Glossaire IA : 50 termes d’intelligence artificielle expliqués simplement

Vous entendez parler d’IA tous les jours, mais les termes techniques vous semblent obscurs ? Ce glossaire de l’intelligence artificielle est fait pour vous. En 50 définitions claires, illustrées d’exemples du quotidien, vous allez enfin comprendre ce dont tout le monde parle, sans avoir besoin d’un diplôme d’ingénieur.

Pourquoi avoir un bon glossaire sur l’intelligence artificielle en 2025

L’IA est entrée dans nos vies à toute vitesse. En deux ans, des mots comme « modèle de langage », « hallucination » ou « prompt » sont passés des laboratoires de recherche aux conversations de bureau. Le problème ? Personne n’a pris le temps de les expliquer vraiment.

Résultat : beaucoup de gens hochent la tête en réunion sans vraiment comprendre de quoi il s’agit. Ce glossaire y remédie. Chaque terme est expliqué comme si vous le découvriez pour la première fois, avec des exemples concrets pour ancrer la définition.

Pour aller plus loin sur le fonctionnement des outils comme ChatGPT, consultez aussi notre article Comment fonctionne ChatGPT : explication claire et simple.

Les 50 termes du glossaire IA expliqués simplement

A comme…

Agent IA : Un programme qui ne se contente pas de répondre à une question, mais qui agit de façon autonome pour accomplir une tâche. Imaginez un assistant qui, au lieu de vous dire comment réserver un vol, le réserve lui-même à votre place.

Algorithme : Une suite d’instructions que suit un ordinateur pour résoudre un problème. Comme une recette de cuisine, étape par étape.

Apprentissage automatique (Machine Learning) : La capacité d’un système à apprendre à partir d’exemples, sans être explicitement programmé pour chaque situation. Plus il voit de données, meilleur il devient.

Apprentissage par renforcement : Une méthode où l’IA apprend par essais et erreurs, en recevant des récompenses quand elle fait bien. C’est comme dresser un chien : bonne action, bonne récompense.

Architecture transformer : Le type de structure technique utilisé par la plupart des grands modèles de langage actuels. C’est le moteur sous le capot de ChatGPT, Claude ou Gemini.

B comme…

Biais (biais algorithmique) : Quand un modèle reproduit des préjugés présents dans ses données d’entraînement. Si on entraîne un modèle sur des CV où les postes de direction sont majoritairement occupés par des hommes, il risque de favoriser les candidatures masculines.

Benchmark : Un test standardisé pour comparer les performances de différents modèles d’IA. C’est l’équivalent d’un classement sportif pour les systèmes d’IA.

C comme…

Chatbot : Un programme capable de dialoguer avec un humain par écrit ou à l’oral. Les premiers étaient très basiques. Les nouveaux, comme ChatGPT, sont beaucoup plus souples et contextuels.

Classification : Une tâche où l’IA doit ranger des données dans des catégories. Exemple : décider si un email est un spam ou non.

Contexte (fenêtre de contexte) : La quantité de texte qu’un modèle peut « tenir en mémoire » pendant une conversation. Un modèle avec une grande fenêtre de contexte peut lire un document entier avant de vous répondre.

D comme…

Données d’entraînement : L’ensemble des textes, images ou sons utilisés pour apprendre à un modèle à faire son travail. Plus ces données sont variées et de qualité, meilleur est le modèle.

Deep learning (apprentissage profond) : Une branche du machine learning qui utilise des réseaux de neurones à plusieurs couches. C’est cette technique qui a permis les avancées spectaculaires en reconnaissance d’images et en traitement du langage.

Diffusion (modèle de diffusion) : La technique utilisée par la plupart des générateurs d’images comme Midjourney ou DALL-E. Le modèle apprend à « débruiter » une image pour en créer une nouvelle à partir d’une description.

E comme…

Embedding : Une façon de représenter des mots ou des phrases sous forme de nombres, de manière à ce que des mots proches en sens soient aussi proches numériquement. « Roi » et « reine » seront plus proches dans cet espace que « roi » et « voiture ».

Entraînement (training) : La phase pendant laquelle un modèle apprend à partir de données. C’est souvent long, coûteux en énergie, et ne se fait qu’une ou quelques fois.

F comme…

Fine-tuning (ajustement fin) : Prendre un modèle déjà entraîné sur des données générales et le spécialiser sur un domaine précis. Par exemple, adapter un modèle de langage général pour qu’il devienne expert en droit médical.

Foundation model (modèle de fondation) : Un très grand modèle entraîné sur des quantités massives de données, conçu pour être réutilisé et adapté à de nombreuses tâches. GPT-4 ou Claude sont des modèles de fondation.

G comme…

Génération augmentée par récupération (RAG) : Une technique qui permet à un modèle d’IA de chercher des informations dans une base de données avant de répondre, plutôt que de tout puiser dans sa mémoire. Résultat : des réponses plus précises et actualisées.

GPT : Generative Pre-trained Transformer. Le nom de la famille de modèles développée par OpenAI. GPT-4 est la version qui a propulsé ChatGPT dans le grand public.

H comme…

Hallucination : Quand un modèle d’IA invente des informations qui semblent crédibles mais sont fausses. Il peut citer un article scientifique qui n’existe pas, ou inventer des dates historiques avec une confiance absolue. C’est l’un des risques les plus importants à connaître quand on utilise l’IA.

