Un glossaire rangé par ordre alphabétique suppose réglé le problème qu'il prétend traiter : pour chercher un mot, il faut déjà le connaître. Or ce n'est jamais ainsi que le vocabulaire de l'intelligence artificielle arrive. Il arrive par bouffées, dans des situations précises, et chaque situation apporte sa propre série de termes.
Ce lexique est donc rangé selon le moment où le mot vous tombe dessus : avant d'ouvrir quoi que ce soit, pendant que vous vous en servez, quand quelqu'un essaie de vous vendre quelque chose, dans le débat public, et enfin les mots dont la traduction courante induit franchement en erreur. Aucune définition ne dépasse quelques phrases, et chacune se termine par ce que le mot vous permet concrètement de demander.
Sommaire
- Les mots que vous croisez avant d'ouvrir quoi que ce soit
- Les mots que vous croisez en vous en servant
- Les mots que vous croisez quand on vous vend quelque chose
- Les mots que vous croisez dans le débat public
- Les mots dont la traduction courante trompe
- Questions fréquentes
Les mots que vous croisez avant d'ouvrir quoi que ce soit
Ce sont les termes de cadrage : ils désignent des catégories, pas des produits. Les confondre avec des noms de technologies est la source d'une bonne partie des malentendus.
Algorithme
Une suite d'opérations à effectuer pour obtenir un résultat. Rien de plus, et surtout rien de spécifique à l'intelligence artificielle : une recette de cuisine et un calcul de bulletin de paie sont des algorithmes. Le mot est devenu, dans l'usage courant, un synonyme vague de « décision automatique que je ne comprends pas », ce qui le rend à peu près inutilisable pour poser une question précise. Préférez demander de quel système il s'agit et ce qu'il produit.
Modèle
Le résultat d'un apprentissage : l'objet obtenu une fois qu'un système a été entraîné sur des exemples. C'est le mot exact quand on parle de l'outil lui-même, et il est plus précis qu'« algorithme » ou qu'« IA ». Un modèle a été entraîné à une certaine date, sur certaines données, pour une certaine tâche, et ces trois éléments décident entièrement de ce qu'il sait faire.
Données d'entraînement
Les exemples à partir desquels le modèle a dégagé ses régularités. C'est le terme le plus important de tout ce lexique, parce que tout en découle : ce que le système sait, ce qu'il ignore, et sur quoi il se trompera. « D'où viennent les données d'entraînement » est la première question à poser devant n'importe quel système, et l'absence de réponse claire est en soi une réponse.
Apprentissage automatique, ou machine learning
La manière de fabriquer un modèle en lui montrant des exemples plutôt qu'en lui écrivant des règles. Ce basculement explique presque tous les comportements surprenants de ces outils, et il est détaillé dans notre article sur comment fonctionne l'intelligence artificielle.
Les mots que vous croisez en vous en servant
Ceux-là arrivent par l'interface, et ils décrivent votre relation à l'outil. Ce sont les plus utiles à retenir, parce qu'ils correspondent à des gestes.
Requête, ou prompt
Ce que vous écrivez pour obtenir une réponse. Le terme anglais s'est imposé, le mot français convient aussi bien. L'essentiel n'est pas le mot mais le constat qu'il recouvre : la qualité de ce que vous recevez dépend fortement du contexte que vous avez transmis, et ce contexte est exactement ce que vous oubliez de dire parce que vous l'avez en tête.
Contexte, ou fenêtre de contexte
Ce que l'outil a effectivement sous les yeux au moment de répondre : votre demande, et généralement ce qui a été échangé plus tôt dans la même conversation. Cette mémoire est limitée et, au delà d'une certaine longueur, le début de l'échange cesse d'être pris en compte. C'est l'explication la plus fréquente d'un outil qui « oublie » brusquement une consigne donnée plus haut.
Hallucination
Le terme consacré pour désigner une réponse fausse produite avec assurance, souvent une référence, une citation ou un chiffre qui n'existe pas. Le mot est critiquable parce qu'il suggère un accident, alors qu'il s'agit du fonctionnement normal du système poussé sur un terrain où il n'a rien appris. Ce qu'il faut retenir tient en une phrase : l'assurance du ton ne renseigne en rien sur la fiabilité du contenu.
Session
Un échange délimité dans le temps. La plupart des outils ne retiennent rien d'une session à l'autre, sauf si une fonction de mémoire a été explicitement activée. Deux questions distinctes se cachent ici : ce que l'outil retient pour vous répondre, et ce que le service conserve de son côté. Elles n'ont pas la même réponse et ne se règlent pas au même endroit.
