Les mots de l’IA, expliqués par les cas.

Ré-entraîner un modèle existant sur ses propres exemples pour l’adapter à un vocabulaire, un style ou une tâche.

Une interface qui permet à un logiciel d’appeler un service, par exemple d’envoyer un texte à un modèle et de recevoir sa réponse.

Tout ce que le modèle voit au moment de répondre : la consigne, la conversation, les documents fournis. Sa taille est limitée.

Une suite de nombres qui représente le sens d’un texte : deux textes proches ont des embeddings proches. C’est la base de la recherche sémantique.

Un modèle entraîné sur d’immenses volumes de texte pour prédire la suite d’un texte, ce qui lui permet de rédiger, résumer, traduire ou raisonner.

Une réponse fausse produite avec assurance par un modèle : un fait, une source ou une règle qui n’existe pas.

Un modèle dont les paramètres sont publiés : on peut le télécharger, l’héberger soi-même et l’adapter.

Un modèle ou un système qui traite plusieurs types de contenus : texte, image, son, vidéo, document scanné.

La consigne donnée au modèle : la tâche, le contexte utile, le format attendu et les limites à respecter.

L’unité de texte que lit et produit un modèle, souvent un morceau de mot. Elle sert à mesurer la taille du contexte et le coût d’usage.

Un système qui poursuit un objectif en plusieurs étapes : il planifie, utilise des outils, observe le résultat et recommence, dans des limites fixées.

Une application qui répond en langage naturel, à partir d’un modèle et, souvent, de sources de l’entreprise.

L’ensemble organisé des documents et informations de l’entreprise qu’un assistant peut interroger.

Une suite d’étapes prévues à l’avance, dont certaines confiées à l’IA : lire, extraire, classer, router, avec des exceptions renvoyées à un humain.

Un assistant intégré à l’outil de travail qui prépare, propose ou rédige, l’humain gardant la main sur chaque résultat.

Un protocole ouvert qui standardise la façon dont un modèle ou un agent se connecte à des outils et à des sources de données.

Ce qu’un assistant ou un agent conserve d’une session à l’autre : préférences, décisions, faits appris, historique.

Jusqu’où un système agit seul : de l’assistance qui propose à l’autonomie bornée qui agit dans des limites fixées.

La coordination de plusieurs modèles, agents ou outils pour mener une tâche de bout en bout : qui fait quoi, dans quel ordre, avec quels contrôles.

Les actions qu’un modèle ou un agent a le droit d’effectuer (chercher, lire, écrire, envoyer) et les limites qui les encadrent.

Une technique qui va chercher les passages pertinents dans vos documents avant de faire répondre le modèle, en s’appuyant sur eux.

Un point du processus où une personne vérifie et approuve avant que le système continue ou agisse.

Ranger un élément dans une catégorie : type de demande, urgence, motif, risque de fraude.

Lire un document ou un message et en tirer des données structurées : montants, dates, références, clauses.

Les modèles statistiques et d’apprentissage entraînés sur des données structurées pour prévoir, classer ou détecter des anomalies, souvent sans modèle de langage.

Calculer la meilleure décision possible (un plan, une tournée, un planning) en respectant un ensemble de contraintes.

Estimer une valeur future à partir des données passées : demande, panne, délai, consommation.

Proposer l’élément le plus pertinent pour une personne ou une situation : produit, contenu, action suivante.

Rassembler automatiquement des éléments qui se ressemblent, sans catégories fixées à l’avance : clients, équipements, documents.

Attribuer une note à chaque élément pour le prioriser : probabilité d’achat, risque de départ, opportunité d’un appel d’offres.

Condenser un ou plusieurs contenus longs en l’essentiel : compte rendu, résumé de dossier, points à décider.

Mesurer la qualité d’un système d’IA sur des cas tests représentatifs, avant et après chaque changement.

Les règles, rôles et contrôles qui encadrent l’usage de l’IA dans l’entreprise, dont le règlement européen sur l’IA.

Passer d’un prototype qui marche à un système fiable en production : intégration, sécurité, suivi, maintenance, adoption.

Ce qui permet de croire un cas d’usage : documenté par une source publique, retour d’expérience, cas type ou simple concept.

Un essai court et limité pour vérifier qu’une idée fonctionne et vaut la peine, avant d’investir dans un déploiement.

Savoir d’où vient une information ou une décision : quelle source, quelle étape, quel modèle, quelle validation.

Garder la maîtrise de l’endroit où sont traitées ses données et du droit qui s’y applique.