{
 "name": "Glossaire de l’IA",
 "license": "CC BY 4.0",
 "version": "1.0",
 "updated": "2026-10-26",
 "terms": [
  {
   "term": "Fonction d’activation",
   "definition": "Petite règle placée dans chaque neurone d’un réseau de neurones, qui décide avec quelle force le signal est transmis. Sans elle, le réseau ne pourrait apprendre que des relations en ligne droite.",
   "example": "Comme un gradateur qui atténue un signal faible et laisse passer un signal fort.",
   "since": ""
  },
  {
   "term": "Attaque adverse",
   "definition": "Donnée d’entrée fabriquée exprès pour tromper un modèle d’IA et lui faire donner une mauvaise réponse, souvent avec des changements si petits qu’une personne ne les remarque pas.",
   "example": "Quelques autocollants sur un panneau d’arrêt qui le font lire comme une limite de vitesse par le système de vision d’une voiture.",
   "since": "2013"
  },
  {
   "term": "IAG (intelligence artificielle générale)",
   "definition": "IA hypothétique capable d’apprendre et d’accomplir presque n’importe quelle tâche intellectuelle aussi bien qu’une personne, plutôt que d’exceller dans quelques domaines seulement. Les experts ne s’entendent ni sur sa définition ni sur le moment où elle pourrait exister.",
   "example": "",
   "since": "2007"
  },
  {
   "term": "IA (intelligence artificielle)",
   "definition": "Domaine qui conçoit des systèmes informatiques capables d’accomplir des tâches qu’on associe d’habitude à la pensée humaine, comme comprendre le langage, reconnaître des images ou prendre des décisions.",
   "example": "Votre téléphone qui classe vos photos selon les visages qu’il reconnaît.",
   "since": "1956"
  },
  {
   "term": "Agent d’IA",
   "definition": "Système d’IA qui ne se contente pas de converser : il planifie des étapes et se sert d’outils, comme un navigateur, des fichiers ou d’autres applications, pour accomplir une tâche avec une certaine autonomie.",
   "example": "Demander à un agent de trouver trois hôtels à moins de 150 $ et de les noter dans un tableur ; il fait lui-même les recherches et la saisie.",
   "since": "2023"
  },
  {
   "term": "Alignement",
   "definition": "Travail qui vise à ce que les systèmes d’IA poursuivent vraiment les objectifs et les valeurs voulus par leurs concepteurs et leurs utilisateurs, et évitent les comportements nuisibles ou indésirables.",
   "example": "",
   "since": "2016"
  },
  {
   "term": "Détection d’anomalies",
   "definition": "Repérage des données qui s’écartent nettement du comportement habituel, ce qui peut signaler un problème, une erreur ou une fraude.",
   "example": "Votre banque qui bloque un achat fait avec votre carte dans un autre pays à 3 h du matin.",
   "since": ""
  },
  {
   "term": "Réseau de neurones artificiels (RNA)",
   "definition": "Nom complet du réseau de neurones : un logiciel fait de nombreuses unités simples reliées entre elles, vaguement inspirées des cellules du cerveau, qui apprend des régularités à partir d’exemples. Voir Réseau de neurones.",
   "example": "",
   "since": "1958"
  },
  {
   "term": "Attention (mécanisme d’attention)",
   "definition": "Technique qui permet à un modèle d’évaluer quelles parties de son entrée comptent le plus pour chaque élément qu’il produit. C’est l’idée centrale du transformeur.",
   "example": "Dans « Le chat dort sur le tapis parce qu’il est fatigué », l’attention aide le modèle à relier « il » à « chat ».",
   "since": "2014"
  },
  {
   "term": "Autoencodeur",
   "definition": "Réseau de neurones qui apprend à compresser des données en un résumé compact, puis à reconstruire l’original à partir de ce résumé. Le résumé conserve les caractéristiques les plus importantes.",
