas cachés. Exemple : regrouper automatiquement les candidats par profils similaires sans leur dire à l'avance quels profils existent. |
| Transfer Learning (Apprentissage par Transfert) | Réutilisation d'un modèle déjà entraîné sur une tâche A pour l'adapter à une tâche B similaire. Gain de temps et de ressources énorme. Exemple : utiliser un modèle entraîné sur des millions de CVs pour l'adapter à votre secteur spécifique. |
| Reinforcement Learning (Apprentissage par Renforcement) | Méthode où l'IA apprend en interagissant avec un environnement et reçoit des récompenses ou pénalités selon ses actions. Utilisé notamment en robotique et jeux (ex: AlphaGo). |
| Ensemble Learning | Technique combinant plusieurs modèles pour améliorer les performances globales. Principe : plusieurs "avis" valent mieux qu'un seul. |
| Terme | Définition |
|---|---|
| Hugging Face | Plateforme open-source pour partager et télécharger des modèles pré-entraînés (notamment des LLMs). Hub central pour la communauté IA. |
| LangChain | Framework Python simplifiant la construction d'applications basées sur les LLMs (gestion des prompts, chainage des appels, intégration RAG). |
| n8n | Outil d'automatisation no-code / low-code permettant de créer des workflows intégrant des APIs d'IA. Alternative open-source à Zapier. |
| Vector Database | Base de données spécialisée pour stocker et rechercher des embeddings (représentations vectorielles de texte/image). Exemples : Pinecone, Weaviate, ChromaDB. Essentiel pour les systèmes RAG. |