Intelligence artificielle · AI
Ensemble de techniques permettant à une machine d'effectuer des tâches qui requièrent normalement l'intelligence humaine : percevoir, raisonner, décider, générer du langage.
Glossaire de l'intelligence artificielle · par thèmes
L'IA a son langage.
Voici la carte pour le lire.
LLM, prompt engineering, RAG, fine-tuning, transformer, hallucination, token, embedding, agent, neural network, diffusion, RLHF, GPT, Claude, Mistral — des milliers de termes expliqués simplement, pour les curieux comme pour les experts.
✓ 39 définitions vérifiées✓ 6 thèmes reliés✓ Édité en France
Outil gratuit
Faire le quiz gratuitTrouvez votre prochaine découverte lecture
Répondez à quelques questions simples et laissez votre profil de curiosité guider la sélection.
L'Atlas
Choisissez un territoire de l'IA.
Six thèmes, du plus fondamental au plus opérationnel. Sélectionnez-en un : les définitions correspondantes s'affichent. Aucune connaissance préalable requise.
Les briques de base
Fondations
Les notions sur lesquelles tout repose : ce qu'on entend par « apprendre » pour une machine.
Machine learning · apprentissage automatique
Approche où un modèle ajuste ses paramètres à partir de données plutôt que de règles écrites à la main. Il « apprend » des exemples au lieu d'être programmé explicitement.
Deep learning · apprentissage profond
Sous-ensemble du machine learning fondé sur des réseaux de neurones à plusieurs couches, capables d'apprendre des représentations de plus en plus abstraites des données.
Réseau de neurones · neural network
Modèle composé de couches d'unités (« neurones ») connectées par des poids ajustables. Chaque couche transforme l'entrée pour en extraire des motifs utiles.
Paramètre · parameter / weight
Valeur interne ajustée pendant l'entraînement. La « taille » d'un modèle se mesure souvent en milliards de paramètres (ex. 7B, 70B).
Données d'entraînement · training data
Le corpus d'exemples à partir duquel le modèle apprend. Sa qualité, son volume et ses biais déterminent largement les capacités et les défauts du modèle.
Les LLM expliqués
Modèles de langage
Comment les grands modèles de langage (GPT, Claude, Mistral, Gemini, Llama) lisent et écrivent du texte.
LLM · grand modèle de langage
Modèle entraîné à prédire le mot (token) suivant sur d'immenses corpus de texte. De cette tâche simple émergent traduction, résumé, raisonnement et dialogue.
Transformer
Architecture de réseau de neurones introduite en 2017 (« Attention Is All You Need »). Elle traite une séquence en parallèle grâce au mécanisme d'attention — base de la quasi-totalité des LLM actuels.
Attention · self-attention
Mécanisme par lequel le modèle pondère l'importance de chaque mot d'un texte par rapport aux autres, pour saisir le contexte et les dépendances longues.
Token
Unité élémentaire que le modèle manipule : un mot, un morceau de mot ou un caractère. Le texte est découpé en tokens avant traitement, et facturé au token.
Fenêtre de contexte · context window
Quantité maximale de tokens qu'un modèle peut prendre en compte d'un coup (entrée + sortie). Au-delà, l'information la plus ancienne est oubliée.
Embedding · plongement
Représentation d'un mot, d'une phrase ou d'un document sous forme de vecteur de nombres. Des sens proches donnent des vecteurs proches, ce qui permet la recherche sémantique.
Inférence · inference
Phase d'utilisation du modèle (production de réponses), par opposition à l'entraînement. C'est ce qui consomme des ressources à chaque requête.
Modèles génératifs visuels
Génération d'images & vidéo
Stable Diffusion, Midjourney, DALL·E, Sora : comment une machine fabrique une image à partir de mots.
Modèle de diffusion · diffusion model
Modèle qui apprend à transformer du bruit aléatoire en image, étape par étape, en inversant un processus de « bruitage ». Base de Stable Diffusion, Midjourney, DALL·E 3.
Espace latent · latent space
Représentation compressée des données dans laquelle le modèle travaille. Générer dans cet espace réduit le coût de calcul avant de reconstruire l'image finale.
Inpainting
Technique consistant à régénérer seulement une zone sélectionnée d'une image (remplacer un objet, corriger un détail) en gardant le reste intact.
ControlNet
Extension qui guide la génération d'image à partir d'une contrainte (pose, contours, profondeur), pour contrôler précisément la composition au lieu de s'en remettre au hasard.
Texte-vers-image · text-to-image
Famille de modèles qui produisent une image à partir d'une description écrite (le prompt). Le texte-vers-vidéo (Sora, Runway) en est l'extension animée.
Upscaling · super-résolution
Augmentation de la résolution d'une image par un modèle qui « invente » des détails plausibles, plutôt qu'un simple agrandissement flou.