   "example": "Sert à nettoyer des photos granuleuses ou à repérer des mesures inhabituelles sur une machine.",
   "since": "1986"
  },
  {
   "term": "Rétropropagation",
   "definition": "Méthode qui permet à un réseau de neurones d’apprendre de ses erreurs : on part de l’erreur et on remonte le réseau pour calculer de combien chaque connexion doit être ajustée.",
   "example": "",
   "since": "1986"
  },
  {
   "term": "Bagging (agrégation par bootstrap)",
   "definition": "Méthode qui entraîne plusieurs copies d’un modèle, chacune sur un échantillon tiré au hasard dans les données, puis combine leurs réponses pour obtenir un résultat plus stable.",
   "example": "",
   "since": "1996"
  },
  {
   "term": "Normalisation par lots",
   "definition": "Étape à l’intérieur d’un réseau de neurones qui remet à l’échelle les valeurs circulant entre les couches pour qu’elles restent dans une plage semblable, ce qui rend l’entraînement plus rapide et plus stable.",
   "example": "",
   "since": "2015"
  },
  {
   "term": "Banc d’essai (benchmark)",
   "definition": "Ensemble de tests standardisés qui sert à mesurer et à comparer des modèles d’IA sur les mêmes tâches. Un bon score ne garantit pas qu’un modèle fera bien votre propre travail.",
   "example": "Un examen commun de questions de maths et de sciences auquel on soumet chaque nouveau modèle.",
   "since": ""
  },
  {
   "term": "Biais",
   "definition": "Deux sens. Le plus souvent, une partialité injuste dans les résultats d’une IA, généralement héritée de ses données d’entraînement. Dans un réseau de neurones, c’est aussi un petit nombre ajustable ajouté à chaque neurone.",
   "example": "Un outil de recrutement qui favorise un groupe parce que les embauches passées le faisaient.",
   "since": ""
  },
  {
   "term": "Boosting (renforcement)",
   "definition": "Façon de bâtir un modèle performant à partir de plusieurs modèles faibles entraînés l’un après l’autre, chacun se concentrant sur les erreurs des précédents.",
   "example": "",
   "since": "1995"
  },
  {
   "term": "Chaîne de pensée",
   "definition": "Fait d’amener un modèle à résoudre un problème étape par étape avant de donner sa réponse finale, ce qui améliore souvent les résultats en maths et en logique.",
   "example": "Ajouter « Explique ton raisonnement étape par étape » à un problème écrit.",
   "since": "2022"
  },
  {
   "term": "Agent conversationnel (chatbot)",
   "definition": "Programme avec lequel on échange en langage courant, par écrit ou à voix haute. Les agents conversationnels récents, comme ChatGPT, reposent sur de grands modèles de langage.",
   "example": "La fenêtre de clavardage d’un site marchand qui répond aux questions sur les délais de livraison.",
   "since": "1966"
  },
  {
   "term": "Classification",
   "definition": "Tâche d’apprentissage automatique où le modèle range chaque élément dans l’une des catégories définies à l’avance.",
   "example": "Décider si un courriel est un pourriel ou non.",
   "since": ""
  },
  {
   "term": "Partitionnement (clustering)",
   "definition": "Tâche où un algorithme regroupe les éléments qui se ressemblent, sans qu’on lui indique les groupes à l’avance.",
   "example": "Un commerce qui découvre que sa clientèle se divise en quelques profils d’achat naturels.",
   "since": ""
  },
  {
   "term": "Vision par ordinateur",
   "definition": "Branche de l’IA qui aide les ordinateurs à comprendre les photos et les vidéos : ce qu’elles contiennent, où, et ce qui s’y passe.",
   "example": "La balance de caisse libre-service qui reconnaît les pommes que vous y déposez.",
   "since": "1966"
  },
  {
   "term": "Fenêtre de contexte",
   "definition": "Quantité maximale de texte, mesurée en jetons, qu’un modèle de langage peut prendre en compte d’un coup, en incluant vos messages, les fichiers fournis et ses propres réponses.",
