Glossaire

Douze mots de l’IA, expliqués sans jargon, pour lire une démo ou une notice sans se perdre. Ce glossaire sert à distinguer la fenêtre, le moteur et votre message, puis à voir où l’outil invente ou déforme. Vous n’avez jamais besoin d’avoir entraîné un modèle pour vous en servir demain matin.

L’intelligence artificielle, c’est un ensemble de programmes qui automatisent des tâches. Voici une définition simple, avec exemples.

L’IA générative crée du texte, des images ou du son à partir d’une demande. Voici ce que ça veut dire, simplement.

Un LLM est le moteur qui prédit la suite d’un texte. C’est souvent lui, derrière ChatGPT, Le Chat ou Claude.

Un prompt, c’est simplement la demande que vous écrivez à une intelligence artificielle. Sa clarté compte souvent plus que la marque de l’outil : rôle, objectif, exemples et limites orientent déjà la réponse. Ce glossaire pose le terme sans jargon, avec un cas vécu en Hauts-de-France.

Un chatbot est un programme avec lequel vous discutez par écrit, parfois à l’oral. Derrière la fenêtre, le moteur peut être simple (réponses toutes faites) ou plus souple (modèle de langage). Ce glossaire clarifie le terme, les usages courants et les limites utiles au quotidien.

Un agent IA ne se contente pas de répondre : il peut chercher, remplir, enchaîner des étapes. Plus il agit seul, plus il faut borner ses droits. Ce glossaire pose la définition, un cas régional, et la règle d’or : limiter ce qu’il a le droit de faire.

Une hallucination, c’est quand l’IA invente une réponse fausse avec aplomb. Ce n’est pas toujours une panne : c’est souvent un effet du fonctionnement. Ce glossaire explique le terme, montre un cas local, et renvoie vers la méthode pour vérifier.

Un token est le petit morceau de texte que l’IA lit et écrit. Comprendre ce découpage clarifie longueur, oubli et facturation.

La fenêtre de contexte est la mémoire de travail de l’IA dans une conversation. Elle explique les oublis, les coupures et les collages trop longs.

L’apprentissage automatique, c’est permettre à une machine d’apprendre à partir d’exemples. Pas de cours de maths ici : des images concrètes, un cas en région, et ce que cela change quand vous utilisez un outil.

Le deep learning, ou apprentissage profond, s’appuie sur des réseaux à plusieurs couches. Voici ce que ça change sans cours de maths.

Un réseau de neurones artificiels s’inspire de loin du cerveau : des couches de calcul, pas une personne. Voici le schéma utile.

Entraîner un modèle, c’est le construire en le confrontant à des exemples. Ce n’est pas votre chat du jour — voici la distinction utile.

L’inférence, c’est le moment où le modèle déjà entraîné calcule votre réponse. Voici ce que ce mot change au quotidien.

Un modèle de fondation, c’est une grande IA généraliste sur laquelle on construit d’autres outils. Voici la définition, une image concrète, des exemples, et la limite à garder en tête.

IA open source ou « à poids ouverts » : ce que ça veut dire vraiment, pourquoi on en parle, et les limites à ne pas oublier — surtout sur les données et le « gratuit ».

Le RAG, c’est quand l’IA cherche d’abord dans vos documents, puis rédige une réponse. Utile — mais elle peut encore mal citer. Voici comment ça marche, sans maths.

Le fine-tuning spécialise une IA déjà entraînée pour une tâche ou un style précis. Ce n’est pas « discuter cinq minutes ». Voici la définition, des exemples, et la limite.

Une IA multimodale comprend plusieurs « modes » : texte, image, son, parfois vidéo. Voici ce que ça change pour un débutant, avec un exemple concret et une limite claire.

Un deepfake, ou hypertrucage, est une vidéo, une photo ou une voix truquée par intelligence artificielle. Le risque n’est pas seulement « le spectacle » : c’est l’arnaque crédible. Ce glossaire pose le terme et les réflexes utiles.

Un biais algorithmique, c’est une tendance systématique dans les résultats d’une IA — par exemple sur les métiers et les prénoms. Ce n’est pas une « opinion » de la machine. Voici comment le reconnaître et le limiter.

Un data center, c’est d’abord un bâtiment plein de serveurs. Ce glossaire dit à quoi il sert pour l’IA, ce qu’on confond souvent avec un « cloud » magique, et quelles questions posent les projets en Hauts-de-France. Pas de chiffres de consommation inventés : pour l’eau, l’électricité et le bruit, on renvoie aux fiches sourcées.