Hyperparamètre : Un réglage technique défini avant l’entraînement d’un modèle, qui influence la façon dont il apprend. C’est un peu comme choisir la vitesse d’apprentissage d’un élève.

I comme…

Inférence : La phase d’utilisation d’un modèle, une fois l’entraînement terminé. Quand vous posez une question à ChatGPT, le modèle fait de l’inférence.

Intelligence artificielle générale (IAG) : Une IA hypothétique capable d’accomplir n’importe quelle tâche intellectuelle humaine. On n’y est pas encore. Les IA actuelles sont dites « étroites » : très bonnes dans des domaines précis, mais incapables de généraliser comme un humain.

L comme…

LLM (Large Language Model) : Un grand modèle de langage entraîné sur d’énormes quantités de texte. ChatGPT, Claude et Gemini sont des LLM. Ils prédisent le prochain mot le plus probable dans une séquence, ce qui leur permet de générer du texte cohérent.

Latence : Le temps que met un modèle à répondre après une question. Une faible latence signifie une réponse rapide.

M comme…

Modèle multimodal : Un modèle capable de traiter plusieurs types de données : texte, image, son, vidéo. GPT-4o ou Gemini Ultra sont multimodaux. Vous pouvez leur montrer une photo et leur demander de la décrire.

Mémoire (dans les agents IA) : La capacité d’un système à se souvenir d’informations entre différentes sessions. Sans mémoire, chaque conversation repart de zéro.

N comme…

Neurone artificiel : L’unité de base d’un réseau de neurones. Inspiré du neurone biologique, il reçoit des signaux, les pondère et transmet un résultat. Des milliards de ces neurones connectés forment un modèle d’IA.

NLP (Natural Language Processing) : Le traitement du langage naturel. C’est la branche de l’IA qui permet aux machines de comprendre, analyser et générer du texte humain.

O comme…

Open source : Un modèle dont le code et parfois les poids sont rendus publics. Llama de Meta est open source. Cela permet à n’importe qui de l’utiliser, le modifier ou l’améliorer.

Overfitting (surapprentissage) : Quand un modèle a trop bien appris ses données d’entraînement et peine à généraliser sur de nouvelles situations. Comme un élève qui aurait appris les réponses par coeur sans comprendre le cours.

P comme…

Paramètres : Les millions ou milliards de valeurs numériques qui définissent un modèle d’IA. GPT-4 aurait plus de 1 000 milliards de paramètres selon certaines estimations. Plus il y en a, plus le modèle est capable, mais aussi coûteux à entraîner.

Prompt : La question ou l’instruction que vous donnez à un modèle d’IA. La qualité du prompt influence énormément la qualité de la réponse.

Prompt engineering : L’art de formuler des prompts efficaces pour obtenir les meilleures réponses possibles d’un modèle. Une vraie compétence qui fait la différence.

Q comme…

Quantification : Une technique pour rendre un modèle plus léger en réduisant la précision de ses calculs internes. Cela permet de faire tourner des modèles puissants sur des appareils moins coûteux.

R comme…

RLHF (Reinforcement Learning from Human Feedback) : Une méthode d’entraînement où des humains notent les réponses du modèle pour lui apprendre ce qui est bien ou mal. C’est ce qui rend ChatGPT plus utile et plus sûr que les premiers modèles bruts.

Réseau de neurones : Un système informatique inspiré du cerveau humain, composé de couches de neurones artificiels connectés. C’est la base du deep learning.

S comme…

SLM (Small Language Model) : Un modèle de langage de plus petite taille, conçu pour tourner sur des appareils moins puissants tout en restant efficace. Phi-3 de Microsoft ou Mistral 7B sont des SLM populaires. Pour comprendre les différences avec les LLM, consultez notre article LLM vs SLM : comprendre les différences et choisir le bon modèle.

Supervision (apprentissage supervisé) : Un mode d’entraînement où on fournit au modèle des exemples avec les bonnes réponses. Il apprend à reproduire ces réponses sur de nouveaux exemples.

T comme…

Température : Un réglage qui contrôle la créativité d’un modèle. Une température basse donne des réponses prévisibles et précises. Une température haute donne des réponses plus créatives, mais parfois incohérentes.

Token : L’unité de base que traitent les LLM. Ce n’est pas exactement un mot : un token peut être un mot, une syllabe ou un groupe de caractères. En anglais, « 1000 mots » correspondent à environ 750 tokens.

Transfer learning : Réutiliser un modèle déjà entraîné sur une tâche pour l’adapter rapidement à une autre. C’est beaucoup plus rapide et économique que de repartir de zéro.

U comme…

Unsupervised learning (apprentissage non supervisé) : Un mode d’entraînement sans étiquettes ni bonnes réponses fournies. Le modèle doit trouver seul des structures dans les données. Utile pour la détection d’anomalies ou la segmentation de clients.

V comme…

Vecteur : Une liste de nombres qui représente mathématiquement une donnée (un mot, une image, un son). Les embeddings sont des vecteurs. Deux vecteurs proches représentent des données similaires.

Vision par ordinateur : La branche de l’IA qui permet aux machines d’analyser et comprendre des images ou des vidéos. Utilisée dans la reconnaissance faciale, les voitures autonomes ou le contrôle qualité industriel.

W comme…

Weights (poids) : Les valeurs numériques apprises par un modèle pendant l’entraînement. Ce sont les poids qui définissent le comportement du modèle. Quand on dit qu’un modèle est open source, cela signifie souvent que ses poids sont publics.