   "example": "Dans une très longue conversation, des détails du début peuvent sortir de la fenêtre et être oubliés.",
   "since": "2020"
  },
  {
   "term": "Réseau de neurones convolutif (RNC)",
   "definition": "Type de réseau de neurones conçu pour lire les images en les balayant par petites zones : il repère d’abord des contours et des formes, puis des objets entiers. On voit aussi le sigle anglais CNN.",
   "example": "La technologie qui permet à l’appareil photo d’un téléphone de reconnaître un visage ou un chien.",
   "since": "1989"
  },
  {
   "term": "Augmentation de données",
   "definition": "Création d’exemples d’entraînement supplémentaires en modifiant légèrement ceux qu’on possède déjà, pour que le modèle voie plus de variété.",
   "example": "Retourner, pivoter ou éclaircir des photos de chats pour qu’un modèle les reconnaisse dans toutes les poses et tous les éclairages.",
   "since": ""
  },
  {
   "term": "Arbre de décision",
   "definition": "Modèle qui arrive à une réponse en posant une suite de questions à réponse oui ou non, qui se ramifient comme un organigramme jusqu’au résultat.",
   "example": "Pleut-il ? Si oui, vente-t-il ? Si oui, on reste à la maison.",
   "since": "1984"
  },
  {
   "term": "Apprentissage profond",
   "definition": "Apprentissage automatique qui utilise des réseaux de neurones à nombreuses couches superposées. Il est à la base de la plupart des IA actuelles, des assistants vocaux aux agents conversationnels et aux générateurs d’images.",
   "example": "",
   "since": "2012"
  },
  {
   "term": "Modèle de diffusion",
   "definition": "Type de modèle génératif qui crée des images (ou du son et de la vidéo) en partant d’un bruit aléatoire qu’il nettoie étape par étape jusqu’à obtenir une image conforme à la demande.",
   "example": "Écrire « un canot rouge sur un lac brumeux » dans un générateur d’images.",
   "since": "2020"
  },
  {
   "term": "Plongement (embedding)",
   "definition": "Liste de nombres qui représente le sens d’un mot, d’une phrase, d’une image ou d’un document, de sorte que des éléments au sens proche reçoivent des nombres proches. On dit aussi vecteur sémantique.",
   "example": "« Médecin » et « docteur » se retrouvent tout près l’un de l’autre ; « médecin » et « banane », loin.",
   "since": "2013"
  },
  {
   "term": "Apprentissage ensembliste",
   "definition": "Combinaison des réponses de plusieurs modèles plutôt que de se fier à un seul, un peu comme consulter un comité au lieu d’une seule personne.",
   "example": "",
   "since": "1990"
  },
  {
   "term": "Époque (epoch)",
   "definition": "Un passage complet sur l’ensemble des données d’entraînement pendant l’apprentissage d’un modèle. L’entraînement compte généralement plusieurs époques.",
   "example": "Comme relire un manuel au complet ; trois époques, c’est le lire trois fois.",
   "since": ""
  },
  {
   "term": "Évaluations (evals)",
   "definition": "Tests conçus pour vérifier à quel point un système d’IA accomplit bien une tâche précise, ou s’il se comporte de façon sécuritaire, souvent refaits à chaque modification du système.",
   "example": "Une entreprise qui teste son robot de service à la clientèle sur 200 vraies questions avant chaque mise à jour.",
   "since": "2023"
  },
  {
   "term": "Ingénierie des caractéristiques",
   "definition": "Fait de choisir, nettoyer ou créer les variables d’entrée (caractéristiques) dont un modèle se sert pour apprendre, afin que l’information utile soit plus facile à repérer.",
   "example": "Transformer une date de naissance en âge avant de prédire le prix d’une assurance.",
   "since": ""
  },
  {
