Depuis que je suis chez Ibou, je passe mes journées dans l'IA. Les outils, les modèles, les débats techniques entre tech, les promesses démesurées et les vrais trucs qui changent la donne.
Jours apès jours, je découvre un monde qui a son propre langage. Un jargon qui peut vite donner l'impression que c'est réservé aux ingénieurs ou aux geeks. Spoiler, ce n’est pas vrai !
Alors j’ai fait ce lexique comme je découvre moi-même ces concepts. Chaque définition, c’est celle que j’aurais aimé trouver quand je me suis retrouvé face à ces termes pour la première fois. Si ça t’aide, c’est gagné.
Attention ! Contrairement à un lexique classique, les termes ne sont pas classés par ordre alphabétique. Ils suivent un ordre logique : chaque définition prépare la suivante. Si tu cherches un mot précis, CTRL+F est ton ami.
LLM (Large Language Model)
C'est le moteur derrière ChatGPT, Claude, Gemini... Il a été entraîné sur d’immenses quantités de textes provenant de multiples sources afin d’apprendre les régularités du langage.
Tu te souviens du T9 sur nos vieux téléphones ? Tu tapais trois lettres et il te proposait le mot le plus probable pour compléter ta phrase. Un LLM repose sur le même principe fondamental : prédire la suite la plus probable. Mais là où le T9 ne connaît que quelques mots, un LLM a été entraîné sur une quantité gigantesque de textes. A force de prédire la suite de milliards de phrases, il apprend les structures du langage, les relations entre les idées et une grande quantité de connaissances. C’est cette accumulation qui lui permet ensuite de répondre à des questions, résumer un document, traduire, écrire du code ou encore rédiger un texte.
Modèle
Quand on parle d’IA, un “modèle” c’est le résultat de l’entraînement (son apprentissage). Tout ce qu’une IA a appris, des milliards de textes, des millions d’heures de calcul est représenté dans les milliards de paramètres qui le composent.
Opus, GPT-4o, Mixtral…chaque opérateur d’IA entraîne son modèle différemment. C’est pour ça qu’ils n’ont pas tous le même comportement, les mêmes forces, les mêmes limites.
Pense à une recette de cuisine que tu as perfectionnée pendant des années, testée des millions de fois sur tous les membres de ta famille et ajustée en permanence. Le modèle, c’est la recette finale. La phase de test avec ta famille et tous tes essais, c’est l’entraînement du modèle.
Entraînement (Training)
L’entraînement, c’est la phase pendant laquelle un modèle apprend. On lui soumet des quantités massives de textes, il ajuste ses milliards de paramètres pour faire de meilleures prédictions, on corrige, on recommence.
Ça peut durer des semaines et des semaines. Ça consomme une quantité d’énergie et de puissance de calcul colossale. Et ça coûte des millions d’euros.
Une fois l’entraînement terminé, le modèle ne “grandit” plus. Pour lui apprendre de nouvelles choses, il faut soit le réentraîner, soit passer par du RAG ou du fine-tuning.
Token
Le token (jeton en Français), c’est l'unité de base que l'IA utilise pour lire et écrire du texte. Ce n'est pas exactement un mot, c'est souvent un morceau de mot.
Par exemple "Newsletter" c’est 2 tokens environ. La découpe dépend du modèle : GPT-4, Claude, Llama ou Mistral n'utilisent pas exactement le même découpage (tokenization).
Les modèles ont une limite de tokens qu'ils peuvent traiter en une fois.
Si je devais faire une analogie, les tokens, c'est comme les syllabes pour l'IA. Elle ne lit pas les mots entiers, elle les découpe.
Prompt
Le prompt, c’est tout simplement l’instruction que tu donnes à une IA. Ça peut être une simple question, une demande plus complexe comme écrire un email professionnel ou même plusieurs pages d’explications.
Le prompt, c’est comme un brief donné à un collaborateur. Si tu lui dis simplement “Fais-moi une présentation”, il va devoir deviner ce que tu attends. Si tu lui expliques le contexte, l’objectif, le public visé et le ton souhaité, tu as beaucoup plus de chances d’obtenir exactement ce que tu imaginais. L’IA fonctionne de la même manière.
On entend souvent dire que “le prompt est plus important que le modèle”. Ce n’est pas tout à fait vrai. Un bon prompt aide énormément, mais il ne transformera jamais un modèle moyen en excellent modèle. En revanche, savoir formuler clairement ce que tu attends peut faire toute la différence.
Inférence
C’est le moment où le modèle “travaille”. Quand tu poses une question, tu envoies un prompt et le LLM effectue les calculs nécessaires pour produire une réponse. Ce moment précis, c’est l’inférence.
Chaque question que tu poses à un LLM, c’est de l’inférence. Multiplie ça par des centaines de millions d’utilisateurs par jour et tu comprends pourquoi OpenAI (et ses amis) brûle autant de cash.
Contexte (fenêtre de contexte)
La fenêtre de contexte, c’est la quantité d’informations que le LLM peut “garder en tête” pendant une conversation de chat. Tout ce que tu lui as dit, tout ce qu’il t’a répondu, les documents que tu lui as partagés, tout ça tient dans cette fenêtre.
