Lexique IA

Lexique – Glossaire – Abréviations de l’Intelligence Artificielle

Voici un lexique de termes et abréviations courantes autour de l’IA, expliqué de façon simple.

IA (AI – Artificial Intelligence)

Intelligence artificielle : des machines capables d’apprendre, réfléchir ou prendre des décisions comme un humain.

Algorithme (Algorithm)

Une suite d’instructions, comme une recette, que l’ordinateur suit pour faire une tâche.

Apprentissage automatique (Machine Learning, ML)

L’ordinateur apprend tout seul à partir d’exemples, sans qu’on lui explique chaque règle.

Apprentissage profond (Deep Learning, DL)

Une forme plus avancée d’apprentissage automatique, inspirée du cerveau, avec plusieurs “couches” d’apprentissage.

Réseau de neurones (Neural Network)

Un modèle d’IA constitué de “neurones artificiels” interconnectés pour reconnaître des formes, du langage, des images…

Modèle (Model)

Le résultat de l’apprentissage de l’IA : ses “connaissances internes” qui lui permettent de faire des prédictions.

Données (Data)

Informations comme des textes, des chiffres, des images que l’IA utilise pour apprendre.

Big Data

Très grandes quantités de données (millions ou milliards d’éléments) utilisées par l’IA.

IA générative (Generative AI)

Une IA qui peut créer du contenu : textes, images, sons, vidéos…

Chatbot / Agent conversationnel (Chatbot / Conversational Agent)

Programme avec lequel on peut discuter, poser des questions et obtenir des réponses automatiquement.

Compréhension du langage naturel (Natural Language Understanding – NLU)

L’IA comprend ce que signifient les phrases écrites ou parlées, comme le ferait un humain.

Traitement du langage naturel (Natural Language Processing – NLP)

Partie de l’IA qui permet aux machines d’écrire, lire, traduire ou parler comme les humains.

Modèle de langage / LLM (Language Model / Large Language Model)

Une IA très puissante entraînée sur beaucoup de textes : elle peut écrire, résumer ou répondre naturellement.

IA prédictive (Predictive AI)

IA qui utilise des données passées pour prévoir ce qui pourrait arriver (ex : ventes, risques).

Apprentissage supervisé (Supervised Learning)

L’IA apprend avec des “exemples corrigés” : on lui montre les bonnes réponses pendant l’apprentissage.

Apprentissage non supervisé (Unsupervised Learning)

L’IA explore les données sans qu’on lui dise quoi chercher : elle découvre des groupes ou des motifs.

Apprentissage par renforcement (Reinforcement Learning)

L’IA agit dans un environnement, reçoit des récompenses ou des punitions, et apprend à prendre de meilleures décisions.

Biais algorithmique (Algorithmic Bias)

Quand l’IA produit des résultats injustes parce que les données d’apprentissage sont elles-mêmes biaisées.

Explicabilité (Explainability / Explainable AI)

Capacité de l’IA à expliquer pourquoi elle a pris une décision — très utile pour avoir confiance.

IA de confiance (Trustworthy AI)

Une IA conçue de façon éthique, sûre, transparente et respectueuse des valeurs humaines.

Vision par ordinateur (Computer Vision)

L’IA “voit” des images ou des vidéos et les comprend, elle peut reconnaître des visages, des objets…

Interaction humain-IA (Human-AI Interaction)

Comment les humains et les IA travaillent ensemble : via la voix, le texte, des écrans simples…

IA forte / IA faible (AGI / Narrow AI)

• IA faible : spécialisée dans une tâche (ex. : reconnaissance d’image).
• IA forte (AGI) : dans l’idéal, une IA capable de faire tout ce qu’un humain peut faire consciemment.

Gouvernance des données (Data Governance)

Les règles pour bien gérer les données : comment les collecter, les protéger, les utiliser.

Deepfake (Hypertrucage)

Une vidéo ou un son très réaliste “truqué” par l’IA pour faire dire ou faire faire quelque chose à quelqu’un.

Données d’entraînement (Training Data)

Les exemples (textes, images…) utilisés pour “enseigner” à l’IA ce qu’elle doit apprendre.

Fonction d’activation (Activation Function)

Dans un réseau de neurones, c’est ce qui décide si un “neurone artificiel” doit s’activer ou non.

Modèle prédictif (Predictive Model)

Un modèle d’IA qui sert à faire des prédictions (ex. : météo, comportement, ventes).

Éthique de l’IA (AI Ethics)

Les principes moraux quand on conçoit et utilise l’IA : confiance, justice, vie privée.

Annotation (Annotation / Ground Truth)

Action de “nommer” ou “étiqueter” des données (ex : dire qu’une image montre un chien) pour entraîner l’IA.

TALN ou Traitement Automatique du Langage Naturel / Natural Language Processing (NLP)

Branche de l’intelligence artificielle qui se concentre sur l’interaction entre les ordinateurs et les humains via le langage naturel.

GPT (GPT / Generative Pre-trained Transformer)

Un transformeur génératif préentraîné est un type de grand modèle de langage basé sur l’architecture transformeur. Le « préapprentissage » consiste à prédire le prochain mot dans une séquence de texte.

Cette liste s’appuie sur des définitions d’organismes francophones spécialisés dans l’IA.