   "term": "Mise à l’échelle des caractéristiques",
   "definition": "Fait de ramener des mesures différentes sur une échelle comparable, pour que les grands nombres n’écrasent pas les petits pendant l’entraînement.",
   "example": "Ramener le prix des maisons (des centaines de milliers) et le nombre de pièces (de 1 à 10) sur la même plage de 0 à 1.",
   "since": ""
  },
  {
   "term": "Requête avec quelques exemples (few-shot)",
   "definition": "Fait d’inclure quelques exemples déjà faits dans votre requête pour que le modèle en reprenne le modèle. Sans aucun exemple, on parle de requête sans exemple (zero-shot).",
   "example": "Montrer deux descriptions de produits rédigées dans votre style, puis en demander une troisième.",
   "since": "2020"
  },
  {
   "term": "Ajustement fin (fine-tuning)",
   "definition": "Entraînement supplémentaire d’un modèle déjà entraîné, sur un ensemble d’exemples plus petit et ciblé, pour qu’il devienne meilleur dans une tâche ou un style précis.",
   "example": "Apprendre à un modèle général le style maison d’un cabinet d’avocats à partir de ses anciennes lettres.",
   "since": "2018"
  },
  {
   "term": "RGA (réseau génératif antagoniste)",
   "definition": "Deux réseaux de neurones entraînés en rivaux : l’un fabrique de faux échantillons, l’autre essaie de les distinguer des vrais, et les deux progressent jusqu’à ce que les faux paraissent crédibles. On voit aussi le sigle anglais GAN.",
   "example": "Les premiers sites qui montraient des photos de personnes qui n’existent pas.",
   "since": "2014"
  },
  {
   "term": "IA générative",
   "definition": "IA qui produit du contenu nouveau, comme du texte, des images, de la musique, de la vidéo ou du code, en réponse à une demande.",
   "example": "Demander un poème d’anniversaire ou une illustration pour un dépliant.",
   "since": "2022"
  },
  {
   "term": "GPT (transformeur génératif préentraîné)",
   "definition": "Famille de grands modèles de langage conçus par OpenAI, fondés sur l’architecture du transformeur et entraînés sur d’immenses quantités de texte. ChatGPT est l’application de clavardage construite sur ces modèles.",
   "example": "",
   "since": "2018"
  },
  {
   "term": "Descente de gradient",
   "definition": "Méthode pas à pas qu’utilisent la plupart des modèles pour apprendre : ils ajustent sans cesse leurs réglages dans la direction qui réduit le plus leur erreur.",
   "example": "Comme descendre une colline dans le brouillard en avançant toujours là où le terrain penche.",
   "since": "1847"
  },
  {
   "term": "Garde-fous",
   "definition": "Règles et filtres placés autour d’un système d’IA pour garder ses réponses sécuritaires, pertinentes et conformes aux politiques, par exemple en bloquant certaines demandes ou en vérifiant les réponses avant de les afficher.",
   "example": "L’agent conversationnel d’une banque qui refuse de donner des conseils de placement.",
   "since": "2023"
  },
  {
   "term": "Hallucination",
   "definition": "Lorsqu’une IA affirme comme un fait quelque chose de faux ou d’inventé. Cela arrive parce qu’un modèle de langage prédit des mots plausibles au lieu de consulter des faits vérifiés.",
   "example": "Un agent conversationnel qui cite un livre ou un jugement qui n’existe pas.",
   "since": "2022"
  },
  {
   "term": "Hyperparamètre",
   "definition": "Réglage choisi par une personne avant le début de l’entraînement, comme la vitesse d’apprentissage ou le nombre d’époques. Contrairement aux paramètres, il n’est pas appris à partir des données.",
   "example": "",
   "since": ""
  },
  {
   "term": "Inférence",
   "definition": "Utilisation d’un modèle déjà entraîné pour produire une réponse. Chaque fois que vous envoyez un message à un agent conversationnel, le modèle fait de l’inférence.",