Les mots que vous croisez quand on vous vend quelque chose
Ces termes ne sont pas faux, ils sont vagues, et leur flou est souvent leur fonction. Face à chacun, la bonne réaction est de demander une précision.
« Propulsé par l'intelligence artificielle »
Une formule compatible avec un modèle sophistiqué comme avec une poignée de règles conditionnelles. Elle ne dit rien de la méthode employée. La question à poser derrière : quelle partie du produit repose sur un apprentissage, et sur quelles données.
Agent
Un système auquel on confie non pas une réponse mais une tâche à mener, avec la possibilité d'enchaîner plusieurs actions. Le mot est employé pour des choses très différentes, de l'enchaînement d'étapes prédéfinies à des dispositifs beaucoup plus autonomes. La question utile n'est pas « est-ce un agent » mais « quelles actions peut-il déclencher sans validation humaine ».
Automatisation
Le fait d'exécuter une tâche sans intervention humaine. Là encore, rien de spécifique à l'intelligence artificielle : l'immense majorité de l'automatisation en service n'a jamais rien appris. Le distinguo compte, parce qu'une automatisation à règles est vérifiable et corrigeable là où un modèle appris ne l'est pas de la même façon.
Open source
Appliqué à un modèle, le terme promet moins qu'il n'en a l'air, et les usages divergent selon ce qui est effectivement ouvert : le code, les paramètres du modèle, les données d'entraînement, ou seulement une partie. Ce que l'étiquette garantit et ce qu'elle ne garantit pas est le sujet de notre article sur l'IA open source.
Les mots que vous croisez dans le débat public
Ce sont les termes qui portent les enjeux, et ils sont souvent employés sans être définis. Les tenir permet de suivre une discussion sans se laisser impressionner.
Biais
Un déséquilibre systématique dans les résultats, hérité des données d'entraînement ou de la façon dont le problème a été posé. Ce n'est pas une opinion de la machine : c'est le reflet fidèle de ce qu'on lui a montré. Le terme n'a rien de moral en lui-même, il devient un enjeu dès que le système sert à décider quelque chose qui concerne des personnes.
Explicabilité
La possibilité de dire pourquoi un système a produit tel résultat plutôt qu'un autre. Certaines méthodes d'apprentissage la permettent assez bien, les architectures profondes beaucoup moins. C'est la question décisive dès qu'une décision doit pouvoir être contestée, et elle est développée dans notre article sur l'IA éthique.
Données personnelles
Toute information se rapportant à une personne identifiable, directement ou indirectement. Le point qui surprend le plus est que l'identification peut résulter du croisement de plusieurs informations anodines prises isolément. Concrètement, cela déplace la question : elle ne porte pas sur la sensibilité apparente de ce que vous saisissez, mais sur ce que l'ensemble permet de reconstituer.
Empreinte environnementale
La consommation associée à l'entraînement et à l'usage de ces systèmes, en énergie, en eau et en matériel. Une partie se mesure, une autre non, et la confusion entre les deux explique les écarts considérables entre les chiffres qui circulent. C'est le sujet de notre article IA et environnement.
Les mots dont la traduction courante trompe
Ces cinq termes sont exacts entre spécialistes et trompeurs dans la conversation ordinaire, parce qu'ils empruntent au vocabulaire humain. C'est le groupe le plus utile du lexique.
| Le mot | L'image qu'il évoque | Ce qu'il désigne réellement | Le piège |
|---|---|---|---|
| Intelligence | Une faculté générale, comparable à la nôtre | Une performance sur une tâche précise | On extrapole d'une tâche réussie à une compétence générale |
| Apprendre | Comprendre, mémoriser, progresser | Ajuster des paramètres pour réduire un écart mesuré | On croit qu'il progresse en discutant avec vous |
| Comprendre | Saisir le sens | Traiter des régularités entre des symboles | On prête une intention à ce qui produit du langage cohérent |
| Réseau de neurones | Un cerveau artificiel | Des unités de calcul organisées en couches | On transpose des propriétés du cerveau qui n'existent pas ici |
| Entraînement | Une pratique répétée qui rend meilleur | Une phase achevée, souvent figée ensuite | On croit le modèle à jour alors qu'il s'est arrêté à une date |
Pourquoi ces mots ont été choisis ainsi
Sans procès d'intention : ces termes viennent de la recherche, où ils ont un sens technique précis et partagé, et où l'analogie ne trompe personne. Le glissement se produit en sortant du laboratoire, quand le mot garde sa forme et perd son cadre. La solution n'est pas de les bannir mais de savoir qu'ils sont des analogies, pas des descriptions.