Faire travailler un modèle
Techniques & méthodes
Les méthodes pour spécialiser, guider et brancher un modèle sur vos données réelles.
Prompt · invite
Instruction en langage naturel donnée au modèle. Le « prompt engineering » est l'art de formuler cette consigne pour obtenir des réponses fiables et utiles.
Fine-tuning · affinage
Ré-entraînement d'un modèle pré-existant sur un jeu de données spécialisé, afin de l'adapter à un domaine, un style ou une tâche précise.
RAG · génération augmentée par récupération
Technique qui fournit au modèle des documents pertinents récupérés au moment de la requête, pour qu'il réponde à partir de sources réelles plutôt que de sa seule mémoire.
Few-shot learning
Méthode consistant à montrer au modèle quelques exemples de la tâche directement dans le prompt, pour qu'il en imite la logique sans ré-entraînement.
Chain-of-thought · chaîne de pensée
Technique invitant le modèle à détailler son raisonnement étape par étape, ce qui améliore nettement ses performances sur les problèmes complexes.
Base vectorielle · vector database
Base de données qui stocke des embeddings et retrouve les plus proches d'une requête. Pièce centrale des systèmes de RAG et de recherche sémantique.
Agent
Système où un modèle planifie une suite d'actions et utilise des outils (recherche web, code, API) pour accomplir une tâche, au lieu de répondre en un seul jet.
Limites, risques, régulation
Enjeux & éthique
Ce qu'il faut comprendre pour utiliser l'IA de façon lucide : ses failles, ses biais, son encadrement.
Hallucination
Production par le modèle d'une affirmation fausse mais formulée avec assurance. Conséquence directe de son fonctionnement probabiliste : il génère du plausible, pas du vérifié.
Biais algorithmique · bias
Tendance d'un modèle à reproduire ou amplifier des biais présents dans ses données d'entraînement (genre, origine, géographie), avec des effets discriminatoires possibles.
Alignement · alignment
Ensemble des efforts pour que le comportement d'un modèle corresponde aux intentions et valeurs humaines, et qu'il reste utile, honnête et inoffensif.
RLHF · apprentissage par renforcement avec retour humain
Méthode où des évaluations humaines servent à entraîner le modèle à privilégier les réponses jugées utiles et sûres. Clé de la « bonne tenue » des assistants actuels.
Jailbreak
Formulation détournée d'une requête visant à contourner les garde-fous d'un modèle pour lui faire produire un contenu normalement refusé.
AI Act
Règlement européen sur l'intelligence artificielle (adopté en 2024), qui classe les systèmes par niveau de risque et impose des obligations croissantes selon leur usage.
Watermarking · marquage
Insertion d'une signature discrète dans un contenu généré par IA, afin de pouvoir l'identifier ultérieurement et lutter contre la désinformation.
Ce qui fait tourner l'IA
Calcul & infrastructure
Le matériel et les coûts cachés derrière chaque requête à un modèle d'IA.
GPU · processeur graphique
Puce conçue pour les calculs massivement parallèles. Devenue le moteur de l'IA moderne : entraîner et faire tourner un grand modèle en réclame des milliers.
Quantisation · quantization
Réduction de la précision des paramètres (ex. de 16 à 4 bits) pour alléger un modèle, le rendre plus rapide et le faire tenir sur du matériel modeste, au prix d'une légère perte de qualité.
Distillation
Procédé où un grand modèle « enseignant » entraîne un modèle plus petit « élève » à l'imiter, pour obtenir un modèle léger et économe presque aussi performant.
Open weights · poids ouverts
Modèle dont les paramètres sont publiés librement (ex. Llama, Mistral), permettant de l'exécuter, l'inspecter et l'adapter sans dépendre d'une API tierce.
API
Interface qui permet à un logiciel d'appeler un modèle hébergé à distance et d'en recevoir les réponses, sans gérer soi-même l'infrastructure.
Latence · latency
Délai entre l'envoi d'une requête et la première partie de la réponse. Critère décisif pour les usages interactifs comme le chat ou la voix.
Comparer les modèles
Choisir un modèle, pas juste le comprendre.
12modèles passés en revue : éditeur, fenêtre de contexte, tarif indicatif et point fort. Les termes soulignés renvoient à l'Atlas pour en approfondir la définition — le pont entre vocabulaire et décision concrète.
🇺🇸OpenAIFermé
GPT-4o
ChatImageCode
- Fenêtre de contexte
- 128 k tokens
- Tarif indicatif
- ≈ 2,50 $ / M tokens
Polyvalence maximale : texte, vision et audio natifs dans un seul modèle.
🇺🇸AnthropicFermé
Claude 3.5 Sonnet
ChatCode
- Fenêtre de contexte
- 200 k tokens
- Tarif indicatif
- ≈ 3 $ / M tokens
Fenêtre de 200 k tokens et suivi d'instructions de précision chirurgicale.
