Chercher dans le site
Tout ce que Lexigraph publie, en une liste : les fiches, les frontières, les pratiques, les métiers, les parcours et les infographies. Le champ filtre la liste ; sans lui, elle reste entière.
158 pages publiées
Les fiches
88- adoptionÉtage 4L’adoption, c’est le moment où un outil entre réellement dans le travail : pas quand il est installé, mais quand on s’en sert sans y penser. Comme un abonnement à la salle de sport : payer l’inscription n’est pas s’entraîner.
- agentÉtage 3Un agent est un système qui fait travailler un modèle en boucle pour atteindre un objectif : il planifie, agit, constate le résultat et recommence, comme une personne qui suit une recette en goûtant et en ajustant à chaque étape.
- AI ActÉtage 4L’AI Act est le règlement européen qui encadre l’intelligence artificielle selon le risque de chaque usage : comme les règles de sécurité d’un bâtiment, plus strictes pour un ascenseur que pour une sonnette. Ce qu’il regarde, c’est l’usage, pas la technologie.
- alignementÉtage 1L’alignement désigne le travail qui fait qu’un modèle se comporte comme on le souhaite : suivre une consigne, refuser certaines demandes, adopter un ton. Comme la formation qui suit l’embauche, et qui ne change pas ce qu’une personne sait mais ce qu’elle en fait.
- APIÉtage 2Une API est une porte d’entrée prévue pour les logiciels : un programme demande, un autre répond, dans un format convenu. Comme un distributeur automatique : on n’explique rien à un vendeur, on introduit ce qu’il attend et on reçoit ce qu’il rend.
- appel d’outilsÉtage 2L’appel d’outils est le moment où le modèle réclame une action au lieu de rédiger : chercher un fichier, envoyer un message. Comme un client qui remplit un bon de commande : il inscrit ce qu’il veut, quelqu’un d’autre va le chercher et le lui rapporte.
- assistantÉtage 2Un assistant est un produit qui attend votre message, vous répond, puis s’arrête. Comme un guichet : vous posez une question, on vous répond, et rien ne se passe tant que vous ne demandez rien. C’est vous qui menez l’échange, à chaque tour.
- augmentationÉtage 4L’augmentation consiste à outiller la personne qui fait le travail plutôt qu’à lui retirer la tâche : comme une perceuse électrique, qui ne monte pas le meuble à votre place mais vous permet d’en monter davantage, mieux, et sans vous épuiser.
- automatisationÉtage 4L’automatisation consiste à retirer une tâche des mains humaines : la machine l’exécute d’un bout à l’autre, comme un lave-vaisselle que l’on remplit et que l’on vide, mais qui lave sans vous. La personne décide avant et vérifie après, plus pendant.
- autonomieÉtage 3L’autonomie est la part des décisions qu’un système prend sans vous demander. Ce n’est pas un interrupteur mais un curseur, réglé geste par geste : comme prêter sa voiture, où l’on s’entend sur le trajet permis avant de tendre les clés.
- bac à sable (sandbox)Étage 3Un bac à sable est l’environnement fermé dans lequel un agent exécute ses actions : il y a accès à ce qu’on y a mis, et à rien d’autre. Comme un atelier dont on a retiré ce qui ne doit pas être touché, plutôt qu’une consigne demandant de ne pas y toucher.
- base vectorielleÉtage 2Une base vectorielle range des textes selon leur sens plutôt que selon leurs mots, pour retrouver ceux qui ressemblent à votre question. Comme un rayon de magasin où les articles voisins servent au même usage : on trouve sans connaître le nom exact.
- benchmarkÉtage 1Un benchmark est une épreuve standardisée qui note les modèles sur un jeu de questions communes, afin de les comparer entre eux. Comme un examen national : il classe les candidats, il ne dit pas lequel fera l’affaire dans votre équipe.
- biaisÉtage 1Un biais est un écart systématique et reproductible dans les sorties d’un modèle, hérité de ses données ou de son entraînement. Comme une balance mal étalonnée : elle ne se trompe pas au hasard, elle se trompe toujours dans le même sens.
