Normanthiia – Formation des formateurs NSI & SNT
Bruno Mermet – Licence CC BY-NC-SA – 09/26
agent : Entité informatique évoluant dans un système ouvert, capable de communiquer avec d’autres agents, mus par des objectifs propres, possédant des ressources et des compétences, avec un comportement tendant à satisfaire ses objectifs. Plus simplement, une « entité autonome » agissant dans un environnement. Source : IA et agents
agent conversationnel : Interface vers un LLM (comme ChatGPT) dans laquelle on saisit un texte (prompt) et qui rajoute un pré-prompt avant de passer le tout au LLM afin de mieux guider ce dernier. Source : LLM
boucle (loop) : Ensemble d’agents incluant une boucle de rétro-action amenant le système à analyser le résultat fourni, puis à s’auto-améliorer (par modification de prompt par exemple) pour fournir un résultat encore meilleur. Source : IA et agents
chunks : Petits morceaux (environ 500 caractères) de documents segmentés avec recouvrement, utilisés dans le RAG pour représenter le sens de chaque extrait par un vecteur. Source : RAG
collapse : Voir effondrement.
compétence (skill) : Prompt sauvegardé pour réutilisation, contenant des instructions détaillées et bien travaillées. Source : IA et agents
deepfake : Image, vidéo ou séquence audio modifiée ou fabriquée au moyen d’outils de synthèse multimédia reposant sur l’IA, avec pour volonté de faire passer pour vrai ce qui ne l’est pas. Source : IA et droit
déchargement cognitif : Fait pour l’humain de laisser l’outil mémoriser, raisonner, synthétiser, rédiger. Source : IA et apprentissage
distillation : Procéder par lequel un LLM apprend à reproduire avec moins de paramètres ce qu’a appris un plus gros modèle. Source : Types de LLM
DLP (Data Loss Prevention) : Systèmes de prévention de perte de données, incapables d’intercepter les fuites transitant sous forme de flux HTTPS chiffré sans création de fichier. Source : Top ou flop
effondrement (collapse) : Risque d’auto-empoisonnement où les sites de référence sont moins alimentés et les productions incorrectes des IA pullulent. Source : IA et droit
embeddings : Vecteurs numériques (suites de chiffres) dans lesquels les tokens sont transformés. Des mots proches sémantiquement ont souvent des vecteurs proches. Source : LLM
fine tuning (fine-tuning) : Adaptation d’un modèle d’IA générative à des besoins spécifiques par entraînement supplémentaire sur des données ciblées. Source : Types de LLM, IA et formation
fuzzing : Technique traditionnelle de test de sécurité logicielle consistant à injecter des données aléatoires dans un programme pour en trouver des vulnérabilités. Source : Top ou flop
hallucination : Production d’une IA générative structurellement correcte mais factuellement fausse. Source : IA et droit
harnais (harness) : Ensemble des éléments qui encadrent un LLM (prompts, outils, règles) pour le rendre plus ou moins autonome. Source : IA et agents
heuristique (recherche) : Recherche qui utilise une règle empirique pouvant potentiellement guider la solution, au risque de louper la meilleure solution. Source : Positionnement
Human in the loop : Principe selon lequel l’humain reste dans la boucle de décision : l’IA peut collaborer, mais l’humain doit rester le maître d’œuvre. Source : IA et développement, IA et droit
Intelligence artificielle (IA) : L’ensemble des systèmes informatiques capables d’effectuer des tâches typiquement associées à l’intelligence (apprentissage, raisonnement, résolution de problèmes, perception, prise de décision). Également le champ de recherche visant à développer de tels systèmes. Source : Positionnement
LLM (Large Language Model) : Programme qui reçoit une séquence de texte en entrée, prédit le token suivant, et répète cette opération jusqu’à produire une réponse complète. Source : LLM
MCP (Model Context Protocol) : Protocole standard ouvert destiné à faire interagir un LLM avec des outils. Créé par Anthropic, souvent comparé à la « prise USB-C » de l’IA. Source : IA et agents
