Dictionnaire de l’intelligence artificielle : 50 termes clés de l’IA

Un emploi sur cinquante sur le marché développé au cours de l’année écoulée nécessite des connaissances en intelligence artificielle (IA). Bien qu’il puisse être dit que c’est un petit pourcentage, cette exigence deviendra de plus en plus courante dans les annonces d’emploi à mesure que l’IA se développe rapidement et impacte significativement les processus commerciaux. Rien ne change et ne se met à jour aussi rapidement que l’intelligence artificielle, qui redéfinit les processus commerciaux.

L’intelligence artificielle générative, les algorithmes, l’apprentissage profond, les grands modèles de langage, le traitement du langage naturel, la vision par ordinateur, les réseaux neuronaux, les grands ensembles de données, l’automatisation des processus robotiques… sont quelques-uns des termes que chaque entrepreneur devrait connaître. Le terme ‘intelligence artificielle’ a vu le jour en 1955 à l’Université de Stanford comme ‘la science et l’ingénierie de la création de machines intelligentes’.

L’intelligence artificielle est la capacité d’un ordinateur à effectuer des tâches qui nécessitent une intelligence humaine, telles que l’apprentissage par l’expérience, la résolution de problèmes complexes, la compréhension du langage écrit ou parlé, la création de nouveaux contenus, d’images, etc., ce qui implique de programmer et de former des machines à penser et à se comporter comme des humains. La technologie de l’intelligence artificielle peut traiter rapidement d’énormes quantités de données de manière à dépasser de loin les capacités humaines, en reconnaissant des motifs, en prenant des décisions et en raisonnant comme un humain. En prévision du jour où l’intelligence artificielle générale émergera, nous présentons cinquante termes clés de l’IA à ce moment :

1. IA

L’intelligence artificielle (IA) ou, communément, IA (anglais : intelligence artificielle) est un système qui utilise l’apprentissage automatique et des algorithmes pour simuler l’intelligence humaine.

2. Éthique de l’IA

Un ensemble de directives pour l’utilisation, la conception et le développement responsables de l’intelligence artificielle. Il est destiné à guider les entreprises et les organisations pour atténuer les risques associés à l’utilisation et au développement de l’intelligence artificielle.

3. Planification de l’IA

Traite de la résolution d’un état initial qui doit être transformé en un état cible souhaité. Les systèmes de planification de l’IA peuvent soutenir une gamme d’objectifs commerciaux : planification d’un calendrier initial pour un projet, évaluation des risques pour chaque plan potentiel (gestion des risques) et prototypage rapide.

4. Alignement de l’IA

L’objectif de l’alignement de l’IA est de diriger ses systèmes pour qu’ils s’alignent sur les objectifs et les principes éthiques des humains.

5. Biais de l’IA

Le biais de l’IA signifie que les algorithmes d’apprentissage automatique produisent des résultats avec des préjugés. Le biais de l’IA est également connu sous le nom de biais d’apprentissage automatique ou simplement biais.

6. Algorithme

Un ensemble d’instructions pour une machine IA qui décrit en détail comment résoudre un problème ou effectuer une tâche.

7. Anthropomorphisme

La tendance des humains à attribuer des qualités humaines à des non-humains, tels que les animaux et les chatbots. Étant donné que les chatbots et d’autres modèles d’intelligence artificielle sont créés pour sonner ou ressembler à des êtres humains, il est plus difficile pour les gens de les anthropomorphiser à moins qu’ils ne leur attribuent le pronom ‘il’ ou ‘elle’.

8. AGI

Intelligence générale artificielle (AGI) ou, en croate, intelligence générale artificielle est un type d’intelligence artificielle qui peut penser, apprendre, effectuer des tâches intellectuelles que les humains font et exécuter des tâches pour lesquelles elle n’a pas été formée. Elle est appelée ‘intelligence artificielle profonde’ et fait encore partie de la théorie. On s’attend à ce qu’elle émerge avant 2030 et dépasse les capacités humaines.

9. Reconnaissance automatique de la parole

Le terme anglais reconnaissance automatique de la parole fait référence à la reconnaissance de la parole, une forme d’intelligence artificielle qui traduit la communication vocale en texte. Elle est également capable de reconnaître une personne en fonction de son ordre vocal. Il y a deux composants de la reconnaissance vocale dans l’IA : la conversion de la parole en texte lorsque le logiciel transcrit des mots ou des sons prononcés en contenu écrit dans un document texte, et dans l’interface d’affichage, le logiciel de synthèse vocale (TTS) crée des unités sonores de la parole à partir du contenu textuel. La reconnaissance vocale est le plus souvent utilisée dans les smartphones.

