Le vocabulairede l’intelligence artificielle

Voici un glossaire dans lequel sont rassemblés les termes clés, encore souvent employés en anglais, afin de mieux s’orienter et de comprendre de manière plus éclairée les débats autour de l’IA.

Avant tout

L’intelligence artificielle fascine, inquiète et suscite de nombreuses promesses. Mais avant de parler de performances, d’algorithmes ou de révolutions technologiques, une évidence mérite d’être rappelée.

L’intelligence artificielle n’a de sens que lorsqu’elle est guidée par l’intelligence naturelle. Sans objectifs clairement définis, sans esprit critique, sans compréhension du contexte et sans responsabilité humaine, les systèmes d’IA ne produisent que des résultats mécaniques, parfois utiles, parfois erronés.

L’IA ne pense pas, ne comprend pas et ne décide pas par elle-même : elle applique des modèles construits à partir de données passées. C’est l’intelligence humaine qui formule les questions, interprète les réponses, détecte les incohérences et en mesure les conséquences. L’enjeu n’est donc pas de déléguer notre réflexion aux machines, mais de savoir utiliser ces outils avec discernement.

Dans un monde de plus en plus automatisé, la capacité humaine à raisonner, à contextualiser, à douter et à exercer un jugement critique demeure irremplaçable. Sans cette intelligence naturelle, l’intelligence artificielle reste un outil sans direction, incapable de produire du sens.

Agent conversationnel (Chatbot)

Un agent conversationnel, ou chatbot, est un programme informatique capable de dialoguer avec un utilisateur en langage naturel. Il est généralement accessible via une application mobile ou un site web. Si des versions rudimentaires existent depuis les débuts de l’informatique, les progrès récents de l’intelligence artificielle ont permis des échanges beaucoup plus fluides et contextuels, faisant du chatbot l’une des interfaces les plus répandues de l’IA dans la vie quotidienne.

Alignement de l’IA (AI Alignment)

L’alignement de l’IA désigne l’ensemble des recherches et des méthodes visant à s’assurer que les systèmes d’intelligence artificielle agissent conformément aux intentions humaines, aux valeurs sociales et aux règles éthiques. Cet enjeu est central pour éviter des comportements imprévus ou indésirables lorsque les systèmes deviennent plus autonomes et puissants.

Apprentissage automatique (Machine Learning)

L’apprentissage automatique est une branche de l’intelligence artificielle qui permet à un système informatique d’apprendre à partir de données, sans être programmé explicitement avec des règles fixes. Le système détecte des régularités dans les données et les utilise pour effectuer des prédictions ou prendre des décisions. Cette approche est aujourd’hui omniprésente, de la recommandation de contenus à la détection de fraudes.

Apprentissage non supervisé (Unsupervised Learning)

Dans l’apprentissage non supervisé, le système est entraîné à partir de données non annotées, c’est-à-dire sans réponses correctes fournies à l’avance. L’algorithme cherche alors à identifier seul des structures, des regroupements ou des anomalies dans les données. Cette méthode est souvent utilisée pour explorer de grands volumes d’informations.

Apprentissage par renforcement (Reinforcement Learning)

L’apprentissage par renforcement repose sur l’interaction entre un agent et un environnement. L’agent effectue des actions, reçoit des récompenses ou des pénalités, et ajuste progressivement son comportement pour maximiser une récompense globale. Cette approche est utilisée notamment en robotique, dans les jeux vidéo et pour l’optimisation de stratégies complexes.

Apprentissage supervisé (Supervised Learning)

L’apprentissage supervisé est une méthode dans laquelle le modèle est entraîné à partir de données annotées, associées à des résultats connus. Le système apprend à relier des entrées à des sorties correctes, afin de pouvoir ensuite généraliser et fournir des réponses fiables sur de nouvelles données.

Biais (Bias)

Un biais est une distorsion dans les réponses ou les décisions d’un système d’intelligence artificielle, liée aux données utilisées lors de son entraînement. Les biais les plus courants concernent le genre, l’origine ethnique ou les inégalités sociales. Ils reflètent souvent les préjugés présents dans les sociétés où les données ont été produites.

Données d’entraînement (Training Data)

Les données d’entraînement sont les informations utilisées pour apprendre à un système d’intelligence artificielle à reconnaître des schémas. Elles peuvent être constituées de textes, d’images, de vidéos, de sons ou de données structurées. La qualité et la diversité de ces données sont déterminantes pour la fiabilité et l’équité des résultats.

Explicabilité (Explainable AI, XAI)

L’explicabilité désigne la capacité d’un système d’IA à fournir des explications compréhensibles sur ses décisions ou ses résultats. Elle est essentielle dans les domaines sensibles comme la santé, la finance ou la justice, où il est nécessaire de comprendre et de justifier les choix effectués par un algorithme.

Hallucinations (Hallucinations)

Les hallucinations correspondent aux situations dans lesquelles un système d’intelligence artificielle produit des informations incorrectes, incohérentes ou totalement inventées, tout en les présentant comme plausibles. Ce phénomène reste fréquent et constitue l’un des principaux freins à l’adoption de l’IA dans des contextes critiques comme l’industrie ou l’administration.