- boucle agentiqueÉtage 3La boucle agentique est le cycle que répète un agent : il regarde où il en est, choisit une action, l’exécute, constate le résultat, puis recommence. Comme quelqu’un qui cherche une adresse : il avance, lève les yeux, corrige sa direction.
- cache de promptÉtage 2Le cache de prompt conserve le travail déjà fait sur le début d’une entrée, de sorte qu’une requête qui commence par le même texte n’a pas à le refaire. Comme une machine déjà préchauffée : on ne recommence pas la montée en température à chaque fournée.
- chatbotÉtage 2Un chatbot est un programme avec lequel on échange par messages, comme au guichet : vous posez une question, il répond, et tout se passe dans le fil. C’est une manière de présenter un service, pas une technologie particulière.
- cloudÉtage 4Le cloud désigne l’exécution d’un service sur les machines d’un tiers, facturée à l’usage, sans matériel à acheter ni à exploiter. Comme prendre le train plutôt que d’acheter une voiture : on paie le trajet, pas le garage.
- condition d’arrêtÉtage 3La condition d’arrêt est ce qui met fin à la boucle d’un agent : soit l’objectif est atteint et vérifié, soit une limite est franchie. Comme une minuterie de four doublée d’un thermomètre : l’un dit que c’est cuit, l’autre que ça a assez duré.
- conduite du changementÉtage 4La conduite du changement est le travail d’accompagnement qui fait qu’un outil entre réellement dans les pratiques : former, réécrire les procédures, arbitrer les résistances. Comme installer une cuisine neuve dans un restaurant sans arrêter le service.
- contexteÉtage 2Le contexte est l’ensemble du texte que le modèle a sous les yeux au moment où il répond : votre question, l’historique, les documents ajoutés. Comme le dossier posé devant quelqu’un avant un entretien : ce qui n’y figure pas n’existe pas pour lui.
- copiloteÉtage 4Un copilote est un assistant intégré à l’outil de travail, qui propose pendant que la personne garde les commandes : comme le copilote d’un rallye, qui annonce le virage à voix haute mais ne tient jamais le volant.
- coût par tokenÉtage 4Le coût par token est le prix unitaire de ce que le modèle lit et écrit : il transforme un usage en facture, et il se paie à chaque appel, indéfiniment. Comme un compteur d’eau plutôt qu’un abonnement : ce n’est pas l’installation qui coûte, c’est l’ouverture du robinet.
- découpage (chunking)Étage 2Le découpage consiste à trancher vos documents en fragments avant de les indexer, puisque c’est un fragment, et non un document entier, que la recherche remontera. Comme découper un manuel en fiches : la coupe décide de ce qu’on retrouvera, et de ce qui restera incompréhensible.
- deep learning (apprentissage profond)Étage 1Le deep learning est la branche de l’apprentissage automatique qui empile de nombreuses couches de calcul, chacune décrivant les données un cran plus abstraitement que la précédente. Comme une chaîne de relecteurs où le premier voit des traits, le suivant des formes, le dernier un visage.
- déterminismeÉtage 1Un système est déterministe quand la même entrée donne toujours exactement la même sortie. Un modèle de langage ne l’est pas : comme un orchestre qui rejoue la même partition, la demande est identique et l’exécution ne l’est jamais tout à fait.
- distillationÉtage 1La distillation consiste à entraîner un petit modèle à imiter les réponses d’un grand, pour obtenir un objet bien plus léger qui garde l’essentiel du comportement. Comme un manuel d’atelier tiré de l’expérience d’un maître : plus court, suffisant pour la plupart des cas.
- donnée personnelleÉtage 4Une donnée personnelle est toute information qui permet de remonter à une personne, directement ou en recoupant plusieurs éléments : ce n’est pas seulement le nom sur la boîte aux lettres, c’est aussi l’étage, l’horaire et la voiture, qui ensemble désignent quelqu’un tout aussi sûrement.
- données d’entraînementÉtage 1Les données d’entraînement sont les exemples à partir desquels un modèle a été formé : c’est de leur contenu que dépendent ce qu’il sait dire et ce qu’il ignore. Comme la bibliothèque où quelqu’un a tout appris, et dont les manques deviennent les siens.