10. IA boîte noire

Un système d’IA boîte noire est celui qui ne montre pas comment il fonctionne et comment les entrées des utilisateurs sont traitées. Après avoir saisi certaines de vos données dans le système, il produira un résultat. Cependant, il n’est pas possible de voir quel code il utilise et d’analyser quelle logique l’intelligence artificielle a suivie pour générer de tels résultats.

11. Chatbot

Softver conçu pour interagir avec les gens par le biais de la conversation. Chatbots alimentés par l’intelligence artificielle traitent le langage naturel (NLP) pour interpréter les requêtes et les intentions des utilisateurs afin de pouvoir fournir un support marketing, commercial ou après-vente.

12. ChatGPT

Chat Generative Pre-trained Transformer est un chatbot alimenté par un grand modèle de langage (LLM) développé par OpenAI. Il permet aux utilisateurs d’interagir avec lui dans une conversation comme celle entre humains. Il traite le langage naturel pour comprendre et répondre aux questions des utilisateurs.

13. Copilot

Une fonctionnalité de l’assistant IA 365 de Microsoft actuellement basée sur les grands modèles de langage ​GPT-4 (LLM) d’OpenAI.

14. DALL·E

Un système d’IA qui utilise l’apprentissage automatique pour créer des images et de l’art à partir de descriptions d’utilisateurs, également issu de l’atelier d’OpenAI. Sa troisième génération – DALL·E 3 est actuellement disponible.

15. Deep Blue

Un ordinateur développé par IBM en 1997. Il est connu comme le premier système de jeu d’échecs à gagner une partie contre le champion du monde d’échecs.

16. Apprentissage profond

Apprentissage profond est une forme avancée d’intelligence artificielle qui imite le fonctionnement du cerveau humain. Au lieu de s’appuyer sur un algorithme pour effectuer une tâche, il utilise des réseaux neuronaux comme notre cerveau, lui permettant de prédire en fonction des motifs qu’il a appris auparavant.

17. Deepfake

Une combinaison d’apprentissage profond et de mensonges, c’est-à-dire de manipulation. Un deepfake est une image, un audio ou une vidéo qui dépeint de faux événements, générés par l’intelligence artificielle. Il applique un puissant apprentissage automatique et une intelligence artificielle pour manipuler ou créer du contenu trompeur.

18. Discriminateur

Le discriminateur dans un réseau antagoniste génératif (GAN) est un classificateur qui tente d’identifier les données réelles des fausses données générées par le générateur. L’objectif est que le discriminateur améliore sa capacité à distinguer le contenu réel du faux, tandis que le générateur essaie de s’améliorer dans la création de contenu faux.

19. Système expert

Un programme qui utilise des technologies d’IA pour résoudre des problèmes dans un domaine comme un expert, y compris une base de connaissances contenant des informations sur un domaine spécifique. Plus la quantité de données dans la base de connaissances est grande, plus le système expert sera précis. Il applique des règles de raisonnement pour tirer des conclusions sans erreurs ou dériver de nouvelles informations de la base de connaissances. L’application des systèmes experts dans le domaine de la santé aide à déterminer des diagnostics comme un médecin.

20. GAN

Réseau antagoniste génératif ou réseau antagoniste génératif (GAN) est un type d’apprentissage automatique qui consiste en deux réseaux neuronaux (un générateur et un discriminateur) qui s’affrontent. Le générateur crée une sortie basée sur une entrée, et le discriminateur vérifie si la sortie est réelle ou non.

21. Intelligence artificielle générative (GenAI)

Intelligence artificielle qui crée de nouveaux contenus à partir de données existantes sur lesquelles elle a été formée. C’est l’un des domaines les plus innovants de l’intelligence artificielle et s’applique de l’art et de la musique à la médecine et à l’ingénierie.

22. Génération de langage naturel (NLG)

Génération de langage naturel ou NLG est l’utilisation de l’intelligence artificielle pour convertir des données en langage naturel que les gens peuvent comprendre. Les données peuvent être du langage écrit ou parlé.

23. GPT

Transformateur pré-entraîné génératif ou transformateur pré-entraîné génératif (GPT) est un type de grand modèle de langage (LLM) qui a été formé pour générer du contenu. Il a été lancé par OpenAI en 2018, provoquant une sensation mondiale au cours de l’année écoulée dès son lancement de ChatGPT, et propose maintenant GPT-4 Turbo comme le modèle le plus avancé, introduit en novembre 2023.

24. GIGO

Garbage in, garbage out (GIGO) est un concept de science informatique qui stipule que des données d’entrée de mauvaise qualité entraîneront une conclusion ou un résultat de mauvaise qualité. Si l’intelligence artificielle est formée sur des données biaisées de mauvaise qualité, le résultat sera biaisé et médiocre.

