Glossaire sur l'IA

Une approche d’apprentissage où l’algorithme choisit un ensemble particulier d’exemples à apprendre au lieu de rechercher aveuglément un ensemble varié d’exemples étiquetés.

Un algorithme sophistiqué qui donne efficacement à chaque paramètre un taux d’apprentissage indépendant et intègre les connaissances passées pour l’optimisation basée sur le gradient.

Un domaine de la recherche en sécurité de l’IA visant à construire des systèmes d’IA sûrs et sécurisés qui produisent des résultats précis.

Le processus d’identification des valeurs erronées dans votre ensemble de données pour garantir la conformité et la précision.

La théorie et le développement de systèmes informatiques visant à imiter les capacités de résolution de problèmes et de prise de décisions de l’esprit humain.

Le processus d’automatisation des tâches d’apprentissage automatique, de la préparation des données au déploiement, pour aider les utilisateurs non techniques en simplifiant les processus complexes, en leur faisant gagner du temps et en améliorant la précision des prédictions.

Une méthode en intelligence artificielle inspirée du cerveau humain, qui apprend aux ordinateurs à reconnaître des schémas complexes et à produire des informations ou des prédictions précises basées sur des images, des textes et des sons.

L’utilisation de la technologie de l’intelligence artificielle pour créer du contenu original à partir de zéro, y compris du texte, des images et du contenu audio.

Développé par OpenAI, ce modèle d’apprentissage automatique est formé à l’aide de données provenant d’Internet pour générer n’importe quel type de texte. Il ne nécessite qu’une petite quantité de texte d’entrée pour créer de grandes quantités de réponses pertinentes et sophistiquées.

Le processus de liaison des connaissances abstraites d’un système d’IA à des exemples de la vie réelle contextualisés pour produire de meilleures prédictions.

Lorsqu’un Grand Modèle de Langage (ou Large Language Model – LLM) génère de fausses informations parce que le modèle n’a aucune compréhension du contexte de l’entrée fournie, et que le langage généré est techniquement, grammaticalement et sémantiquement correct.

La couche dans un réseau neuronal qui relie la couche d’entrée des caractéristiques à la prédiction dans la couche de sortie.

Un modèle de langage caractérisé par sa grande taille. Leur taille est rendue possible grâce aux accélérateurs d’IA, qui sont capables de traiter de vastes quantités de données textuelles, principalement extraites d’Internet. Parmi les exemples notables, on trouve les modèles GPT d’OpenAI (par exemple, GPT-3.5 et GPT-4, utilisés dans ChatGPT), le PaLM de Google (utilisé dans Bard), le LLaMa de Meta, ainsi que BLOOM, Ernie 3.0 Titan et Claude.

Un ensemble d’instructions utilisé en apprentissage automatique qui permet à un programme informatique d’extrapoler des informations à partir de données d’entraînement et d’utiliser ce qu’il apprend pour faire des prédictions sur une nouvelle entrée. Les mathématiques et la logique de ces algorithmes peuvent s’améliorer d’elles-mêmes avec le temps à mesure que plus de données sont fournies.

Le nombre qui indique à l’algorithme à quel point il doit ajuster l’influence des poids et des biais de différents points de données.

Une fonction mathématique qui calcule à quelle distance la prédiction d’un modèle est de son étiquette. L’objectif de l’entraînement d’un algorithme est d’améliorer la précision des prédictions et de minimiser la perte produite.

L’utilisation et le développement de systèmes informatiques capables d’apprendre et de s’adapter sans suivre d’instructions explicites en tirant des inférences en analysant des algorithmes et des modèles statistiques.

Une méthode en intelligence artificielle inspirée de la manière dont les humains traitent le langage, formant les ordinateurs à comprendre le texte et les paroles, avec l’intention et le sentiment de l’orateur ou de l’écrivain.

Un modèle qui peut imiter les relations complexes et non linéaires entre les caractéristiques et les étiquettes grâce à des neurones qui se connectent à des nœuds dans différentes couches.

Des projets d’intelligence artificielle ouverts au public pour être développés, avec pour objectif de collaborer et d’apprendre avec la communauté. Les modèles open-source sont généralement plus rapides, plus innovants et plus personnalisables, mais présentent certains risques évidents en matière de sécurité et de responsabilité.

Une stratégie globale visant à construire et à fournir des expériences produits engageantes à chaque point de contact avec le client pour accélérer les initiatives de croissance, rester compétitif et soutenir les objectifs de l’entreprise.

L’art de créer des requêtes bien structurées qui permettent d’obtenir la réponse souhaitée d’un modèle de langage de grande taille.

Des projets d’intelligence artificielle qui sont développés, packagés et vendus par une seule entreprise. Les modèles propriétaires sont généralement mieux financés que les modèles open-source, ce qui leur permet souvent de mettre en œuvre rapidement de nouvelles avancées et de disposer des ressources nécessaires pour soutenir l’agilité et la scalabilité dans un marché incertain.

Entraîner un modèle sur des caractéristiques spécifiques et leurs attributs correspondants, de manière similaire à un étudiant qui étudie un ensemble de questions et de réponses.

Un ensemble de structure utilisé pour organiser et catégoriser une vaste quantité d’informations produits de manière logique et facile à comprendre. L’objectif principal est de présenter les données produits, qu’elles soient structurées ou non, de manière rapidement assimilable pour les équipes internes et les consommateurs.

Entraîner un modèle à identifier des schémas dans un ensemble de données spécifique et à générer des prédictions éclairées, ce qui peut être particulièrement utile avec des ensembles de données non étiquetés.