Le dictionnaire de l'IA : ce que signifient tous ces termes que vous entendez chaque jour

Dès qu'on parle d'intelligence artificielle, des mots étranges surgissent inévitablement : hallucinations, fine-tuning, embeddings, transformer. Tout le monde hoche la tête, mais peu comprennent de quoi il s'agit. Il est temps d'y remédier.

Pourquoi un dictionnaire est nécessaire maintenant

Ces deux dernières années, l'IA est sortie des cercles techniques de niche pour entrer dans l'espace public. Tout le monde parle de ChatGPT, Claude et Gemini, mais la terminologie d'origine n'a pas changé : technique, embrouillée et truffée d'anglicismes. Les gens entendent ces mots dans des podcasts, les voient dans des articles, les entendent en conférence et au travail, sans en saisir vraiment le sens.

Le problème n'est pas la bêtise des gens, mais le fait que la communauté de l'IA a pris l'habitude de parler sa propre langue, bâtie sur des décennies de recherche. Il est temps de traduire ces idées en langage courant : pas du vernis marketing, mais des explications réelles et utiles pour ne pas avoir l'air perdu dans une conversation.

Les grandes catégories de termes de l'IA

Les mots de l'IA se répartissent schématiquement en plusieurs groupes, chacun avec sa propre logique. Si vous comprenez la logique de l'un, les autres termes s'y rattacheront naturellement.

Modèles et architectures : ce sont les concepts fondamentaux sur la façon dont le réseau de neurones lui-même est construit : transformer, diffusion model, large language model (LLM), convolutional neural network. Ils sont comparables aux styles architecturaux d'un bâtiment : chacun détermine l'organisation de tout le reste.

Entraînement et adaptation : les processus que traverse un modèle pour apprendre : fine-tuning, prompt engineering, reinforcement learning, backpropagation. C'est comme le programme d'entraînement d'un sportif : il détermine les compétences que le modèle acquerra.

Problèmes et limites : ce à quoi développeurs et utilisateurs se heurtent réellement : hallucination, bias, alignment, overfitting, mode collapse. Ce sont comme des maladies dont un système peut souffrir, et il faut en tenir compte.

Des hallucinations au prompt engineering

Prenons les cinq termes les plus importants et les plus employés :

• Hallucinations : lorsqu'une IA génère des informations absentes de ses données d'entraînement. Elle invente des liens, des citations, des chiffres qui n'ont jamais existé. Cela ressemble à de la fantaisie mystique, mais c'est en réalité une erreur de prédiction de texte.
• Fine-tuning : entraînement supplémentaire d'un modèle déjà prêt sur des données spécialisées. C'est comme si l'on prenait un manuel scolaire tout fait pour l'adapter à une école précise.
• Embeddings : transformation de mots ou de texte en vecteurs mathématiques que le modèle comprend. C'est une traduction du langage humain dans le langage des nombres.
• Transformer : l'architecture de réseaux à la base de tous les LLM modernes (GPT, Claude, Llama). Ce fut une percée en 2017 qui a changé tout le monde de l'IA.
• Prompt engineering : l'art de formuler correctement une tâche pour une IA afin d'obtenir le résultat voulu. Pas simplement une commande, mais une commande qui fonctionne.

Pourquoi c'est important

Un dictionnaire n'est pas qu'un ouvrage de référence. C'est un laissez-passer vers les conversations sérieuses sur l'IA. Quand vous comprenez qu'une hallucination est une erreur précise et explicable dans le fonctionnement d'un modèle, les échanges changent complètement. Vous ne hochez plus la tête à l'aveugle en conférence : vous posez les bonnes questions. Au travail, vous n'écoutez plus seulement vos collègues, vous participez à la discussion.

Comprendre la terminologie est le premier pas pour saisir ce que l'IA peut et ne peut pas faire, pourquoi cela fonctionne et pourquoi cela casse parfois.