   "example": "",
   "since": ""
  },
  {
   "term": "Contournement (jailbreak)",
   "definition": "Requête astucieuse rédigée pour pousser une IA à ignorer ses règles de sécurité et à produire ce qu’elle est conçue pour refuser.",
   "example": "Demander au modèle de « faire semblant d’être un personnage sans aucune règle ».",
   "since": "2022"
  },
  {
   "term": "Partitionnement en k-moyennes (k-means)",
   "definition": "Façon simple de répartir des données en un nombre choisi (K) de groupes : chaque élément rejoint le groupe dont le centre est le plus proche, et les centres se déplacent jusqu’à ce que les groupes se stabilisent.",
   "example": "Répartir des adresses de livraison en cinq zones, une par camion.",
   "since": "1967"
  },
  {
   "term": "K plus proches voisins (KPPV)",
   "definition": "Méthode qui attribue une étiquette à un nouvel élément en regardant les K éléments connus qui lui ressemblent le plus et en suivant la majorité. On voit aussi le sigle anglais KNN.",
   "example": "Deviner le genre d’un film à partir des cinq films qui lui ressemblent le plus.",
   "since": "1951"
  },
  {
   "term": "Date limite des connaissances",
   "definition": "Date au-delà de laquelle un modèle n’a plus d’information, parce que ses données d’entraînement s’arrêtent là. À moins de pouvoir chercher sur le Web, il ignore les événements plus récents.",
   "example": "",
   "since": "2022"
  },
  {
   "term": "Données étiquetées",
   "definition": "Exemples accompagnés de la bonne réponse, pour qu’un modèle puisse apprendre en comparant ses prédictions aux réponses attendues.",
   "example": "Des milliers de photos portant chacune l’étiquette « chat » ou « chien ».",
   "since": ""
  },
  {
   "term": "Modèle de langage",
   "definition": "Modèle qui apprend comment les mots ont tendance à se suivre, ce qui lui permet de deviner le mot suivant dans une phrase et, en répétant l’opération, d’écrire ou de comprendre du texte.",
   "example": "Le clavier de votre téléphone qui suggère le mot suivant pendant que vous écrivez.",
   "since": "1948"
  },
  {
   "term": "Grand modèle de langage (GML)",
   "definition": "Modèle de langage doté de milliards de paramètres et entraîné sur de vastes quantités de texte ; on dit souvent LLM, d’après l’anglais. Il peut répondre, résumer, traduire et rédiger, et fait fonctionner des outils comme ChatGPT, Claude et Gemini.",
   "example": "",
   "since": "2018"
  },
  {
   "term": "Régression linéaire",
   "definition": "Méthode statistique de base qui trace la meilleure droite possible à travers des points de données pour montrer comment une quantité varie selon une autre et faire des prédictions.",
   "example": "Estimer le prix d’une maison à partir de sa superficie.",
   "since": ""
  },
  {
   "term": "Modèle local",
   "definition": "Modèle d’IA qui fonctionne sur votre propre ordinateur ou téléphone plutôt que sur les serveurs d’une entreprise ; vos données peuvent ainsi rester sur l’appareil, même sans connexion.",
   "example": "Faire tourner un petit modèle à poids ouverts sur un portable pour résumer des notes privées.",
   "since": "2023"
  },
  {
   "term": "Fonction de perte",
   "definition": "Formule qui mesure à quel point les prédictions d’un modèle sont fausses. L’entraînement cherche à rendre ce score le plus bas possible.",
   "example": "",
   "since": ""
  },
  {
   "term": "LSTM (longue mémoire à court terme)",
   "definition": "Type de réseau de neurones pour les séquences, comme des phrases ou des relevés de capteurs, capable de garder une information utile en mémoire sur de nombreuses étapes. Très utilisé avant l’arrivée des transformeurs.",
