Les outils d'intelligence artificielle générative se sont installés dans les usages professionnels bien avant que leur vocabulaire ne soit stabilisé. Un même mot, comme « agent » ou « modèle », peut désigner des réalités techniques différentes selon le contexte, ce qui complique la lecture d'une documentation, d'une offre de formation ou d'un article spécialisé. Ce glossaire rassemble, par grand thème, les termes qui reviennent le plus souvent dans les échanges autour de l'IA générative, avec pour chacun une définition autonome, factuelle et vérifiée auprès de sources de référence (CNIL, IBM, Google Cloud).
Les fondamentaux de l'intelligence artificielle
Qu'est-ce que l'intelligence artificielle (IA) ?
L'intelligence artificielle désigne l'ensemble des techniques informatiques permettant à une machine d'exécuter des tâches habituellement associées à l'intelligence humaine (comprendre un langage, reconnaître une image, prendre une décision), sans qu'un humain ne programme explicitement chaque règle à suivre.
Qu'est-ce que l'apprentissage automatique (machine learning) ?
L'apprentissage automatique est un champ de l'intelligence artificielle qui donne à un système la capacité d'apprendre à partir de données, via des modèles mathématiques, plutôt que d'exécuter des règles écrites à l'avance par un développeur (définition de la CNIL). Concrètement, un algorithme ajuste ses paramètres à partir d'exemples pour améliorer sa capacité à accomplir une tâche donnée, comme classer un message ou recommander un contenu.
Qu'est-ce que l'apprentissage profond (deep learning) ?
L'apprentissage profond est une méthode d'apprentissage automatique qui utilise des réseaux de neurones organisés en plusieurs couches successives (définition de la CNIL). Il nécessite un volume de données d'entraînement nettement plus important que les méthodes de machine learning classiques, mais permet de traiter des tâches complexes comme la reconnaissance d'image ou la génération de texte ; c'est cette approche qui sert de socle aux modèles d'IA générative actuels.
Qu'est-ce que l'IA générative ?
L'IA générative désigne une catégorie d'intelligence artificielle capable de créer un contenu original (texte, image, audio, vidéo ou code) en réponse à une consigne formulée par un utilisateur, plutôt que de se limiter à analyser ou classer des données existantes (définition d'IBM). ChatGPT, Claude, Gemini ou Midjourney sont des exemples d'outils reposant sur l'IA générative.
Qu'est-ce qu'un modèle de fondation ?
Un modèle de fondation est un modèle d'IA entraîné sur un très large volume de données et conçu pour être adapté à de nombreuses tâches différentes, plutôt qu'à un seul usage spécifique (définition proche de celle de Google Cloud). Les grands modèles de langage (LLM) sont le type de modèle de fondation le plus répandu, mais la catégorie inclut aussi des modèles dédiés à l'image ou à l'audio.
Comment fonctionnent les modèles de langage (LLM) ?
Qu'est-ce qu'un LLM (grand modèle de langage) ?
Un LLM (large language model, ou grand modèle de langage) est un modèle de fondation entraîné sur d'immenses volumes de texte pour comprendre et générer du langage humain. Il constitue le moteur technique des principaux assistants conversationnels d'IA générative actuels, comme ChatGPT, Claude ou Gemini.
Qu'est-ce qu'un token (jeton) ?
Un token est une unité de texte (le plus souvent un mot, une partie de mot ou un signe de ponctuation) que le modèle traite comme élément de base pour lire une consigne et générer une réponse (définition proche de celle d'IBM). Un texte est d'abord découpé en tokens avant d'être traité par le modèle, et la quantité de tokens utilisée influence directement le coût et la vitesse d'une requête.
Qu'est-ce que la fenêtre de contexte d'une IA ?
La fenêtre de contexte correspond à la quantité maximale de texte, mesurée en tokens, qu'un modèle de langage peut prendre en compte simultanément dans une conversation (consigne, historique des échanges et réponse générée compris). Au-delà de cette limite, les informations les plus anciennes de la conversation ne sont plus prises en compte par le modèle.
Qu'est-ce qu'une IA multimodale ?
Une IA multimodale est un système capable de traiter et de combiner plusieurs types de contenus (texte, image, audio, vidéo) au sein d'une même requête ou d'une même réponse, par opposition à un modèle limité à un seul format d'entrée ou de sortie.
Comment interagir avec une IA générative : prompt, fine-tuning et personnalisation
Qu'est-ce qu'un prompt ?
Un prompt est l'instruction ou la question, formulée en langage naturel, qu'un utilisateur adresse à une IA générative pour obtenir une réponse ou un contenu. Sa formulation (contexte donné, objectif précisé, format attendu) influence directement la qualité du résultat produit.
