Glossaire IA générative

Ensemble de techniques informatiques qui permettent à un programme d'effectuer des tâches associées à l'intelligence humaine, comme reconnaître une image ou comprendre une phrase.

Branche de l'IA où un modèle apprend à repérer des régularités à partir d'exemples, plutôt que de suivre des règles écrites à la main.

Modèle composé de plusieurs couches de calculs interconnectés, inspiré de loin du fonctionnement des neurones biologiques.

Famille de modèles capables de produire un contenu nouveau, texte, code ou image, à partir d'une consigne fournie en entrée.

Grand modèle de langage entraîné sur d'immenses volumes de texte pour prédire, mot après mot, la suite la plus probable d'un texte.

Unité de texte, mot, sous-mot ou caractère, que le modèle traite comme brique de base pour ses calculs.

Système capable d'exécuter lui-même une suite d'actions pour accomplir une tâche, avec une supervision humaine plus ou moins fréquente selon le niveau d'autonomie laissé.

Approche historique de l'IA fondée sur des règles écrites à la main par des expert•es, entièrement prévisible mais plus rigide qu'un modèle statistique.

Usage de réseaux de neurones à très nombreuses couches, capables d'apprendre des représentations complexes à partir de grands volumes de données brutes.

Découpage d'un texte en tokens avant traitement par le modèle. Cette opération détermine ce qui tient dans la fenêtre contextuelle, et le coût facturé.

Modèle brut issu de l'entraînement. Il complète du texte sans chercher à obéir à une consigne, et sert de base aux deux autres familles.

Modèle ayant reçu un entraînement supplémentaire pour suivre une demande formulée en langage naturel. C'est celui qu'utilisent la plupart des outils courants.

Modèle qui produit une réflexion intermédiaire avant sa réponse finale. Il gagne sur les tâches à plusieurs étapes de logique, et perd en rapidité comme en coût.

Modèle acceptant plusieurs types d'entrées, typiquement du texte et des images, ce qui permet par exemple de lui soumettre une maquette d'écran.

Petit modèle de langage. Moins polyvalent qu'un grand modèle, mais assez léger pour être hébergé sur l'infrastructure de l'entreprise. Les données ne sortent alors pas du réseau. Sur une tâche précise et bien cadrée, l'écart de qualité se réduit fortement.

Consigne donnée à un modèle de langage pour orienter la réponse qu'il va produire.

Consigne qui demande une tâche sans fournir d'exemple, le modèle s'appuyant alors uniquement sur ses connaissances générales.

Consigne qui fournit un unique exemple du résultat attendu, suffisant pour transmettre un format mais pas une règle implicite.

Consigne qui montre plusieurs exemples du résultat attendu avant de poser la vraie demande. Elle transmet ainsi une convention que personne n'a formalisée par écrit.

Technique qui demande au modèle d'écrire ou d'améliorer la consigne elle-même, au lieu de produire directement le résultat attendu.

Consigne de cadrage posée une fois et valable pour tous les échanges suivants. Elle fixe le rôle, le ton, le format et les interdits.

Demande ponctuelle formulée à chaque échange, par opposition au prompt système qui reste en vigueur d'un échange à l'autre.

Technique qui demande au modèle de détailler son raisonnement étape par étape avant de donner sa réponse finale.

Méthode qui consiste à relire une première réponse, faire préciser le modèle sur ce qui manque, puis affiner la demande plutôt que de tout écrire d'un seul coup.

Structure de consigne réutilisable avec des blancs à remplir selon le besoin, conçue pour être reproduite sur des tâches récurrentes.

Découpage d'une tâche complexe en plusieurs échanges successifs, chaque réponse du modèle servant de point de départ à la demande suivante.

Espace partagé où une équipe conserve les consignes déjà testées et validées pour ses tâches récurrentes.

Information fausse ou inventée que le modèle produit avec la même assurance qu'une information exacte.

Tendance de l'IA à privilégier les cas nominaux et les variations évidentes, au détriment des combinaisons rares.

Tendance humaine à faire davantage confiance à une suggestion parce qu'elle vient d'un outil, plutôt que d'évaluer réellement son contenu.

