Le jargon,
en moins.

Système qui utilise un modèle et des outils pour avancer vers un objectif, avec un degré variable d’autonomie. Exemple : rechercher des sources puis préparer une synthèse.

Interface qui permet à deux logiciels d’échanger des données ou des instructions. Une application peut appeler l’API d’un modèle pour obtenir une réponse.

Ensemble de méthodes qui permettent à un système d’ajuster son comportement à partir de données, plutôt que de décrire chaque règle à la main.

Ensemble de tâches servant à comparer des systèmes selon un protocole donné. Un bon score ne garantit pas de bons résultats sur tous vos usages.

Tendance systématique dans les données ou les résultats. Un modèle peut reproduire des déséquilibres présents dans ses exemples d’apprentissage.

Interface de conversation avec un logiciel. Tous les chatbots n’utilisent pas nécessairement un grand modèle de langage.

Informations disponibles au modèle pour produire une réponse : messages, instructions et documents fournis. Une limite de contexte réduit la quantité traitable à la fois.

Exemples utilisés pour ajuster les paramètres d’un modèle. Elles diffèrent des documents qu’on lui fournit ensuite dans une conversation.

Représentation numérique d’un contenu qui permet notamment de comparer des proximités. Elle est utilisée dans certaines recherches par similarité.

Ajustement supplémentaire des paramètres d’un modèle à partir d’exemples ciblés. Il se distingue du simple ajout de documents à un prompt.

Réponse plausible mais incorrecte ou non étayée, générée par un modèle. Une référence bibliographique inventée en est un exemple.

Utilisation d’un modèle entraîné pour produire un résultat à partir d’une entrée. C’est la phase pendant laquelle vous lui demandez une réponse.

Système capable de produire des contenus comme du texte, des images ou du son. Un contenu généré doit être évalué selon son usage.

Large Language Model : grand modèle de langage entraîné sur de nombreuses données pour traiter et générer du langage.

Model Context Protocol : standard ouvert qui relie des applications d’IA à des outils ou des données externes.

Qui peut traiter plusieurs types d’informations, par exemple du texte et des images. Les entrées et sorties acceptées dépendent du modèle.

Modèle dont les paramètres sont accessibles. Cela ne signifie pas automatiquement que les données d’entraînement sont ouvertes ou que tous les usages sont autorisés.

Valeur interne ajustée pendant l’apprentissage d’un modèle. Le nombre de paramètres ne suffit pas à déterminer sa qualité.

Instruction ou ensemble d’informations donné à un modèle pour guider sa réponse. Un prompt peut contenir une tâche, du contexte et des contraintes.

Génération augmentée par récupération : recherche de passages dans des sources, puis utilisation de ces passages pour préparer une réponse.

Réglage qui influence la variabilité de certaines générations. Sa signification exacte dépend du système et ce n’est pas un réglage de vérité.

Unité de traitement d’un modèle de langage. Selon le cas, elle correspond à un mot, une partie de mot ou un signe.

Architecture de réseaux de neurones qui utilise des mécanismes d’attention. De nombreux modèles de langage reposent sur cette famille d’architectures.

Enchaînement d’étapes pour accomplir une tâche. Certaines étapes peuvent utiliser de l’IA et d’autres suivre des règles déterministes.