- embedding (plongement)Étage 1Un embedding est la traduction d’un texte en une longue liste de nombres, arrangée de sorte que deux textes de sens voisin donnent des listes voisines. Comme des coordonnées sur une carte, où les villes proches parlent de choses proches.
- évaluation (evals)Étage 3Une évaluation est une série de cas d’épreuve rejoués à chaque changement, pour voir si le système répond toujours correctement. Comme repasser le même parcours de conduite après chaque réglage : cela ne prouve pas qu’on conduit bien partout, seulement qu’on n’a rien cassé.
- fenêtre de contexteÉtage 1La fenêtre de contexte est la quantité de texte qu’un modèle peut avoir sous les yeux à la fois : vos messages et les documents fournis. Comme un plan de travail, passé une certaine taille il faut retirer quelque chose pour poser autre chose.
- few-shotÉtage 2Le few-shot consiste à placer dans la demande deux ou trois exemples de ce qu’on attend, entrée et sortie, au lieu de le décrire. Comme tendre à quelqu’un trois formulaires déjà remplis plutôt que de lui expliquer comment remplir le formulaire.
- fiabilité composéeÉtage 3La fiabilité composée est le fait qu’un système à plusieurs étapes ne réussit que si toutes réussissent : les taux se multiplient au lieu de s’additionner. Comme une chaîne dont chaque maillon tient à quatre-vingt-quinze pour cent, et qui casse presque une fois sur deux à dix maillons.
- fine-tuningÉtage 1Le fine-tuning consiste à poursuivre l’entraînement d’un modèle existant sur vos propres exemples, pour changer sa façon de répondre : comme un professionnel expérimenté que vous formez quelques semaines à vos usages maison, jusqu’à ce qu’ils deviennent des réflexes.
- garde-fousÉtage 2Les garde-fous sont les limites posées autour d’un système d’IA pour que ses erreurs restent sans gravité : ce qu’il ne peut pas déclencher seul, ce qu’une personne doit valider. Comme la rambarde d’un balcon : elle n’empêche pas de se pencher, elle empêche la chute.
- gouvernance IAÉtage 4La gouvernance IA, c’est l’ensemble des décisions qu’une organisation prend pour savoir qui peut utiliser quoi, sur quelles données, et qui répond du résultat : comme les délégations de signature, qui ne servent pas à se méfier mais à savoir qui engage la maison.
- hallucinationÉtage 1Une hallucination, c’est une réponse fausse énoncée avec le même aplomb qu’une réponse juste : une date inventée, une citation qui n’existe pas. Comme quelqu’un qui, plutôt que d’avouer un trou de mémoire, comble par ce qui sonne juste.
- harnaisÉtage 2Le harnais est tout ce qu’on construit autour d’un modèle pour le rendre utile : instructions, documents, outils, garde-fous. Comme une voiture autour d’un moteur : sans carrosserie, sièges ni volant, la mécanique tourne, mais personne ne va nulle part.
- usage à haut risqueÉtage 4Un usage à haut risque est un emploi d’un système d’IA que le droit européen tient pour susceptible de peser lourd sur les droits ou la sécurité d’une personne, et qu’il soumet pour cette raison à des obligations renforcées. Comme un même véhicule qui n’obéit pas aux mêmes règles selon qu’il transporte des colis ou des enfants : c’est l’emploi qui commande le régime, pas la mécanique.
- human in the loopÉtage 3Human in the loop désigne les points où un système s’arrête pour demander l’accord d’une personne avant d’agir. Comme un virement bancaire qui attend votre confirmation : la machine a tout préparé, elle ne franchit pas la dernière étape seule.
- IA générativeÉtage 1L’IA générative désigne les systèmes qui produisent un contenu nouveau, texte, image, son ou code, plutôt que de classer ou de mesurer ce qui existe déjà. Comme un dessinateur qui compose une scène inédite là où un tampon reproduit toujours la même empreinte.
- inférenceÉtage 1L’inférence est le moment où un modèle déjà entraîné produit une réponse : il lit ce qu’on lui donne et écrit la suite, sans rien apprendre au passage. Comme un musicien qui joue un morceau, par opposition aux années passées à travailler son instrument.