Le GPU, c’est la puce qui a d’abord fait briller les jeux vidéo — et qui, aujourd’hui, fait tourner une grande partie de l’intelligence artificielle. Ce glossaire explique le terme sans jargon d’ingénieur, montre ce que ça change dans la vie courante, et relie le sujet aux data centers et aux débats en Hauts-de-France. Pas de pétaflops inventés : ici, on vise la compréhension.

Un supercalculateur, c’est un ordinateur — ou un ensemble de machines — conçu pour des calculs extrêmement intensifs. On en parle en recherche, en climat, en industrie, et de plus en plus avec l’IA. Ce glossaire pose le terme, démarque le supercalculateur du data center « cloud » classique, et aide à lire les annonces en Hauts-de-France sans coller des pétaflops inventés.

« Cloud souverain » : l’expression revient dans les appels d’offres, les plaquettes commerciales et les débats publics. Elle suggère un hébergement maîtrisé, souvent en Europe, sous un droit et des garanties plus rassurantes. Ce glossaire explique l’idée — et surtout ce qu’il faut vérifier — sans transformer « souverain » en tampon magique qui dispense de lire le contrat.

« IA souveraine » : slogan politique, ambition industrielle, critère d’achat… et parfois simple adjectif marketing. L’idée : maîtriser davantage la technologie, les données et la dépendance aux fournisseurs étrangers. Ce glossaire explique le terme sans en faire un label magique, et sans déclarer qu’un produit précis est souverain faute de preuves vérifiables.

L’AI Act, c’est le règlement européen sur l’intelligence artificielle. Ce glossaire le dit simplement : à quoi il sert, ce que signifie la littératie, et pourquoi l’article 4 fait débat chez les PME — sans inventer d’amendes ni de panique commerciale.

La littératie IA, c’est savoir se servir de l’intelligence artificielle de façon éclairée : comprendre ce qu’elle peut faire, où elle se trompe, quelles données elle touche, et quand un humain doit reprendre la main. Ce glossaire pose le terme, le relie à l’AI Act sans panique commerciale, et montre comment la développer en Hauts-de-France — notamment via le Brevet IA.

Le RGPD, c’est le règlement européen qui protège les données personnelles. Avec l’IA, la question devient concrète : que peut-on coller dans un assistant ? Ce glossaire explique le terme simplement, montre les gestes du quotidien, et renvoie vers les bonnes ressources — sans remplacer un avocat ni la CNIL.

Une donnée personnelle permet d’identifier une personne, directement ou non. Avec l’IA, coller un mail, un CV ou une photo rend ce mot très concret. Ce glossaire l’explique simplement — sans remplacer un avocat ni la CNIL.

Un embedding transforme un texte en nombres qui en capturent le sens approximatif. L’IA rapproche alors des phrases proches sans « comprendre » comme un humain. Voici le mécanisme, avec des exemples concrets.

L’OCR transforme une photo de texte en texte modifiable. Pratique pour un courrier ou une facture — mais il faut relire, et faire attention aux données présentes sur le document.

La reconnaissance vocale transforme la parole en texte : dictée, sous-titres, compte rendu de réunion. Pratique pour parler plutôt que taper — mais le bruit, les accents et les mots régionaux peuvent faire dérailler la transcription. Voici comment ça marche, simplement.

La vision par ordinateur permet d’analyser une image : objet, défaut, panneau. Utile en agriculture et en usine — ce n’est pas une preuve infaillible. Voici le terme, avec des exemples en Hauts-de-France.

L’IA embarquée, c’est une intelligence artificielle qui tourne dans l’appareil lui-même. Pas besoin d’envoyer chaque image ou chaque signal vers un nuage lointain pour « réfléchir ». Ce glossaire explique le terme simplement, montre où on la croise déjà, et pourquoi elle intéresse l’industrie et l’agriculture des Hauts-de-France — sans inventer de pourcentages de gain.

Un jumeau numérique, c’est une copie virtuelle d’un objet réel — machine, ligne, bâtiment, port. On la nourrit de données pour observer, simuler, parfois anticiper. Ce glossaire pose le terme sans jargon de salon, relie le sujet à l’industrie des Hauts-de-France, et démarque le jumeau d’un simple dessin 3D ou d’une IA conversationnelle.

La maintenance prédictive, c’est chercher à intervenir avant la panne, grâce aux données. Pas de boule de cristal : des capteurs, des historiques, des modèles, et des humains qui valident. Ce glossaire clarifie le terme pour l’industrie et l’agroalimentaire des Hauts-de-France, sans inventer de gains ni de taux de réussite.