Comportement d'un modèle qui peut donner deux réponses différentes à une même question posée deux fois, même formulée à l'identique.

Affaiblissement progressif du réflexe d'analyse manuelle d'une équipe qui délègue trop systématiquement son travail à l'IA.

Usage d'un outil d'IA personnel, non validé par l'entreprise, sur du code ou des données de production.

Comparaison d'une suggestion de l'IA avec la documentation existante ou le comportement connu du système, pour repérer les écarts.

Capacité à comprendre et justifier pourquoi un outil d'IA a priorisé ou signalé un résultat plutôt qu'un autre.

Faute dans un enchaînement logique pourtant correctement documenté. À distinguer de l'hallucination, qui invente un fait inexistant.

Paramètre qui contrôle le niveau d'improvisation d'un modèle. Une valeur proche de zéro rend ses réponses plus stables et plus répétitives d'une exécution à l'autre. Elle ne les rend pas plus exactes pour autant.

Consigne glissée dans un contenu analysé par le modèle. Il l'exécute comme si elle venait de l'équipe, faute de distinguer la consigne du texte à traiter.

Dérive progressive d'une conversation, message après message, jusqu'à ce que le modèle contredise les consignes posées au départ.

Remplacement des noms, adresses et identifiants par des valeurs fictives avant de soumettre un contenu à un outil externe. Cette mesure débloque la plupart des usages sans exposer de données.

Génération augmentée par la recherche. Technique qui retrouve dans une documentation indexée les fragments les plus proches d'une question, puis les ajoute au prompt avant d'appeler le modèle. La réponse s'appuie ainsi sur la matière du projet, et non sur la seule mémoire d'entraînement.

Script d'automatisation qui détecte un changement mineur d'interface et met à jour son sélecteur automatiquement, plutôt que d'échouer.

Extension ou module branché directement sur l'éditeur de code ou l'outil de gestion des tests, qui propose des suggestions au fil de la rédaction.

Outil capable d'enchaîner plusieurs actions de façon autonome, comme générer un cas de test, l'exécuter puis analyser le résultat.

Temps de réponse ajouté par un appel à un modèle hébergé à l'extérieur, qui s'additionne à celui du test lui-même.

Pratique qui consiste à traiter un prompt utilisé en routine comme un script de test, en le gardant daté, documenté et suivi dans le temps.

Technique qui repère des régressions d'interface, décalage, couleur ou superposition, qu'une assertion fonctionnelle classique ne détecterait pas.

Quantité maximale de texte, mesurée en tokens, qu'un modèle peut prendre en compte en une seule fois. La consigne, le contexte fourni et la réponse se partagent cette place.

Représentation numérique d'un texte sous forme d'une longue liste de nombres. Deux textes de sens proche donnent deux listes proches, même sans mot commun.

Stockage optimisé pour retrouver rapidement les fragments de texte dont le sens ressemble le plus à une question donnée. C'est la brique centrale d'une infrastructure RAG.

Réentraînement partiel d'un modèle existant sur des exemples propres à une organisation. Il lui fait adopter un style et un vocabulaire, sans lui apprendre les faits d'un produit.

Ensemble des pratiques de suivi d'un modèle une fois déployé. La qualité de ses réponses, son coût, la version utilisée et les changements de comportement après une mise à jour.

Couche logicielle placée entre l'équipe et le modèle. Elle assemble la demande, y ajoute le contexte utile, enchaîne les appels et remet la réponse au bon format.

Document court qui précise quels outils d'IA sont autorisés, quelles données peuvent leur être envoyées et quel niveau de vérification est attendu.

Démarche qui teste l'IA sur un périmètre limité et peu risqué avant de mesurer son impact réel et d'étendre son usage.

Part des suggestions de l'IA modifiées ou rejetées après relecture, utilisée comme mesure concrète de sa fiabilité.

Ensemble des règles et responsabilités qui encadrent l'usage de l'IA au sein d'une équipe, pour éviter une dérive silencieuse.

Réflexe qui pousse à ne jamais prendre pour argent comptant une suggestion de l'IA, au même titre qu'une fonctionnalité déclarée fonctionnelle.