   "example": "Les anciennes applications de reconnaissance vocale et de traduction sur téléphone.",
   "since": "1997"
  },
  {
   "term": "Apprentissage automatique",
   "definition": "Branche de l’IA où l’ordinateur apprend des régularités à partir d’exemples, plutôt que de suivre des règles écrites à la main, puis s’en sert pour prédire ou décider.",
   "example": "Un service de diffusion en continu qui apprend vos goûts d’après ce que vous regardez.",
   "since": "1959"
  },
  {
   "term": "Model Context Protocol (MCP)",
   "definition": "Norme ouverte lancée par Anthropic en 2024 qui permet aux assistants d’IA de se brancher de façon uniforme à des outils et des données externes, comme un agenda, des fichiers ou une base de données.",
   "example": "Brancher un assistant à votre agenda pour qu’il vérifie vos disponibilités.",
   "since": "2024"
  },
  {
   "term": "Multimodal",
   "definition": "Se dit d’une IA capable de recevoir ou de produire plusieurs types de contenu, comme du texte, des images, du son et de la vidéo, dans une même conversation.",
   "example": "Photographier une pièce brisée et demander comment elle s’appelle.",
   "since": "2023"
  },
  {
   "term": "Réseau de neurones",
   "definition": "Modèle informatique fait de couches d’unités simples reliées entre elles, qui se transmettent des nombres. En ajustant la force de ces liens, il apprend des régularités à partir d’exemples.",
   "example": "",
   "since": "1958"
  },
  {
   "term": "TAL (traitement automatique du langage naturel)",
   "definition": "Branche de l’IA qui s’occupe du langage humain : lire, comprendre, traduire et produire du texte ou de la parole.",
   "example": "La traduction automatique, les correcteurs d’orthographe et les assistants vocaux.",
   "since": "1950"
  },
  {
   "term": "Encodage one-hot (encodage à chaud)",
   "definition": "Façon de convertir des catégories en nombres utilisables par un modèle : chaque catégorie a sa propre colonne, qui vaut 1 si elle s’applique et 0 sinon.",
   "example": "Rouge, vert et bleu deviennent [1,0,0], [0,1,0] et [0,0,1].",
   "since": ""
  },
  {
   "term": "Poids ouverts",
   "definition": "Se dit d’un modèle dont les paramètres entraînés (les poids) sont publiés, pour que chacun puisse le télécharger, l’exécuter et l’adapter. Ce n’est pas toujours du code source entièrement ouvert : les données et le code d’entraînement peuvent rester privés.",
   "example": "Llama de Meta et les modèles de Mistral en sont des exemples connus.",
   "since": "2023"
  },
  {
   "term": "OpenAI",
   "definition": "Entreprise américaine fondée en 2015 qui conçoit les modèles GPT et qui a lancé ChatGPT en novembre 2022.",
   "example": "",
   "since": "2015"
  },
  {
   "term": "Surapprentissage",
   "definition": "Lorsqu’un modèle mémorise si bien ses exemples d’entraînement, défauts compris, qu’il réussit mal avec de nouvelles données qu’il n’a jamais vues.",
   "example": "Un élève qui a appris par cœur les réponses de l’examen de l’an dernier, mais qui bloque devant de nouvelles questions.",
   "since": ""
  },
  {
   "term": "Paramètres",
   "definition": "Nombres internes qu’un modèle ajuste pendant l’entraînement, puis utilise pour faire ses prédictions. On exprime souvent la taille d’un modèle par son nombre de paramètres, de quelques millions à des milliers de milliards.",
   "example": "Un modèle « 7B » compte environ 7 milliards de paramètres.",
   "since": ""
  },
  {
   "term": "Précision",
   "definition": "Parmi tous les éléments qu’un modèle a signalés comme positifs, la part qui l’était vraiment. Une précision élevée signifie peu de fausses alertes.",
   "example": "Si un filtre antipourriel signale 100 courriels et que 90 sont vraiment des pourriels, sa précision est de 90 %.",