Qu'est-ce que le prompt engineering ?
Le prompt engineering, ou ingénierie de prompt, est le processus consistant à rédiger, tester et affiner les instructions données à un système d'IA générative afin d'obtenir des résultats précis et exploitables (définition d'IBM). Cette pratique ne nécessite pas de compétence en programmation : elle repose sur la structuration claire d'une demande en langage naturel.
Qu'est-ce que le fine-tuning (ajustement) d'un modèle ?
Le fine-tuning, ou ajustement, est une technique consistant à spécialiser un modèle d'IA déjà entraîné pour qu'il accomplisse une tâche précise, en poursuivant son entraînement sur un ensemble de données ciblé (définition de la CNIL). Il permet, par exemple, d'adapter un modèle généraliste au vocabulaire et aux besoins d'un secteur d'activité particulier.
Que signifient zero-shot et few-shot ?
Le mode zero-shot désigne la capacité d'un modèle à réaliser une tâche sans avoir reçu le moindre exemple préalable, en s'appuyant uniquement sur ses connaissances acquises pendant l'entraînement. Le mode few-shot consiste, à l'inverse, à fournir quelques exemples directement dans le prompt pour guider la réponse attendue, sans passer par un réentraînement du modèle (contrairement au fine-tuning).
Quels sont les usages avancés de l'IA générative ?
Qu'est-ce que le RAG (retrieval-augmented generation) ?
Le RAG, ou génération augmentée de récupération, est une architecture qui connecte un modèle de langage à une base de connaissances externe (documents internes, base de données, contenu web) pour fonder ses réponses sur des informations actualisées ou spécifiques, plutôt que sur ses seules données d'entraînement (définition d'IBM). Cette méthode réduit le risque de réponses obsolètes ou inventées.
Qu'est-ce qu'un agent IA ?
Un agent IA est un système capable d'accomplir une tâche de façon autonome en planifiant plusieurs étapes, en utilisant des outils externes (recherche web, calcul, logiciels) et en ajustant son plan d'action sans intervention humaine à chaque étape (définition proche de celle d'IBM). Il se distingue d'un simple assistant conversationnel, qui répond à une question sans exécuter d'actions de sa propre initiative.
Quelle différence entre un chatbot et un assistant conversationnel IA ?
Un chatbot est un programme conçu pour simuler une conversation avec un utilisateur, le plus souvent sous forme de texte. Lorsqu'il repose sur un LLM et sur l'IA générative, on parle d'assistant conversationnel : il peut alors comprendre des questions formulées en langage naturel et générer des réponses originales, à la différence des chatbots plus anciens qui suivaient des scénarios de réponses préétablis.
Quelles sont les limites à connaître avant d'utiliser une IA générative ?
Qu'est-ce qu'une hallucination en IA ?
Une hallucination désigne un cas où une IA générative produit une information fausse, inventée ou hors sujet, tout en la présentant avec une formulation assurée et plausible (définition proche de celle d'IBM). Ce phénomène provient du fonctionnement même des modèles de langage, qui optimisent la vraisemblance statistique d'une réponse plutôt que sa véracité factuelle ; il justifie de vérifier toute information factuelle, tout chiffre ou toute source fournie par une IA générative.
Qu'est-ce qu'un biais algorithmique ?
Un biais algorithmique est une distorsion systématique dans les résultats produits par un système d'IA, qui conduit à des résultats moins fiables ou défavorables pour certains groupes ou certaines situations. Il provient le plus souvent des données utilisées pour entraîner le modèle, lorsque celles-ci reflètent des déséquilibres déjà présents dans la société.
Qu'est-ce qu'un jeu de données (dataset) ?
Un jeu de données, ou dataset, est un ensemble structuré d'informations (textes, images, tableaux) utilisé pour entraîner, ajuster ou évaluer un modèle d'IA. La qualité, la diversité et la représentativité de ce jeu de données influencent directement la fiabilité et les éventuels biais du modèle final.
Ce vocabulaire va continuer d'évoluer
Le vocabulaire de l'intelligence artificielle générative continue de s'enrichir au rythme des nouvelles capacités des modèles (agents plus autonomes, fenêtres de contexte plus larges, architectures multimodales). Revenir régulièrement sur ces définitions, ou les confronter aux sources techniques citées, reste le moyen le plus sûr de suivre cette évolution sans se fier à des raccourcis approximatifs. Ce socle de vocabulaire prépare aussi à aborder des sujets plus opérationnels, comme le choix d'une formation adaptée à son métier ou d'une certification reconnue dans le domaine de l'IA.