A
- Agent
- Un système d'IA qui enchaîne lui-même des actions pour atteindre un objectif : chercher, cliquer, écrire du code, vérifier. C'est le front le plus actif de 2025 et 2026. Voir l'épisode 3 →
- Algorithme
- Une suite d'instructions précises pour résoudre un problème, comme une recette de cuisine. Votre calculatrice et votre GPS suivent des algorithmes. Voir l'épisode 3 →
- Apprentissage automatique (machine learning)
- La branche de l'IA où la machine apprend à partir de données, au lieu d'être programmée règle par règle. Voir l'épisode 3 →
- Apprentissage profond (deep learning)
- L'apprentissage avec des réseaux de neurones à nombreuses couches, d'où le mot « profond ». Voir l'épisode 3 →
B
- Benchmark
- Un test standardisé qui mesure et compare les performances des modèles d'IA. Voir l'épisode 3 →
D
- Données
- Les exemples dont un système apprend : textes, images, sons, chiffres. Les préparer représente souvent 60 à 80 % du travail réel d'un projet d'IA. Voir l'épisode 3 →
E
- Entraînement
- La phase où le modèle ajuste ses paramètres sur des données. Elle est longue et coûteuse, mais elle se fait une fois. Voir l'épisode 3 →
F
- Fenêtre de contexte
- La quantité de texte qu'un modèle peut « avoir en tête » en une seule fois : votre question, les documents que vous lui donnez et la conversation en cours. Voir l'épisode 3 →
- Frontière dentelée (jagged frontier)
- La limite entre ce que l'IA sait faire et ce qu'elle ne sait pas faire n'est pas droite : elle a des pics très hauts et des creux inattendus juste à côté. Un modèle peut réussir des questions de niveau doctorat et mal lire une horloge à aiguilles. Voir l'épisode 1 →
H
- Hallucination
- Une réponse fausse, énoncée avec assurance. Un LLM produit le texte le plus plausible, pas forcément le plus vrai : quand l'information lui manque, il complète avec quelque chose de vraisemblable. Voir l'épisode 3 →
I
- IA connexionniste
- L'approche où la machine découvre les règles à partir d'exemples, surtout avec des réseaux de neurones. Souple et puissante, mais gourmande en données et difficile à expliquer. Elle domine depuis 2012. Voir l'épisode 2 →
- IA étroite (ou IA faible)
- Une IA performante sur une tâche ou un domaine précis : la reconnaissance faciale de votre téléphone, la traduction automatique, les recommandations de Netflix. Voir l'épisode 2 →
- IA forte
- Au sens du philosophe John Searle (1980), une machine qui pense réellement, qui a un esprit. À ne pas confondre avec une IA simplement puissante. Voir l'épisode 2 →
- IA générale (AGI)
- Une IA qui égalerait ou dépasserait l'humain sur la plupart des tâches intellectuelles. Il n'en existe aucun exemple admis, et sa définition même est débattue. Voir l'épisode 2 →
- IA généraliste
- Celle des modèles de fondation : un même modèle accomplit des milliers de tâches différentes. C'est ChatGPT, Claude, Gemini ou DeepSeek. Voir l'épisode 2 →
- IA générative
- Une IA qui produit des contenus nouveaux : du texte, des images, du son, de la vidéo, du code. Voir l'épisode 3 →
- IA symbolique (GOFAI)
- L'approche où des humains écrivent les connaissances sous forme de règles logiques, comme dans les systèmes experts. Explicable et précise, mais rigide et coûteuse à entretenir. Voir l'épisode 2 →
- Inférence
- L'utilisation d'un modèle déjà entraîné. Chaque question posée à un assistant est une inférence : elle coûte peu, mais se répète à chaque usage. Voir l'épisode 3 →
- Intelligence artificielle (IA)
- Selon la définition de l'OCDE, reprise par l'AI Act européen : un système fondé sur une machine qui, pour des objectifs explicites ou implicites, déduit de ce qu'il reçoit comment produire des prédictions, des contenus, des recommandations ou des décisions. Voir l'épisode 1 →
L
- LLM (grand modèle de langage)
- Un modèle de fondation spécialisé dans le texte. Son principe tient en une phrase : il prédit la suite d'un texte. ChatGPT, Claude et Gemini en sont des exemples. Voir l'épisode 3 →
M
- Modèle
- Le résultat de l'apprentissage : un objet mathématique qui transforme une entrée en sortie. On lui donne un e-mail, il répond « spam » ou « pas spam ». Voir l'épisode 3 →
- Modèle de fondation
- Un grand modèle, entraîné sur des données massives et adaptable à de nombreuses tâches. Voir l'épisode 3 →
- Multimodal
- Se dit d'un modèle qui traite plusieurs types de données : du texte, des images, du son, de la vidéo. Voir l'épisode 3 →
P
- Paradoxe de Moravec
- Ce qui est difficile pour l'humain, comme calculer, est souvent facile pour la machine. Ce qui est facile pour un enfant, comme marcher ou saisir un objet, reste très difficile pour un robot. Voir l'épisode 1 →
- Paramètres (ou poids)
- Les nombres internes d'un modèle, réglés pendant l'apprentissage comme les boutons d'une table de mixage. GPT-3, en 2020, en comptait déjà 175 milliards. Voir l'épisode 3 →
- Poids ouverts (open weights)
- Un modèle dont les paramètres sont publiés et téléchargeables, comme Llama, DeepSeek ou Mistral. On peut le faire tourner sur ses propres machines : pour beaucoup de pays, c'est un enjeu de souveraineté. Voir l'épisode 3 →
- Prompt (ou invite)
- L'instruction ou la question que vous donnez à un modèle. Voir l'épisode 3 →
R
- Réseau de neurones
- Un modèle composé d'unités de calcul simples, connectées en couches, vaguement inspiré du cerveau. Voir l'épisode 3 →
S
- Superintelligence
- Une IA qui dépasserait largement les meilleurs humains dans presque tous les domaines. C'est pour l'instant une hypothèse théorique, au cœur des débats sur les risques de l'IA. Voir l'épisode 2 →
T
- Token (ou jeton)
- Un morceau de texte traité par un modèle : un mot, une partie de mot ou un signe de ponctuation. Les langues peu présentes sur Internet, dont beaucoup de langues africaines, demandent plus de jetons, donc coûtent plus cher à traiter. Voir l'épisode 3 →
Ces mots, expliqués en vidéo.
Nouvel épisode chaque mardi et chaque samedi sur YouTube.