25. Hallucination

Un cas dans lequel l’intelligence artificielle générative analyse une requête et invente des informations incorrectes. Elle diffère des deepfakes, qui créent intentionnellement un contenu faux.

26. LLM

Une partie de l’intelligence artificielle générative est un grand modèle de langage (LLM). Il est largement utilisé dans les assistants virtuels, chatbots, la création de contenu et la traduction de langues. Il existe environ une centaine de LLM sur le marché. Les plus connus sont encore ceux d’OpenAI, disponibles grâce au chatbot ChatGPT et à son API pour une utilisation dans d’autres applications.

27. LlaMA

Même Meta de Zuckerberg a son cheval de course : elle a développé le LLM Meta AI (LlaMA), une famille de grands modèles de langage open-source (LLM). Il a été lancé en 2023.

28. Modèle

Un algorithme d’apprentissage automatique formé pour reconnaître des motifs et fournir des prédictions.

29. Réseau neuronal

Un modèle d’apprentissage automatique également connu sous le nom de réseau neuronal artificiel (ANN) ou réseau neuronal simulé (SNN) imite comment les neurones dans le cerveau humain se signalent mutuellement pour résoudre un problème ou fournir une réponse. Les grands réseaux neuronaux contiennent des milliards de paramètres, permettant une large gamme de réponses aux questions. Cette capacité est appelée une ‘boîte noire’. L’utilisateur peut poser une question, et le modèle fournit une réponse.

30. Traitement du langage naturel (NLP)

Traitement du langage naturel est une intelligence artificielle qui permet aux ordinateurs d’interpréter et de comprendre le langage humain et de le manipuler en utilisant des concepts de l’informatique et de la linguistique computationnelle. Il alimente des programmes qui peuvent facilement traduire du texte d’une langue à une autre, répondre à des commandes vocales et résumer de grandes quantités de texte en temps réel. Il alimente, par exemple, Siri, Alexa et les systèmes GPS activés par la voix.

31. OpenAI

Un laboratoire de recherche privé américain pour l’intelligence artificielle, fondé en 2015, initialement en tant qu’organisation à but non lucratif. Il a développé et lancé plusieurs modèles d’intelligence artificielle, y compris GPT-4, ChatGPT, CLIP et DALL·E.

32. PaLM

Connu plus longtemps sous le nom de Modèle de Langage Pathways, PaLM est le grand modèle de langage de Google basé sur des transformateurs. Il peut effectuer diverses tâches, gardées secrètes jusqu’en mai de cette année, et est maintenant déjà disponible dans une version avancée – PaLM 2.

33. IA prédictive

L’intelligence artificielle prédictive est une méthode d’analyse de données utilisant des algorithmes statistiques pour prédire des résultats futurs.

34. Invite

L’entrée d’un utilisateur humain dans un système d’intelligence artificielle qui générera une sortie ou des résultats.

35. Ingénierie des invites

L’ingénierie des invites est le processus d’ingénierie rapide de création et de perfectionnement des requêtes pour un modèle d’IA générative. Les utilisateurs d’IA utilisent l’ingénierie des invites pour améliorer les résultats du modèle d’intelligence artificielle.

36. Intelligence augmentée

L’intelligence augmentée est l’utilisation de l’intelligence artificielle pour améliorer l’intelligence humaine et informer la prise de décision. Au lieu que l’intelligence artificielle effectue des tâches et traite des données de manière indépendante pour remplacer les humains, elle sert d’aide à ceux-ci.

37. Vision par ordinateur

La vision IA vision ou vision par ordinateur permet aux ordinateurs de voir des images et des vidéos et de comprendre rapidement et à grande échelle des données visuelles. Elle utilise l’apprentissage profond et des réseaux neuronaux pour prédire ce qu’elle voit en fonction des données passées. Le développement de véhicules autonomes est le projet le plus ambitieux en vision par ordinateur. Elle est utilisée, par exemple, dans les smartphones pour lire les empreintes digitales et la reconnaissance faciale.

38. RL

Apprentissage par renforcement est une méthode d’apprentissage automatique basée sur le retour d’information. Un agent d’intelligence artificielle apprend à se comporter dans un environnement grâce au retour d’information qu’il reçoit : il reçoit un retour positif pour chaque comportement souhaité et une punition pour chaque comportement non souhaité.

39. RLHF

L’apprentissage par renforcement à partir de retours humains est une tactique qui forme des modèles d’intelligence artificielle avec un retour direct des humains. Au lieu de recevoir des récompenses ou des punitions, ils reçoivent des retours des humains, généralement sous la forme de classement du comportement du modèle.