- ingénierie de promptÉtage 2L’ingénierie de prompt est le travail consistant à formuler ce qu’on demande au modèle, avec ses exemples et son format de sortie, puis à vérifier que la formulation tient sur des cas réels. Comme rédiger une consigne pour un intérimaire compétent qui ne connaît ni la maison ni le dossier.
- injection de promptÉtage 2L’injection de prompt consiste à glisser dans un texte lu par le système une consigne qui prend le pas sur celle du concepteur, parce que le modèle reçoit les deux comme un seul texte et ne sait pas laquelle fait autorité. Comme une note anonyme glissée dans un dossier remis à un employé : il la lit avec le reste, et rien, sur le papier, ne dit qu’elle ne vient pas de sa direction.
- intelligence artificielleÉtage 1L’intelligence artificielle est le nom d’un domaine entier, pas d’une technique : tout ce qui fait faire à une machine des tâches qu’on associait au jugement humain. Comme le mot « médecine », qui recouvre aussi bien un vaccin qu’une prothèse de hanche.
- juge automatiqueÉtage 3Un juge automatique est un modèle chargé de noter les réponses d’un autre système, selon des critères écrits, là où aucune comparaison mécanique ne peut le faire. Comme un correcteur à qui vous tendez une copie de dissertation avec la grille de notation : il va vite et il ne se lasse jamais, mais sa note ne vaut que ce que vaut la grille.
- modèle de langage (LLM)Étage 1Un modèle de langage est une machine à prédire la suite d’un texte : à partir de ce qui précède, il propose le fragment suivant, puis recommence. Comme quelqu’un qui aurait tout lu et complèterait vos phrases, sans vérifier ce qu’il avance.
- machine learning (apprentissage automatique)Étage 1Le machine learning, ou apprentissage automatique, consiste à ne plus écrire les règles d’un programme mais à lui donner des exemples pour qu’il les dérive lui-même. Comme apprendre à reconnaître un champignon comestible en en voyant mille, plutôt qu’en lisant leur description.
- MCPÉtage 2MCP est une prise standard entre le logiciel qui pilote un modèle et les outils ou documents auxquels il doit accéder. Comme une prise électrique normalisée : chaque appareil se branche sans câble sur mesure, et en changer ne demande pas de refaire l’installation.
- mémoireÉtage 2La mémoire est ce qu’un produit décide de conserver entre vos échanges, puis de redonner à lire au modèle quand c’est utile. Comme un carnet tenu par un collègue : lui ne se souvient de rien, mais il relit ses notes avant chaque rendez-vous.
- modèle de raisonnementÉtage 1Un modèle de raisonnement produit d’abord, pour lui-même, une longue suite d’étapes intermédiaires, puis rédige sa réponse à partir d’elles. Comme quelqu’un qui couvre un brouillon de calculs avant d’écrire la ligne de résultat.
- modèle frontièreÉtage 1Un modèle frontière est l’un des modèles les plus capables qui existent à un moment donné : la catégorie se définit par rapport à ce que la technique sait faire, jamais par une taille ni par un chiffre. Comme un record du monde : ce n’est pas une performance fixée une fois pour toutes, c’est celle que personne n’a encore dépassée.
- modèleÉtage 1Un modèle est le résultat figé d’un long apprentissage sur des masses d’exemples : il en garde une façon de continuer ce qu’on lui donne. Comme un moteur sorti d’usine, il ne démarre pas tout seul et ne change plus après sa fabrication.
- modérationÉtage 2La modération est le tri des contenus qui entrent et sortent d’un système d’IA : ce qu’on refuse de traiter, ce qu’on refuse de laisser passer. Comme le contrôle à l’entrée d’une salle : on regarde ce qui franchit la porte, dans les deux sens.
- multimodalÉtage 1Un modèle multimodal traite plusieurs natures d’entrée dans le même calcul : du texte, des images, du son, sans les convertir d’abord dans un format unique. Comme une personne qui regarde un graphique en écoutant son commentaire, plutôt que d’en lire la description écrite.
- objectifÉtage 3L’objectif est le résultat qu’un agent doit atteindre, énoncé une fois et tenu pendant toute la boucle, quelles que soient les étapes qu’il faudra pour y arriver. Comme une commande passée à un artisan : on dit ce qu’on veut obtenir, pas la suite des gestes.
