Le vocabulaire de l'IA : 20 mots et le cycle de vie d'une IA

Paramètres. Tokens. Inférence. Fenêtre de contexte. Quand on parle d'intelligence artificielle, les mots techniques arrivent très vite. Et si on ne les connaît pas, on décroche.

Dans ce troisième épisode de la série « L'intelligence artificielle », nous posons vingt mots simples, que vous retrouverez dans tous les articles, toutes les conférences, toutes les présentations sur l'IA. Puis nous suivons la vie d'une IA, de l'idée de départ jusqu'à son utilisation. Tous ces mots sont aussi rassemblés dans le glossaire de l'IA.

Les quatre briques de base

Algorithme. Une suite d'instructions précises pour résoudre un problème. Comme une recette de cuisine : prenez ceci, faites cela, dans cet ordre. Votre calculatrice suit un algorithme. Le GPS qui calcule votre itinéraire aussi.

Données. Ce sont les exemples dont un système apprend : des textes, des images, des sons, des chiffres. Pour le filtre anti-spam de l'épisode 1, ce sont des millions d'e-mails, chacun marqué « spam » ou « pas spam ».

Modèle. C'est 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 ». On l'appelle parfois le « cerveau » entraîné.

Paramètres (ou poids). Ce sont les nombres internes du modèle. Imaginez une table de mixage avec des boutons. Pendant l'apprentissage, on tourne chaque bouton, petit à petit, jusqu'à obtenir le bon résultat. Ces boutons, ce sont les paramètres. Les grands modèles de langage en comptent des centaines de milliards. GPT-3, en 2020, en avait déjà 175 milliards.

Entraînement et inférence

C'est la distinction la plus importante de cet épisode.

L'entraînement est la phase où le modèle ajuste ses paramètres sur des données. C'est long, et très coûteux en calcul. Pour les plus grands modèles, cela demande des semaines, voire des mois, sur des dizaines de milliers de processeurs graphiques, les fameux GPU.

L'inférence est l'utilisation du modèle une fois entraîné. Chaque fois que vous posez une question à un assistant, chaque fois que votre téléphone reconnaît votre visage, c'est une inférence. Une seule inférence coûte peu, mais elle se répète des millions de fois, à chaque usage.

Retenez cette image : l'entraînement, ce sont les années d'études du médecin. L'inférence, c'est chaque consultation. On n'étudie qu'une fois, mais on consulte tous les jours.

Les grandes familles

Ces mots correspondent aux boîtes emboîtées de l'épisode 2.

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.

Réseau de neurones : un modèle composé d'unités de calcul simples, connectées en couches. Il est vaguement inspiré du cerveau.

Apprentissage profond (deep learning) : l'apprentissage avec des réseaux de neurones à nombreuses couches. D'où le mot « profond ».

IA générative : elle produit des contenus nouveaux, du texte, des images, du son, de la vidéo, du code.

Modèle de fondation : un grand modèle, entraîné sur des données massives, et adaptable à de nombreuses tâches. C'est l'IA généraliste de l'épisode 2.

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.

Les mots des assistants

Ce sont les mots que vous croiserez en utilisant ChatGPT, Claude ou Gemini.

Token (ou jeton) : un morceau de texte traité par le modèle, qu'il s'agisse d'un mot, d'une partie de mot ou d'un signe de ponctuation. Un mot français courant fait souvent un seul jeton. Un mot rare en demande plusieurs, tout comme une langue peu représentée sur Internet. C'est pour cela que les langues africaines coûtent plus cher à traiter. Nous y reviendrons dans le module sur l'Afrique.

Prompt (ou invite) : l'instruction ou la question que vous donnez au modèle.

Fenêtre de contexte : la quantité de texte que le modèle peut « avoir en tête » en une seule fois : votre question, les documents que vous lui donnez, et la conversation en cours.

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.

Multimodal : se dit d'un modèle qui traite plusieurs types de données, du texte, des images, du son, de la vidéo.

Hallucination : une réponse fausse, énoncée avec assurance. Elle arrive parce qu'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. Les techniques actuelles réduisent ce phénomène, sans l'éliminer. Gardez toujours un œil critique.

Benchmark : un test standardisé qui mesure et compare les performances des modèles. Ce sera le sujet de l'épisode 4.

Poids ouverts (open weights) : un modèle dont les paramètres sont publiés et téléchargeables, comme Llama, DeepSeek ou Mistral. On peut les faire tourner sur ses propres machines. Pour beaucoup de pays, c'est un enjeu de souveraineté.

Le cycle de vie d'une IA en 7 étapes

De l'idée à l'utilisation, il y a sept étapes. Imaginons une application qui aide un agriculteur à repérer une maladie sur les feuilles de manioc, à partir d'une simple photo.

1. Définir le problème. Que veut-on prédire, générer ou décider ? Ici : dire, à partir d'une photo, si la feuille est malade, et de quelle maladie.
2. Collecter et préparer les données. Des milliers de photos de feuilles, saines et malades, chacune bien étiquetée. Il faut les trier, les nettoyer, corriger les erreurs. C'est l'étape la plus sous-estimée : elle représente souvent 60 à 80 % du travail réel d'un projet.
3. Choisir une architecture de modèle. Un arbre de décision, un réseau convolutif, spécialisé dans les images, ou un Transformer, l'architecture des grands modèles de langage.
4. Entraîner. On ajuste les paramètres pour réduire l'erreur, photo après photo.
5. Évaluer. On teste le modèle sur des photos qu'il n'a jamais vues, et on vérifie ses biais : marche-t-il aussi bien avec toutes les variétés, sous toutes les lumières, avec tous les téléphones ?
6. Déployer. On intègre le modèle dans l'application, entre les mains des agriculteurs. Chaque photo envoyée, c'est une inférence.
7. Surveiller et mettre à jour. Le monde change : une nouvelle maladie apparaît, de nouveaux téléphones arrivent. Le modèle peut « dériver », c'est-à-dire devenir moins fiable avec le temps. Il faut le surveiller, et parfois le réentraîner.

Le cycle ne s'arrête donc jamais vraiment. Et les données sont présentes à chaque étape.

Questions fréquentes

Quelle est la différence entre entraînement et inférence ?

L'entraînement est la phase où le modèle ajuste ses paramètres sur des données : long et coûteux, il se fait une fois. L'inférence est l'utilisation du modèle entraîné : elle coûte peu, mais se répète à chaque usage.

Qu'est-ce qu'un token en IA ?

Un morceau de texte traité par le modèle : un mot, une partie de mot ou un signe de ponctuation. Un mot rare, ou une langue peu représentée sur Internet, demande plus de jetons.

Pourquoi une IA « hallucine »-t-elle ?

Parce qu'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.

Sources

• Brown et al., « Language Models are Few-Shot Learners », OpenAI, 2020 (GPT-3, 175 milliards de paramètres)