mécanisme d’attention (attention mechanism) : Opération par laquelle chaque token examine les autres tokens du contexte afin d’évaluer leur importance, en combinant le vecteur associé à un token avec un vecteur représentant ce qui le précède. Source : LLM
« open source » (LLM) : Modèle dont tout est disponible (code, poids, données d’entraînement) (Pythia, T5, etc.). Source : Types de LLM
paramètre : Coefficient numérique appris lors de l’entraînement d’un modèle. Dans un LLM moderne : plusieurs milliards de coefficients. Source : LLM
« poids ouverts » (LLM) : Modèle que l’on peut télécharger (ses « poids ») et faire tourner en local, sans connaître son code ni ses données d’entraînement (DeepSeek, Qwen, etc.). Source : Types de LLM
pré-prompt : Texte ajouté par l’agent conversationnel au prompt de l’utilisateur avant de passer le tout au LLM, afin de mieux guider ce dernier. Source : LLM
prompt : Texte saisi par l’utilisateur dans un agent conversationnel pour interroger le LLM. Source : LLM
prompt injection : Introduction de texte dans le prompt pour modifier le fonctionnement attendu de l’IA. Source : IA et droit
propriétaire (LLM) : Modèle que l’on peut utiliser sans connaître sa structure interne (GPT, Claude, etc.). Source : Types de LLM
quantification : Fait de ramener la précision des paramètres (initialement des float 32 bits) à 1 octet (8 bits) ou moins, permettant de réduire la taille du modèle sans trop de dégradation des résultats. Source : LLM
RAG (Retrieval Augmented Generation) : Technique consistant à segmenter des documents en petits morceaux (chunks), à les représenter par des vecteurs dans une base de données vectorielle, à vectoriser la question, à chercher les morceaux les plus proches, puis à rajouter ces morceaux au prompt pour le LLM. Source : RAG
refactoring : Restructurer son code pour qu’il ait de meilleures propriétés sans changer sa fonctionnalité. Source : IA et développement
RLHF (Reinforcement Learning from Human Feedback) : Apprentissage par renforcement avec feedback humain, méthode d’entraînement et d’alignement des modèles de langage. Source : Top ou flop
Shadow AI : Utilisation non autorisée de l’IA par les employés dans un contexte professionnel, entraînant des risques de fuite de données. Source : Top ou flop
Sycophancie : Tendance des grands modèles de langage (Large Language Models) à s’aligner sur les opinions exprimées par leurs utilisateurs plutôt qu’à les remettre en question.
SFT (Supervised Fine-Tuning) : Fine-tuning supervisé, méthode d’entraînement et d’alignement des modèles de langage. Source : Top ou flop
système multi-agents : Ensemble d’agents évoluant dans un même environnement, chacun avec ses propres buts, et pouvant échanger de l’information. Source : IA et agents
TDM (Text and Data Mining) : Exception juridique concernant l’extraction de données à partir de textes. Source : IA et droit
température : Paramètre contrôlant l’importance de la probabilité dans les prédictions d’un LLM. t = 0 : token le plus probable ; t = 1 : beaucoup d’incertitude et créativité. Source : LLM
token : Unité de découpage du texte manipulée par les LLM. Peut être un mot, une partie de mot, un signe de ponctuation, un nombre… Source : LLM
tokeniser : Outil qui découpe le texte en tokens. Source : LLM
Transformer : Architecture introduite dans l’article « Attention Is All You Need » (2017), base du fonctionnement des LLM modernes. Source : LLM
unlearning (désapprentissage) : Impossibilité technique de supprimer des données déjà intégrées aux corpus d’entraînement d’un modèle. Source : Top ou flop
vibe coding : Façon de travailler en exprimant ses besoins en langue naturelle, l’outil codant à notre place. Source : Agent de codage
watermark (filigrane) : Marque a priori invisible ajoutée par les IA à leur production pour permettre la détection active de contenus générés. Source : IA et droit
yield : Rendement de fabrication, dans le contexte des semi-conducteurs. Source : Top ou flop