- observabilitéÉtage 3L’observabilité est la capacité de comprendre ce que fait un système à partir de ce qu’il enregistre, sans avoir à le rouvrir. Comme le tableau de bord d’une voiture : les aiguilles ne réparent rien, elles vous disent où regarder.
- on-premiseÉtage 4L’on-premise désigne l’exécution d’un système sur des machines que l’organisation possède et exploite, dans ses murs ou dans un centre de données qu’elle loue. Comme avoir sa propre chaudière : plus de maîtrise, et l’entretien à sa charge.
- open sourceÉtage 1L’open source désigne un régime de licence qui accorde quatre libertés : utiliser, étudier, modifier et redistribuer, sans discrimination d’usage ni de personne. Comme une recette publiée avec sa liste d’ingrédients, que chacun peut refaire, changer et republier.
- open weight (poids ouverts)Étage 1Un modèle à poids ouverts est un modèle dont les paramètres sont téléchargeables : on peut l’exécuter chez soi, l’adapter, l’intégrer. Comme un moteur qu’on vous livre et que vous montez où vous voulez, sans les plans de l’usine qui l’a fabriqué.
- orchestrationÉtage 3L’orchestration est l’organisation du travail entre plusieurs pièces qui n’agissent pas en même temps : qui appelle qui, dans quel ordre, et que faire quand l’une échoue. Comme un chef de service qui répartit les dossiers et récupère ceux qui coincent.
- outilÉtage 2Un outil est une action que le modèle peut réclamer à un logiciel : chercher sur le web, lire un fichier, envoyer un message. Comme un client au restaurant : il commande, il ne va pas en cuisine, et on lui rapporte le plat.
- paramètre (poids)Étage 1Un paramètre est l’un des coefficients numériques ajustés pendant l’entraînement : leur ensemble constitue tout ce que le modèle a retenu. Comme un instrument qu’on accorde : les réglages restent, les morceaux joués pour l’accorder ne sont nulle part dedans.
- planificationÉtage 3La planification est le moment où un système découpe un objectif en étapes avant d’agir. Comme faire une liste de courses avant d’entrer dans le magasin : la liste ne garantit rien, mais elle évite d’errer dans les rayons.
- politique d’usageÉtage 4Une politique d’usage est le document court qui dit à qui, sur quelles données et pour quelles tâches l’IA est autorisée dans l’organisation, et ce qui est interdit. Comme le règlement affiché à l’entrée d’un atelier : peu de lignes, connues de tous.
- pré-entraînementÉtage 1Le pré-entraînement est la première phase, la plus longue et la plus coûteuse : le modèle lit d’immenses quantités de texte en apprenant seulement à en prédire la suite. Comme des années de lecture qui donnent une culture, avant qu’on apprenne à répondre poliment à une question.
- prompt systèmeÉtage 2Le prompt système, ce sont les consignes permanentes qu’un produit place devant chaque demande : le ton, le rôle, les interdits. Comme le règlement affiché à l’entrée d’une piscine : il vaut pour tout le monde, avant même que vous ayez dit un mot.
- promptÉtage 2Le prompt est le texte que vous adressez au modèle : votre demande, avec ce qu’il faut savoir pour y répondre. Comme une consigne laissée à quelqu’un qui arrive sans connaître ni vous ni le dossier : plus elle est précise, moins il improvise.
- propriété intellectuelle et IAÉtage 4La propriété intellectuelle appliquée à l’IA pose deux questions distinctes : ce qu’on a le droit de donner à lire à un modèle, et ce que vaut juridiquement ce qui en sort. Comme un atelier de copie : ce qu’on y apporte et ce qu’on en ressort relèvent de règles différentes.
- RAGÉtage 2Le RAG consiste à chercher les documents utiles à votre question, puis à les donner à lire au modèle avant qu’il réponde : comme un collègue qui, avant de vous répondre, va sortir le bon classeur et le relit devant vous.
- recherche webÉtage 2La recherche web est l’outil qui permet à un modèle d’aller chercher des pages en ligne et de les lire avant de répondre, au lieu de s’en tenir à ce qu’il a appris. Comme un bibliothécaire qui sort consulter la presse du jour plutôt que de citer ses souvenirs.