🇺🇸Google DeepMindFermé
Gemini 1.5 Pro
ChatImageCode
- Fenêtre de contexte
- 1 M tokens
- Tarif indicatif
- ≈ 3,50 $ / M tokens
Fenêtre de contexte record : lit un roman entier en une seule requête.
🇫🇷Mistral AIFermé
Mistral Large 2
ChatCode
- Fenêtre de contexte
- 128 k tokens
- Tarif indicatif
- ≈ 4 € / M tokens
Excellence en français et raisonnement structuré — le modèle fermé made in Europe.
🇺🇸MetaOpen weights
Llama 3.1 70B
ChatCode
- Fenêtre de contexte
- 128 k tokens
- Tarif indicatif
- Gratuit (auto-hébergé)
Meilleur open weights : performances proches des modèles fermés, sans API tierce.
🇺🇸xAIFermé
Grok 2
ChatImage
- Fenêtre de contexte
- 128 k tokens
- Tarif indicatif
- Inclus X Premium
Accès temps réel aux données du réseau X — et un sens de l'humour décalé.
Dans l'Atlas :LLM
🇨🇳DeepSeekOpen weights
DeepSeek V3
ChatCode
- Fenêtre de contexte
- 128 k tokens
- Tarif indicatif
- ≈ 0,27 $ / M tokens
Rapport qualité/coût imbattable — concurrent direct des modèles fermés au dixième du prix.
🇫🇷Mistral AIOpen weights
Mistral 7B
ChatCode
- Fenêtre de contexte
- 32 k tokens
- Tarif indicatif
- Gratuit (open weights)
Ultra-compact : tourne sur un ordinateur portable standard avec quantisation 4-bit.
🇨🇦CohereFermé
Command R+
ChatCode
- Fenêtre de contexte
- 128 k tokens
- Tarif indicatif
- ≈ 2,85 $ / M tokens
RAG natif : conçu pour brancher une base de documents d'entreprise en production.
🇺🇸OpenAIFermé
DALL·E 3
Image
- Tarif indicatif
- ≈ 0,04 $ / image
Fidélité au prompt texte : génère précisément ce qui est décrit, sans approximation.
🇬🇧Stability AIOpen weights
Stable Diffusion 3.5
Image
- Tarif indicatif
- Gratuit (open weights)
Contrôle créatif fin via ControlNet et inpainting — le standard open pour l'image.
🇺🇸GoogleOpen weights
Gemma 2 9B
ChatCode
- Fenêtre de contexte
- 8 k tokens
- Tarif indicatif
- Gratuit (open weights)
Efficience extrême : performances LLM sérieuses sur CPU modeste grâce à la distillation.
Tarifs et capacités indicatifs (sources : pages officielles des éditeurs, juillet 2026). Les modèles à poids ouverts peuvent être hébergés gratuitement — le coût réel dépend de votre infrastructure. Les noms de modèles sont des marques déposées de leurs éditeurs respectifs.
Notre méthode
Comprendre, pas mémoriser.
Par thèmes, pas par ordre A→Z
Un mot isolé ne dit rien. On regroupe les notions par territoire pour montrer comment elles se répondent : un token éclaire la fenêtre de contexte, qui éclaire le RAG.
Court, juste, sans jargon caché
Chaque définition tient en quelques lignes, commence par l'idée simple, et explicite les sigles. On préfère une analogie exacte à une formule creuse.
Honnête sur les limites
On nomme aussi ce qui cloche : hallucinations, biais, coûts, dépendances. Comprendre l'IA, c'est connaître ses failles autant que ses prouesses.
Questions fréquentes
Avant de vous lancer.
Le lexique est-il mis à jour régulièrement ?
Oui, chaque semaine. L'IA évolue si vite que de nouveaux termes apparaissent constamment — nous les ajoutons au fur et à mesure. Les définitions existantes sont révisées pour rester exactes et refléter les dernières avancées.
Puis-je contribuer ou suggérer un terme ?
Absolument. Si un terme manque ou si vous souhaitez proposer une amélioration, vous pouvez nous le signaler via le formulaire de contact. Nous examinons chaque suggestion et intégrons les contributions pertinentes.
Les définitions sont-elles accessibles aux débutants ?
Oui, chaque définition commence par une explication simple, accessible à tous. Les aspects plus techniques sont détaillés dans des sections optionnelles, pour ceux qui veulent approfondir.
Y a-t-il des ressources pour apprendre l'IA ?
Oui, chaque définition inclut des liens vers des ressources complémentaires : articles, tutoriels, cours en ligne, papiers de recherche, vidéos explicatives. Notre objectif est de vous guider dans votre apprentissage.
Contribuer
Un terme manque à l'Atlas ?
Aidez-nous à enrichir la plus grande base de définitions IA en français.