Quand elle est pleine, le modèle commence à “oublier” ce qui s’est passé au début de l’échange.
Pense à un collaborateur qui peut garder en mémoire les 10 dernières pages d’un document. Au-delà, il ne se souvient plus du début. Les modèles récents ont des fenêtres de plus en plus grandes, mais la limite existe toujours. Il est conseillé de créer une nouvelle conversation (chat) lorsque tu changes de thématique ou de question.
Hallucination
Alors non, l’IA ne voit pas des éléphants roses. Une hallucination, c’est quand un LLM invente des informations avec une totale confiance. Il cite un livre qui n’existe pas, donne une date fausse, fabrique une statistique ou attribue une citation à la mauvaise personne.
Ce n’est pas vraiment un mensonge car l’IA ne “sait pas” qu’elle se trompe. C’est une erreur de prédiction : le modèle a généré la suite la plus probable... mais cette fois, la suite probable est fausse.
C’est pour ça qu’il ne faut pas lire les réponses d’une IA comme on lirait une encyclopédie. On les lit comme on écouterait quelqu’un de très bien informé, mais qui peut parfois inventer avec beaucoup de conviction. Il faut toujours vérifier les sources.
Fine-tuning
Le fine-tuning, c’est le fait de reprendre un modèle qui existe déjà et de le spécialiser sur un domaine précis. Plutôt que de repartir de zéro, on prend un modèle généraliste et on lui apprend un métier : médical, juridique, service client ou encore e-commerce...
C’est une des façons les plus efficaces de construire un assistant IA vraiment utile sur un sujet précis sans avoir à entraîner un modèle entier depuis le début, ce qui coûterait des millions.
RAG (Retrieval-Augmented Generation)
Derrière cet acronyme se cache une idée simple : donner à l’IA accès à des documents externes avant de répondre. Au lieu de puiser uniquement dans ce qu’elle a appris pendant son entraînement, elle va d’abord chercher les informations pertinentes dans une base de données (pdf, slack, site web, CRM…), puis construit sa réponse avec.
Cela permet d’avoir des réponses plus précises, plus à jour et avec moins d’hallucinations.
C’est une des techniques les plus utilisées aujourd’hui pour construire des assistants IA spécialisés, sur une base de connaissances interne, un catalogue produit, une documentation technique...
Embeddings
Un embedding, c’est une façon de transformer un texte en une représentation numérique (vecteur) pour que l’IA puisse comparer des contenus par leurs sens et pas seulement par les mots qu’ils contiennent.
Concrètement : “voiture” et “automobile” ne partagent aucune lettre. Mais leurs embeddings sont proches, parce qu’ils veulent dire la même chose. C’est ce qui permet à une IA de comprendre qu’une question sur les “tarifs” et une question sur les “prix” parlent du même sujet.
C’est la brique de base derrière la recherche sémantique et le RAG.
Agent IA
Un agent, c’est une IA à qui on donne un objectif et qui se débrouille pour l’atteindre. Elle planifie, utilise des outils, enchaîne des étapes, s’adapte en cours de route.
La différence avec un LLM classique ? Dans un cas, tu dois lui dicter pas à pas chaque action. Un agent IA, tu lui dis “organise mon voyage à Tokyo” et elle gère : recherche de vols, hôtels, agenda et réservations.
On en est encore aux débuts, mais c’est clairement là que le futur nous amène.
SOTA (State of the Art)
Littéralement : “l’état de l’art”. Dans le monde de l’IA, c’est une façon de dire “le meilleur niveau atteint à ce jour” sur une tâche précise ou sur un modèle.
Quand un labo (Openai, Anthropic, Mistral) sort un nouveau modèle et annonce qu’il est SOTA, ça veut dire qu’il fait mieux que tous les autres sur un benchmark donné. C’est le nouveau record à battre, enfin… jusqu’au prochain, qui arrive souvent trois mois plus tard.
AI slop
Le mot “slop” en anglais, c’est la pâtée qu’on donne aux cochons. Ici, c’est une expression qui désigne tout le contenu généré par IA en masse, à la chaîne, sans effort et sans âme. Des articles de blog génériques, des images lisses qui se ressemblent toutes, des posts LinkedIn qui disent tout et rien avec beaucoup de bullet points.
Malheureusement, le web est de plus en plus inondé par ce type de contenus sans valeur ajoutée.
Crawler
Un crawler, c’est un programme automatique (un bot) qui parcourt le web en suivant les liens, page après page, pour collecter leur contenu ; les image, les titres, etc. Google (et Ibou) en fait tourner des milliers en permanence. Sans crawler, pas de moteur de recherche.
Quand tu fais une recherche sur Google, tu n’explores pas le web en temps réel. Tu interroges ce que les crawlers ont déjà collecté. Le web que tu vois sur un moteur de recherche, c’est une photo prise quelques jours ou quelques semaines avant.
Index
L’index, c’est la base de données construite par le crawler de toutes les pages collectées, analysées et classées.
La qualité d’un moteur de recherche dépend énormément de la qualité de son index : ce qu’il contient, ce qu’il exclut et comment il est organisé.
Si tu ne trouves pas ce que tu cherches, envoie-moi le mot directement et je l'ajouterai au lexique.