40. Automatisation des processus robotiques

La robotique traite de la création de robots intelligents en combinant l’informatique, l’ingénierie et l’ingénierie électrique. Au lieu d’ordinateurs, les robots ont besoin de matériel avec des capteurs. L’automatisation des processus robotiques (RPA) diffère des autres programmes d’intelligence artificielle car les robots opèrent dans le monde physique.

41. Exploration de données

Exploration de données est le tri de grands ensembles de données et l’identification de motifs qui seront précieux pour les entreprises pour une analyse ultérieure et pour informer leurs décisions.

42. Données synthétiques

Données générées par un ordinateur pour remplacer des données du monde réel. Cela se fait pour protéger les données sensibles, réduire les biais et améliorer les modèles d’IA.

43. Apprentissage automatique (ML)

ML (apprentissage automatique) est une forme d’IA axée sur la capacité des systèmes à apprendre en observant des données collectées à partir d’expériences passées et à trouver des motifs communs. Son intention est que les systèmes prennent des décisions précises en utilisant des données collectées sans intervention humaine ou programmation. L’apprentissage automatique comprend l’apprentissage profond basé sur des réseaux neuronaux artificiels avec apprentissage supervisé et non supervisé. L’apprentissage profond a progressé ces dernières années vers des méthodes de reconnaissance d’images et de vidéos. La reconnaissance d’objets, de visages et de mots, la recherche visuelle, la reconnaissance de logos et de points de repère, et la génération d’images ne sont que quelques-unes des applications de ce type de technologie. Les algorithmes d’apprentissage automatique peuvent former des cadres d’apprentissage profond pour détecter et catégoriser des photos dans des ensembles de données avec une plus grande précision que les humains. Certains avantages commerciaux de l’apprentissage automatique de l’IA incluent les recommandations de produits, qui se sont révélées efficaces pour stimuler les affaires. Jusqu’à 35 % des revenus d’Amazon proviennent des recommandations de produits.

44. Transformateur

Un type de modèle d’apprentissage profond pour le traitement du langage naturel. Il peut traiter le contexte des mots dans une phrase et produire une sortie basée sur une série de données lors d’une conversation.

45. Test de Turing

Une méthode d’évaluation qui détermine si un ordinateur peut penser comme un humain. Développé par Alan Turing en 1950, le test implique un évaluateur humain analysant une conversation entre un humain et une machine. Si l’évaluateur ne peut pas distinguer l’ordinateur de l’humain, la machine réussit le test.

46. Apprentissage non supervisé et apprentissage supervisé

Apprentissage non supervisé est un type d’apprentissage automatique qui analyse des ensembles de données non étiquetés. Il découvre des motifs, des similitudes et des différences dans les ensembles de données sans intervention humaine. D’autre part, supervisé, c’est-à-dire supervisé, utilise plusieurs données d’entrée-sortie avec des étiquettes pour former des algorithmes. Par exemple, les algorithmes d’apprentissage supervisé peuvent former un modèle de reconnaissance d’images en associant une image d’un chien et en l’étiquetant comme un chien afin qu’il puisse identifier un chien à partir d’une photographie.

47. Apprentissage par règles d’association

Une technique d’apprentissage automatique sans supervision, dont l’objectif est de découvrir des relations intéressantes entre des variables dans de grands ensembles de données est caché derrière le terme anglais apprentissage par règles d’association. En marketing, cette technique d’apprentissage peut trouver des motifs cachés qui fournissent des informations sur les stratégies commerciales et la segmentation des clients.

48. Validation ou évaluation

Dans le contexte de l’intelligence artificielle, la validation est la vérification de la performance d’un modèle d’intelligence artificielle pendant ou après le processus de formation. Le modèle d’IA est testé sur un sous-ensemble de données qu’il n’a pas vues pendant la formation pour vérifier s’il apprend.

49. Big data

Données caractérisées par 4 V : volume, vélocité, variété et véracité. Le big data unit beaucoup de données provenant de différentes sources, et l’intelligence artificielle est utilisée pour analyser d’énormes ensembles de données que l’informatique traditionnelle ne peut pas traiter. L’intelligence artificielle est particulièrement utile pour les données non structurées qui ne suivent pas un modèle de données spécifique et n’ont pas de structure prédéfinie. Ce sont des données brutes qui ne s’intègrent dans aucun format tabulaire traditionnel : documents, e-mails, publications sur les réseaux sociaux, blogs et contenu en ligne tel que des images, des enregistrements audio et des vidéos.

50. Apprentissage zéro-shot

Littéralement traduit par ‘apprentissage sans essais’, une méthode d’apprentissage automatique qui forme des modèles d’intelligence artificielle à reconnaître et à catégoriser des objets qu’ils n’ont jamais vus.