# 📖 Petit lexique de l’Intelligence Artificielle --- :::info ## 🧠 Concepts généraux - **IA** : Ensemble de techniques permettant à une machine de simuler certaines capacités humaines (raisonner, apprendre, comprendre du langage, reconnaître des images, etc.). - **Machine Learning** (apprentissage automatique) : Branche de l’IA où un modèle apprend à partir de données sans être programmé explicitement pour chaque tâche. - **Réseaux de neurones** : Système informatique inspiré du cerveau humain, composé de “neurones” virtuels reliés entre eux, capable de traiter et d’apprendre à partir de grandes quantités de données. - **LLM (Large Language Model)** : IA entraînée sur d’énormes corpus de textes pour générer et comprendre du langage naturel (ex. GPT, Llama, Mistral). - ::: --- :::success ## ⚙️ Fonctionnement technique - **Token** : Unité de texte utilisée par un modèle. Ce n’est pas exactement un mot : un token peut être un mot entier, une syllabe ou une partie de mot. Les modèles lisent et génèrent des tokens les uns après les autres. - **Prompt** : La consigne ou la question donnée à l’IA. La qualité et le ton du prompt influence fortement la qualité de la réponse. - **Fine-tuning** : Ajustement d’un modèle pré-entraîné sur des données spécifiques pour le spécialiser (ex. en médecine, en droit, en éducation). - **Embeddings** : Représentation numérique de mots ou phrases sous forme de vecteurs, permettant de mesurer la similarité sémantique. - **RAG (Retrieval-Augmented Generation)** : Technique qui combine un modèle de langage avec une base documentaire externe pour produire des réponses basées sur des sources fiables. ::: --- :::info ## 🚨 Limites - **Biais** : Tendance d’un modèle à reproduire ou amplifier des stéréotypes présents dans ses données d’entraînement (ex. biais de genre, culturels). - **Hallucination** : Réponse inventée par l’IA, formulée de façon crédible mais incorrecte ou non fondée. - **Overfitting** : Quand un modèle “apprend par cœur” ses données d’entraînement et n’arrive plus à généraliser correctement à de nouveaux cas. - **Bruit** : Données imprécises ou parasites qui perturbent l’apprentissage ou la réponse d’un modèle. ::: --- :::success ## ⚖️ Éthique - **Transparence** : Capacité à expliquer comment une IA fonctionne et sur quelles données elle s’appuie. - **Explicabilité** : Qualité qui permet de comprendre pourquoi l’IA a produit un résultat donné. - **Responsabilité** : Principe selon lequel l’usage d’une IA doit être encadré pour éviter les dérives (erreurs, discriminations, mésusage). - **RGPD** : Règlement général sur la protection des données, cadre légal européen qui s’applique aussi aux IA manipulant des données personnelles. ::: --- :::info ## 📊 Performance - **Précision** : Proportion de réponses correctes par rapport à toutes les réponses. - **Rappel** : Capacité du modèle à retrouver toutes les réponses pertinentes. - **F1-score** : Indicateur qui combine précision et rappel pour mesurer l’efficacité globale d’un modèle. - **Latence** : Délai entre la demande (prompt) et la réponse de l’IA. - **Tokens/s** : Vitesse de génération d’un modèle, utile pour évaluer sa rapidité. ::: ---