Le no-code, c’est créer des automatisations sans écrire de programme. Des blocs, des règles, des connexions entre logiciels — et parfois un coup de pouce de l’IA. Ce glossaire explique le terme, montre des usages concrets, et rappelle un point crucial : sans code ne veut pas dire sans risque pour les données.

Une API, c’est un guichet qui permet à deux logiciels de se parler. Pas une intelligence, pas « l’IA » : une porte d’entrée documentée, avec des règles. Ce glossaire rend le sigle concret, montre pourquoi on en parle avec ChatGPT ou le no-code, et donne un exemple côté collectivités et entreprises des Hauts-de-France.

La chaleur fatale, c’est la chaleur « perdue » qu’une activité produit sans s’en servir. On en parle beaucoup autour des data centers et de l’IA : peut-on chauffer des logements ou des équipements avec cette chaleur ? Ce glossaire pose le mot, ce qu’il promet, et ce qu’il faut vérifier avant de croire à une solution automatique. Sans litres d’eau inventés, sans chiffres de rendement inventés.

Le PUE est un indicateur souvent brandi pour dire qu’un data center est « efficace » ou « vert ». Ce glossaire explique ce qu’il mesure vraiment — le rapport entre l’énergie totale du site et celle des équipements informatiques — et ce qu’il ne mesure pas. Aucun PUE chiffré inventé ici : on explique la logique, pas un classement fantôme.

L’injection de prompt, c’est quand un texte — parfois caché — détourne un outil d’IA de sa mission. Ce glossaire explique l’idée avec un exemple pédagogique, dit quoi faire si l’on tombe dessus, et renvoie aux précautions sur les données. Ce n’est pas un tutoriel d’attaque.

AGI — intelligence artificielle générale — désigne une IA aussi polyvalente qu’un humain dans une grande variété de tâches intellectuelles. Le mot promet beaucoup. Les outils d’aujourd’hui, même impressionnants, n’y sont pas. Ce glossaire sépare la promesse, le marketing et le réel — sans inventer de date d’arrivée.

La quantification réduit la précision des nombres d’un modèle pour qu’il tienne en mémoire. Voici ce que signifie Q4 ou Q8, ce que ça change vraiment, et comment éviter les mauvaises surprises sur un PC de bureau.

La VRAM est la mémoire de la carte graphique. Pour une IA locale, elle décide souvent si un modèle charge ou non. Voici ce que ça veut dire, sans promesse de Go « exacts » inventés.

Quand une fiche affiche 7B ou 27B, elle parle du nombre de paramètres du modèle. Ce chiffre oriente la mémoire et souvent la finesse, sans garantir à lui seul la qualité sur votre tâche.

Open weights signifie que les poids du modèle sont publiés pour téléchargement. Ce n’est pas automatiquement « open source » au sens logiciel complet. Voici la nuance juridique et pratique, ce que vous gagnez en maîtrise locale, et ce que la licence peut encore vous interdire.

Un modèle MoE (mélange d’experts) n’active qu’une fraction de ses paramètres à chaque jeton. La fiche peut afficher un total énorme et un chiffre « actifs » bien plus petit. Voici ce que cela signifie pour la qualité perçue, la mémoire et vos choix de machine en local.

GGUF est un format de fichier très courant pour faire tourner des modèles locaux avec llama.cpp, Ollama ou LM Studio. Voici ce qu’il emballe, comment le distinguer de la quantification, et comment éviter de télécharger le mauvais variant pour votre machine.

Ollama est un logiciel qui simplifie le téléchargement et l’exécution de modèles d’IA sur votre machine. Voici ce qu’il fait, ce qu’il ne remplace pas, et comment le situer face à LM Studio, aux fichiers GGUF et à une interface comme Open WebUI.

Open WebUI est une interface web, souvent installée en local, qui donne une expérience proche d’un chat type ChatGPT tout en s’appuyant sur des modèles que vous contrôlez (via Ollama ou d’autres backends). Voici ce qu’elle apporte, ce qu’elle n’est pas, et comment l’utiliser sans mélanger les couches.

Le chunking découpe vos documents en morceaux indexables pour un RAG. Trop gros, le modèle noie le signal ; trop petit, le sens se brise. Voici ce que le mot désigne, comment l’ajuster, et pourquoi c’est souvent le vrai levier avant d’acheter du matériel.

Le reranker reclasse une liste de passages candidats pour garder les plus pertinents avant de les donner au modèle. Voici ce qu’il apporte après une première recherche, ce qu’il ne répare pas, et comment l’évaluer honnêtement sur votre corpus.

