Checklist IA en 1 semaine + Glossaire

Modèle d'intelligence artificielle entraîné sur d'énormes quantités de texte, capable de comprendre et générer du langage naturel.

Famille de modèles créée par OpenAI. Le « G » signifie que le modèle génère du texte, le « P » qu'il est pré-entraîné sur des données massives.

LLM développé par Anthropic, conçu avec une approche axée sur la sûreté. Réputé pour ses capacités d'analyse de documents longs et de raisonnement.

L'instruction ou la question que vous envoyez à une IA. La qualité du prompt détermine directement la qualité de la réponse.

Unité de base que l'IA utilise pour traiter le texte. Un token représente environ ¾ d'un mot en anglais, ou ½ mot en français.

La quantité maximale de texte qu'un modèle peut « voir » en une seule conversation, mesurée en tokens.

Quand un modèle IA génère des informations fausses ou inventées, présentées avec assurance comme si elles étaient vraies.

Technique de prompting qui demande au modèle de raisonner étape par étape avant de donner sa réponse finale, ce qui améliore la précision.

Technique qui consiste à donner quelques exemples de ce que vous attendez dans le prompt, pour guider le modèle par l'exemple.

Demander au modèle d'effectuer une tâche sans lui donner d'exemple préalable. Le modèle se base uniquement sur ses connaissances.

L'art et la science de formuler des prompts efficaces pour obtenir les meilleurs résultats d'un LLM. Un métier à part entière dans certaines entreprises.

Instructions cachées données au modèle avant votre conversation. Elles définissent son comportement, son ton, et ses limites.

Interface qui permet à votre code d'envoyer des requêtes directement à un modèle IA, sans passer par l'interface web.

L'architecture de réseau de neurones sur laquelle tous les LLM modernes sont basés. Inventée par Google en 2017 avec le mécanisme d'« attention ».

Technique qui combine recherche dans une base de connaissances + génération par un LLM. Le modèle cherche d'abord les infos pertinentes avant de répondre.

Représentation numérique d'un texte sous forme de vecteur (liste de nombres). Permet de mesurer la similarité sémantique entre des textes.

Base de données optimisée pour stocker et rechercher des embeddings. Essentielle pour le RAG et la recherche sémantique.

Le moment où le modèle génère une réponse à partir de votre prompt. Chaque requête = une inférence. C'est ce que vous payez quand vous utilisez une API.

Ancrer les réponses de l'IA dans des données factuelles et vérifiables, plutôt que de la laisser générer à partir de ses seules « connaissances ».

Technique de compression qui réduit la précision des nombres dans un modèle (ex : de 16-bit à 4-bit), le rendant plus léger et rapide avec une perte minimale de qualité.

Mode de réponse où les tokens sont envoyés un par un au fur et à mesure de leur génération, au lieu d'attendre la réponse complète.

L'outil qui découpe le texte en tokens avant de l'envoyer au modèle. Chaque modèle a son propre tokenizer.

Paramètre qui contrôle la créativité des réponses. Une température basse (0) = réponses prévisibles ; haute (1+) = plus créatif mais moins fiable.

Le temps entre l'envoi de votre prompt et le début de la réponse. Un facteur clé pour l'expérience utilisateur dans les apps IA.

Processus d'entraînement supplémentaire d'un modèle existant sur vos propres données pour le spécialiser sur une tâche précise.

Technique de fine-tuning légère qui modifie seulement une petite partie des paramètres du modèle, réduisant drastiquement le coût d'entraînement.

Méthode d'entraînement où des humains évaluent les réponses du modèle pour l'aider à s'améliorer. C'est ce qui rend les LLM « utiles et inoffensifs ».

Système autonome qui utilise un LLM pour planifier et exécuter des tâches en chaîne, en utilisant des outils (API, fichiers, navigateur…).

Capacité d'un modèle à traiter plusieurs types de données : texte, images, audio, vidéo — pas seulement du texte.

Capacité d'un LLM à décider d'appeler des fonctions/outils externes quand c'est pertinent, au lieu de juste générer du texte.

Type de modèle utilisé pour la génération d'images. Il apprend à transformer du bruit aléatoire en images cohérentes, pas à pas.

Les modèles open source (Llama, Mistral) publient leurs poids et leur code — vous pouvez les héberger vous-même. Les modèles closed source (GPT, Claude) sont accessibles uniquement via API.

Test standardisé pour évaluer et comparer les performances des modèles IA sur des tâches spécifiques (maths, code, raisonnement…).

Mécanismes de sécurité intégrés pour empêcher le modèle de produire du contenu dangereux, biaisé ou hors-scope.