AI glossary: 20 terms in plain words
Tokens, prompts, hallucinations, agents and RAG — every key AI concept with a human explanation.
- Intelligence artificielle (IA)
- Un logiciel qui apprend à partir d'exemples au lieu de suivre des règles préprogrammées. L'IA moderne détecte des régularités dans les données et les applique à des situations inédites, de la reconnaissance faciale à la génération de texte.
- Réseau neuronal
- Un modèle mathématique composé de millions de « neurones » reliés par des poids ajustables. Il apprend grâce à la boucle « prédire → comparer avec la réponse → ajuster les poids », répétée des milliards de fois.
- LLM (grand modèle de langage)
- Un réseau neuronal entraîné sur d'énormes volumes de texte : ChatGPT, Claude, Gemini. Il n'effectue qu'une opération, prédire le token suivant, et il en sort des réponses, des traductions et du code.
- Token
- Le morceau de texte que manipule un modèle de langage : une partie de mot, un mot ou un signe, 3 à 4 caractères en moyenne. Le contexte du modèle et le prix de l'API se comptent en tokens.
- Prompt
- Le texte de la requête que vous envoyez à l'IA. La qualité de la réponse dépend à 80 % de celle du prompt : rôle, tâche, contexte et format sont ce qui le rend efficace.
- Prompt engineering
- La discipline qui consiste à formuler des requêtes efficaces pour l'IA : formules, exemples (few-shot), chaînes de raisonnement, sortie structurée. L'une des compétences qui progressent le plus vite sur le marché du travail.
- Hallucination
- Une réponse assurée, vraisemblable et pourtant inventée. C'est la conséquence de la nature générative des LLM : faute de faits, une « suite probable » ressemble quand même à une réponse. Vérifiez les chiffres, les citations et les liens.
- Fenêtre de contexte
- La quantité de texte (en tokens) que le modèle « garde en tête » au sein d'une même conversation : vos messages, ses réponses, les documents chargés. Ce qui ne rentre pas est « oublié ».
- Entraînement du modèle
- Le processus d'ajustement des milliards de poids d'un réseau sur de grandes données. Il exige des milliers de GPU et des semaines de calcul : c'est pourquoi peu d'entreprises construisent de grands modèles.
- Poids
- Les paramètres numériques d'un réseau, ajustés pendant l'entraînement. « Un modèle à 70 milliards de paramètres » désigne précisément le nombre de poids.
- Date de coupure des connaissances
- La date au-delà de laquelle plus aucun événement ne figure dans les données d'entraînement du modèle. Le plus récent ne lui parvient que par recherche web ou via les documents que vous lui fournissez.
- IA générative
- Une IA qui crée du contenu nouveau — textes, images, musique, vidéo, code — au lieu de se contenter de classer l'existant. ChatGPT et Midjourney sont des modèles génératifs.
- Few-shot (apprentissage par exemples)
- Une technique de prompting : montrez au modèle 1 à 3 exemples « entrée → sortie » directement dans la requête pour qu'il en copie le style et la structure. Cela remplace des paragraphes d'explication.
- Chaîne de raisonnement (chain-of-thought)
- Demander au modèle de résoudre étape par étape en montrant son raisonnement. Cela améliore fortement la précision en logique et en calcul, et rend les erreurs visibles.
- RAG
- Retrieval-Augmented Generation : avant de répondre, le système retrouve les passages pertinents dans votre base de connaissances et les transmet au modèle. L'IA répond alors d'après vos documents, et non de mémoire.
- Agent IA
- Un système d'IA qui ne se contente pas de répondre : il agit. Il planifie les étapes, appelle des outils (recherche, code, API), vérifie le résultat et poursuit jusqu'à l'objectif. La compétence dont la demande croît le plus vite.
- MCP
- Model Context Protocol — un standard ouvert pour relier l'IA à des outils et des données externes : bases, services, fichiers. Le « port USB » des agents IA.
- Fine-tuning
- Réentraîner un modèle existant sur vos données pour une tâche précise. Plus coûteux et plus complexe que le prompting : nécessaire quand les exemples dans le prompt ne suffisent plus.
- Multimodalité
- La capacité d'un modèle à traiter plusieurs types de données : texte, images, audio, vidéo. Les modèles phares actuels comprennent une image et la voix, pas seulement du texte.
- Vibe coding
- Créer des sites et des applications en dialoguant avec l'IA : vous décrivez le produit avec des mots, le modèle écrit le code, vous itérez. Mot de l'année et voie d'entrée dans le développement qui progresse le plus vite.
Terms make more sense in practice
Start for free →