Une base de données vectorielle stocke des représentations numériques du sens (embeddings) pour retrouver des passages proches d’une question. Voici ce que ça change par rapport à une base classique, comment ça s’articule avec le chunking, et quels exemples connaître sans en faire une religion.

La recherche hybride combine une recherche par mots-clés et une recherche sémantique (vecteurs). Elle aide quand votre RAG rate des numéros, références et noms propres. Voici ce que le mot désigne, quand l’activer, et comment l’évaluer sans tableaux magiques.

LoRA (Low-Rank Adaptation) permet de spécialiser un modèle en entraînant un petit adaptateur plutôt que tous les poids. Voici ce que ça change, ce que ça ne remplace pas, et quand une TPE a plutôt besoin d’un RAG ou d’une bonne consigne que d’un fine-tuning.

La température est un réglage d’échantillonnage qui influence le caractère plus déterministe ou plus exploratoire des réponses d’un modèle. Voici ce qu’elle fait vraiment, ce qu’elle ne répare pas, et comment la choisir selon que vous rédigez un poème ou une procédure.

Le prompt système (system prompt) donne à l’IA un cadre permanent : rôle, ton, limites, format. Ce n’est ni un message utilisateur ordinaire, ni une garantie de vérité. Voici ce que ça change vraiment, avec des exemples concrets pour cadrer un assistant sans jargon inutile, que vous soyez en local ou dans le cloud.

L’appel d’outils (tool calling ou function calling) permet à un modèle de demander l’exécution d’une action : calculatrice, recherche, agenda, API. Ce n’est plus seulement du texte généré. Voici ce que ça désigne, ses limites, et comment l’aborder sans confusion ni permissions trop larges dès le premier essai.

MCP (Model Context Protocol) est un standard pour connecter une IA à des outils et des sources de données de façon plus homogène. Ce n’est ni un modèle, ni une magie d’accès total. Voici ce que ça change pour brancher des capacités, avec les précautions de permissions indispensables avant tout usage sensible.

Un modèle de raisonnement « réfléchit » plus longtemps avant de répondre : il génère souvent une trace de réflexion interne, puis une réponse. Utile sur des problèmes structurés ; plus coûteux en temps et en tokens. Voici comment le situer sans mythe, et quand un modèle classique reste préférable au quotidien.

La distillation transfère une partie des capacités d’un grand modèle (enseignant) vers un modèle plus petit (élève). Ce n’est pas la même chose que compresser les bits. Voici la définition utile pour choisir un modèle local sans confondre les étiquettes, ni croire qu’un petit fichier égale automatiquement le géant.

Les tokens par seconde (tokens/s) mesurent la vitesse de génération d’une IA. C’est un indicateur de confort, pas une note de qualité. Voici comment le lire, ce qui le fait chuter, et comment en parler sans faux tableaux universels ni chiffres magiques inventés pour toutes les machines et tous les usages.

L’inférence locale, c’est exécuter un modèle d’IA sur votre matériel (PC, serveur interne) plutôt que d’envoyer chaque requête à un cloud. Avantages de maîtrise, limites de puissance et de maintenance : voici le cadre clair pour décider sans promesse magique de souveraineté automatique ni conformité instantanée.

Un contexte d’un million de tokens promet d’avaler l’équivalent de centaines de pages d’un coup. Utile en théorie ; coûteux en mémoire et pas magique en compréhension. Voici ce que ça veut dire vraiment, les limites d’attention du modèle, et quand préférer un [[gl17|RAG]] bien cadré sur vos documents.

YaRN est une technique pour étendre la longueur de contexte d’un modèle au-delà de son entraînement d’origine. Elle apparaît souvent dans les fiches de modèles long context. Voici ce que ça désigne pour décoder une card technique, sans promettre une lecture parfaite d’un million de tokens sur votre machine.

Hugging Face est la grande plateforme de partage de modèles, datasets et démos d’IA, surtout open weights. Ce n’est pas un modèle unique. Voici comment s’orienter pour trouver un fichier fiable, lire une licence, et éviter les pièges du catalogue immense quand on débute l’[[gt21|inférence locale]] chez soi.

vLLM est un moteur conçu pour servir efficacement un modèle d’IA à plusieurs requêtes. Ce n’est pas un chatbot grand public. Voici ce qu’il change face à [[gt07|Ollama]], quand une structure HdF devrait s’y intéresser, et pourquoi la plupart des débutants peuvent attendre avant de l’installer tout de suite.