   "since": ""
  },
  {
   "term": "Requête (prompt)",
   "definition": "Texte, question ou consignes que vous donnez à un modèle d’IA pour lui dire ce que vous voulez. Une requête claire et bien mise en contexte donne habituellement une meilleure réponse. On dit aussi « invite ».",
   "example": "« Rédige un mot de bienvenue chaleureux de 100 mots pour les nouveaux membres de la bibliothèque. »",
   "since": "2020"
  },
  {
   "term": "Ingénierie des requêtes (prompt engineering)",
   "definition": "Art de formuler et de structurer ses requêtes, avec du contexte, des exemples et des consignes claires, pour obtenir d’un modèle d’IA des réponses plus utiles et plus fiables.",
   "example": "",
   "since": "2022"
  },
  {
   "term": "Injection de requête",
   "definition": "Attaque qui glisse des consignes cachées dans un contenu que l’IA lit, comme une page Web, un courriel ou un document, pour lui faire faire une action que son utilisateur n’a pas demandée.",
   "example": "Une page Web contenant un texte invisible qui demande à un assistant d’IA d’envoyer ailleurs les données de l’utilisateur.",
   "since": "2022"
  },
  {
   "term": "Génération augmentée par récupération (RAG)",
   "definition": "Méthode où l’IA cherche d’abord des passages pertinents dans une collection de documents fiables, puis s’en sert pour rédiger sa réponse. Elle aide à garder les réponses à jour et appuyées sur des sources.",
   "example": "L’agent conversationnel d’une ville qui répond à partir de ses propres règlements plutôt que de mémoire.",
   "since": "2020"
  },
  {
   "term": "Forêt aléatoire",
   "definition": "Modèle composé de nombreux arbres de décision, chacun entraîné sur une portion aléatoire des données ; on combine leurs votes pour obtenir une réponse plus fiable.",
   "example": "",
   "since": "2001"
  },
  {
   "term": "Modèle de raisonnement",
   "definition": "Modèle de langage entraîné à résoudre un problème par étapes, souvent sans les montrer, avant de répondre. Il est généralement plus lent et plus coûteux, mais réussit souvent mieux en maths, en programmation et en planification.",
   "example": "",
   "since": "2024"
  },
  {
   "term": "Rappel",
   "definition": "Parmi tous les éléments réellement positifs, la part que le modèle a réussi à repérer. Un rappel élevé signifie peu d’oublis.",
   "example": "S’il y a 100 pourriels et que le filtre en attrape 80, son rappel est de 80 %.",
   "since": ""
  },
  {
   "term": "Régression",
   "definition": "Tâche d’apprentissage automatique où le modèle prédit un nombre plutôt qu’une catégorie.",
   "example": "Prévoir la température de demain ou les ventes du mois prochain.",
   "since": ""
  },
  {
   "term": "Apprentissage par renforcement",
   "definition": "Apprentissage par essais et erreurs : un programme tente des actions, reçoit des récompenses ou des pénalités et découvre peu à peu ce qui fonctionne le mieux.",
   "example": "Une IA qui apprend un jeu vidéo en y jouant des milliers de fois.",
   "since": "1998"
  },
  {
   "term": "Apprentissage par renforcement à partir de rétroaction humaine (RLHF)",
   "definition": "Étape d’entraînement où des personnes comparent ou notent les réponses d’un modèle, qu’on ajuste ensuite pour qu’il donne le genre de réponses préférées. Elle a rendu les agents conversationnels plus utiles et plus polis.",
   "example": "",
   "since": "2017"
  },
  {
   "term": "Apprentissage supervisé",
   "definition": "Apprentissage automatique à partir d’exemples étiquetés, où chaque donnée d’entrée est accompagnée de la bonne réponse, pour que le modèle apprenne à relier les entrées aux réponses.",
   "example": "",
   "since": ""
  },
  {
   "term": "Machine à vecteurs de support (SVM)",