Le seul mot dont l'abandon change vraiment quelque chose
Si vous ne deviez en retenir qu'un, retenez « entraînement » et son caractère achevé. Beaucoup d'erreurs pratiques viennent de là : croire qu'un outil intègre ce que vous lui dites, qu'il se tient au courant de l'actualité, ou qu'il s'améliore parce que vous l'utilisez souvent. Notre article machine learning, deep learning, LLM : qui fait quoi remet cette chronologie en place.
Les limites de ce lexique
Il vieillira, et probablement plus vite que les autres articles de ce blog. Certains termes employés couramment aujourd'hui auront disparu dans deux ans, remplacés par d'autres, portés par d'autres produits. Ce lexique est également incomplet par choix : les termes qui ne changent aucune décision de votre côté n'y figurent pas, même s'ils sont fréquents dans la presse spécialisée. Enfin, plusieurs entrées sont des simplifications assumées, dont un spécialiste dirait à juste titre qu'elles perdent des nuances. La question posée ici n'est pas d'être exhaustif, c'est de vous permettre de suivre une conversation et de poser la question suivante.
Comment employer ce lexique en atelier
Utilisez ce lexique comme un outil de clarification, pas comme une liste à mémoriser. Lorsqu'un échange devient confus, choisissez le mot qui semble poser problème et demandez ce qu'il désigne dans ce cas précis : un produit, un modèle, une méthode ou une fonctionnalité. Deux personnes peuvent employer le même terme dans des sens différents sans s'en rendre compte. Le bon résultat n'est donc pas de multiplier les mots techniques, mais de pouvoir reformuler une idée simplement et de repérer lorsqu'une définition change en cours de discussion.
Les conférences et ateliers d'IA Innovateurs sont gratuits et ouverts à tous les niveaux, débutants compris. L'adhésion est distincte et facultative, à 25 € par an, avec un tarif solidaire à 10 €.
Questions fréquentes
Faut-il employer les termes anglais ou leurs équivalents français ?
Les deux circulent, et se forcer à choisir n'apporte rien. Certains termes anglais se sont imposés au point que leur traduction ralentit la compréhension, d'autres ont un équivalent français parfaitement installé et plus parlant. La seule règle qui compte est de savoir ce que le mot désigne, dans la langue où vous l'employez. Employer le terme anglais sans le comprendre produit exactement l'effet inverse de celui recherché : cela impressionne l'interlocuteur et vous empêche de poser la question suivante.
Comment réagir devant quelqu'un qui emploie beaucoup de jargon ?
Demandez un exemple concret, c'est la demande la plus efficace et la moins agressive. Quelqu'un qui maîtrise son sujet fournit l'exemple immédiatement et la conversation gagne en précision ; quelqu'un qui récite du vocabulaire s'arrête là. Cette demande ne vous met pas en position de faiblesse, contrairement à ce que l'on craint souvent : elle déplace simplement la charge de la clarté vers celui qui parle, où elle a toujours eu sa place.
Ce vocabulaire va-t-il se stabiliser un jour ?
En partie seulement. Les termes de cadrage, comme modèle, données d'entraînement ou biais, sont relativement stables et le resteront probablement, parce qu'ils décrivent des choses qui ne dépendent pas d'un produit particulier. Les termes commerciaux, eux, se renouvellent au rythme des offres et il est vain de courir après. Retenir la structure, à savoir ce qui s'emboîte dans quoi et ce qui dépend de quoi, protège du vieillissement bien mieux que la liste des mots à la mode.
Par où commencer si tout cela reste abstrait ?
Prenez un outil que vous avez sous la main et une tâche dont vous connaissez déjà la bonne réponse, puis observez le résultat en cherchant à nommer ce qui se passe. Le vocabulaire s'ancre beaucoup plus vite sur une expérience vécue que sur une définition lue, et l'écart entre ce que vous attendiez et ce que vous obtenez est le meilleur professeur disponible. Notre article sur comment utiliser l'intelligence artificielle propose une méthode de tri des tâches pour commencer par les plus sûres.
Un mot qui vous bloque et qui ne figure pas ici ? Apportez-le à l'une de nos prochaines rencontres, découvrez qui nous sommes, ou écrivez-nous. Deux articles prolongent celui-ci : les questions que posent vraiment les débutants et ce que l'IA ne sait toujours pas faire.