Inférence (Inference)

L’inférence est la phase durant laquelle un modèle d’intelligence artificielle, une fois entraîné, est utilisé pour produire des résultats à partir de nouvelles données. C’est le moment où le système applique concrètement ce qu’il a appris, par exemple pour répondre à une question ou analyser une image.

Intelligence artificielle générative (Generative AI)

L’intelligence artificielle générative est la branche de l’IA spécialisée dans la création de contenus originaux : textes, images, vidéos, sons, musique ou code informatique. Elle repose sur l’apprentissage de modèles à partir de vastes ensembles de données, puis sur la génération de nouveaux contenus aux caractéristiques similaires. Son usage soulève des enjeux majeurs en matière d’éthique, de droit d’auteur et de désinformation.

Invite (Prompt)

Une invite, ou prompt, est l’instruction donnée à un système d’intelligence artificielle afin de lui indiquer ce que l’on attend de lui. Elle peut prendre la forme d’un texte, mais aussi d’une image, d’un document, d’un extrait audio ou vidéo, selon les capacités du système utilisé.

Contrairement à une idée largement répandue, formuler une invite ne relève ni d’un langage secret ni d’une compétence magique réservée à des initiés. Dans la majorité des cas, il s’agit simplement d’exprimer clairement une demande, de la même manière que l’on poserait une question précise à un interlocuteur humain.

La qualité de la réponse dépend principalement de trois éléments simples : la clarté de la demande, le niveau de détail fourni et le contexte donné. Une instruction vague produit généralement une réponse vague ; une instruction précise, contextualisée et structurée permet au système de mieux comprendre l’objectif attendu.

L’importance accordée aujourd’hui au « prompt engineering » tient surtout au fait que les systèmes d’IA générative ne devinent pas les intentions implicites. Ils n’ont ni intuition ni compréhension réelle : ils se contentent d’interpréter des instructions et d’y répondre sur la base de modèles statistiques. Il ne s’agit donc pas d’optimiser un algorithme complexe, mais d’adapter son expression humaine à un outil informatique.

Dans les usages courants, savoir formuler une invite revient à savoir poser une question correctement, définir un objectif ou préciser un cadre : un ton, un format de réponse, un public cible ou une contrainte. Cette compétence, souvent mise en avant de manière excessive, relève davantage de la communication claire que d’une expertise technique avancée.

Enfin, il est important de rappeler qu’une bonne invite ne garantit pas une réponse exacte ou fiable. Les limites propres aux systèmes d’IA — comme les biais, les erreurs factuelles ou les hallucinations — demeurent, quelle que soit la qualité de la formulation.

Grand modèle de langage (Large Language Model, LLM)

Un grand modèle de langage est un système d’intelligence artificielle capable de comprendre et de produire du texte en langage naturel. Il est entraîné sur d’énormes volumes de contenus écrits ou audiovisuels. Les LLM constituent la base technologique de nombreuses applications d’IA générative et ont largement contribué à démocratiser l’IA auprès du grand public.

Paramètres et hyperparamètres (Parameters, Hyperparameters)

Les paramètres sont les valeurs internes d’un modèle d’IA ajustées automatiquement pendant l’entraînement. Les hyperparamètres, eux, sont définis par les concepteurs avant l’entraînement et contrôlent le comportement global du modèle. Leur réglage influe fortement sur les performances finales.

Personnage non-joueur (Non-Player Character, NPC)

Dans les jeux vidéo, un personnage non-joueur est un personnage contrôlé par le système informatique plutôt que par un humain. L’intégration de techniques d’intelligence artificielle permet aujourd’hui à ces personnages d’adopter des comportements plus réalistes et de s’adapter aux actions des joueurs.

Reconnaissance biométrique (Biometric Recognition)

La reconnaissance biométrique regroupe les technologies permettant d’identifier une personne à partir de caractéristiques physiques ou comportementales uniques, comme les empreintes digitales, le visage ou la voix. Si elle est couramment utilisée pour sécuriser l’accès aux appareils, elle soulève également des questions importantes en matière de respect de la vie privée.

Réseau de neurones convolutif (Convolutional Neural Network, CNN)

Un réseau de neurones convolutif est un type de réseau de neurones artificiels conçu pour analyser des données structurées, en particulier les images, mais aussi certains signaux audio, séries temporelles et données spatiales. Il identifie automatiquement des motifs locaux tels que contours, textures ou répétitions, ce qui le rend particulièrement efficace pour la reconnaissance d’images, la vision par ordinateur et l’analyse de signaux.

Sous-apprentissage (Underfitting)

Le sous-apprentissage se produit lorsqu’un modèle est trop simple ou insuffisamment entraîné pour capturer les structures présentes dans les données. Il fournit alors des résultats peu précis, aussi bien sur les données d’entraînement que sur de nouvelles données.

Surapprentissage (Overfitting)

Le surapprentissage survient lorsqu’un modèle apprend trop fidèlement les données d’entraînement, au point de perdre sa capacité à généraliser. Il devient alors peu performant lorsqu’il est confronté à des données inédites.

Vision par ordinateur (Computer Vision)

La vision par ordinateur est un domaine de l’intelligence artificielle qui permet à des systèmes informatiques d’analyser et d’interpréter des images ou des vidéos. Elle est utilisée dans de nombreux secteurs, comme la robotique, la médecine, la vidéosurveillance et les véhicules autonomes, et connaît des avancées rapides grâce aux réseaux de neurones profonds.