   "definition": "Méthode classique qui sépare deux groupes de données en trouvant la frontière qui laisse le plus grand écart possible entre eux. Elle peut aussi prédire des nombres. On dit aussi séparateur à vaste marge.",
   "example": "",
   "since": "1995"
  },
  {
   "term": "Données synthétiques",
   "definition": "Données créées par ordinateur, souvent par un autre modèle d’IA, plutôt que recueillies dans le monde réel. On s’en sert quand les vraies données sont rares, coûteuses ou confidentielles.",
   "example": "De faux dossiers de patients, mais réalistes, pour tester un logiciel d’hôpital.",
   "since": ""
  },
  {
   "term": "Requête système (prompt système)",
   "definition": "Consignes de fond données au modèle avant le début de la conversation, habituellement par l’entreprise ou le développeur, qui fixent son rôle, son ton et ses règles. L’utilisateur ne les voit souvent pas.",
   "example": "« Tu es un assistant poli pour une quincaillerie. Ne parle que de nos produits. »",
   "since": "2023"
  },
  {
   "term": "Température",
   "definition": "Réglage qui détermine à quel point les réponses d’un modèle sont prévisibles ou variées. Une température basse donne des réponses plus sûres et répétitives ; une température élevée, des réponses plus créatives et plus aléatoires.",
   "example": "Basse pour un résumé factuel, plus élevée pour trouver des idées de slogans.",
   "since": "2020"
  },
  {
   "term": "Jeton (token)",
   "definition": "Petit morceau de texte qu’un modèle de langage lit et écrit : souvent un mot entier, une partie de mot ou un signe de ponctuation. Les limites d’utilisation et les prix se calculent généralement en jetons.",
   "example": "« Incroyable » peut être découpé en « in », « croy » et « able ».",
   "since": "2018"
  },
  {
   "term": "Entraînement",
   "definition": "Processus qui consiste à présenter à un modèle de grandes quantités d’exemples pour qu’il ajuste ses paramètres et apprenne à faire des prédictions utiles.",
   "example": "",
   "since": ""
  },
  {
   "term": "Apprentissage par transfert",
   "definition": "Réutilisation de ce qu’un modèle a appris pour une tâche afin de démarrer plus vite une autre tâche apparentée, avec beaucoup moins de nouvelles données.",
   "example": "Un modèle entraîné sur des millions de photos courantes, adapté pour repérer des maladies de plantes à partir de quelques centaines de photos de feuilles.",
   "since": ""
  },
  {
   "term": "Transformeur",
   "definition": "Architecture de réseau de neurones, présentée par des chercheurs de Google en 2017, qui traite toute une séquence d’un coup grâce au mécanisme d’attention. Presque tous les modèles de langage actuels reposent sur elle.",
   "example": "",
   "since": "2017"
  },
  {
   "term": "Sous-apprentissage",
   "definition": "Lorsqu’un modèle est trop simple ou trop peu entraîné pour saisir les vraies régularités, si bien qu’il réussit mal, même avec ses exemples d’entraînement.",
   "example": "Essayer de prédire la météo uniquement à partir du jour de la semaine.",
   "since": ""
  },
  {
   "term": "Apprentissage non supervisé",
   "definition": "Apprentissage automatique sur des données sans réponses fournies, où le modèle cherche lui-même une structure, comme des groupes ou des éléments inhabituels.",
   "example": "",
   "since": ""
  },
  {
   "term": "Base de données vectorielle",
   "definition": "Base de données qui stocke des plongements et retrouve rapidement les éléments dont le sens est le plus proche d’une question. C’est souvent le moteur de recherche derrière la RAG.",
   "example": "Trouver des articles d’aide sur le « remboursement » même s’ils parlent seulement de « retour d’argent ».",
   "since": "2019"
  }
 ]
}