- reprise sur échecÉtage 3La reprise sur échec est ce qu’un agent fait quand une action rate : constater, comprendre pourquoi, et changer de manière plutôt que répéter. Comme un serrurier qui, la clé ne tournant pas, essaie une autre prise avant de forcer trente fois la même.
- réseau de neuronesÉtage 1Un réseau de neurones est une longue suite de multiplications et d’additions, organisée en couches, dont les coefficients sont ajustés jusqu’à ce que les sorties collent aux exemples. Comme une table de mixage à des milliards de curseurs, réglés automatiquement à l’oreille.
- retour sur investissementÉtage 4Le retour sur investissement rapporte ce qu’un usage rapporte à ce qu’il coûte, tout compris : licences, appels, intégration, relecture et accompagnement. Comme le calcul d’une machine-outil, où le prix d’achat est rarement le poste décisif.
- RGPD et IAÉtage 4Le RGPD est le règlement européen qui protège les données des personnes, y compris quand c’est une IA qui les traite : comme un carnet d’adresses, où l’on note un numéro pour une raison précise, et où l’on ne garde rien au cas où.
- shadow AIÉtage 4On appelle shadow AI l’usage d’outils d’IA par les salariés en dehors de tout cadre officiel : comme un tableur personnel qui finit par piloter un service entier, sans que personne n’ait jamais décidé qu’il devait exister.
- skillsÉtage 3Les skills sont des ensembles de consignes et de ressources rangés à part, que le système ne charge dans son contexte que lorsque la tâche s’y prête. Comme les classeurs d’une étagère de bureau : leurs dos restent visibles en permanence, mais on n’en ouvre un que le jour où l’on en a besoin.
- sortie structuréeÉtage 2Une sortie structurée est une réponse contrainte à respecter une forme précise, pour qu’un autre logiciel puisse la lire directement. Comme un formulaire plutôt qu’une lettre libre : les cases sont imposées, ce qui ne dit rien de la justesse de ce qu’on y écrit.
- sous-agentÉtage 3Un sous-agent est un agent lancé par un autre agent pour traiter une partie du travail, puis rendre son résultat. Comme déléguer une course à quelqu’un : vous donnez la consigne, il part, il revient avec le sac, pas avec le trajet.
- souveraineté numériqueÉtage 4La souveraineté numérique, c’est la capacité à garder la main sur ses données et ses outils : comme un local loué dont le propriétaire garde un double des clés et peut réviser le loyer, on y travaille sans en fixer les règles.
- système multi-agentsÉtage 3Un système multi-agents fait travailler ensemble plusieurs agents dotés chacun d’un rôle, d’outils propres et d’un contexte séparé. Comme une équipe où chacun tient son poste, avec les frais de coordination que toute équipe implique.
- températureÉtage 1La température règle le degré de hasard au moment où le modèle choisit le fragment suivant : basse, il prend presque toujours le plus probable ; haute, il s’autorise des choix moins attendus. Comme un cuisinier qui suit la recette à la lettre ou s’écarte un peu à chaque geste.
- tokenÉtage 1Un token est le petit morceau de texte que le modèle manipule : ni une lettre, ni tout à fait un mot, plutôt un bout de mot courant. Ce que vous écrivez lui arrive découpé ainsi, comme un texte lu syllabe par syllabe.
- tokenisationÉtage 1La tokenisation est l’opération qui réécrit tout texte entrant en une suite de fragments pris dans un vocabulaire fixe, le seul que le modèle sache lire. Comme la casse d’un imprimeur : quel que soit le mot à composer, il faut le faire avec les caractères qui s’y trouvent, et un mot rare demande plus de pièces qu’un mot courant.
- traceÉtage 3Une trace est l’enregistrement de ce qu’un système a fait, tour par tour : ce qu’il a lu, ce qu’il a décidé, ce qu’il a exécuté. Comme la boîte noire d’un avion : personne ne la consulte tant que tout va bien.
- transformeurÉtage 1Le transformeur est l’architecture de réseau qui équipe presque tous les modèles actuels : à chaque étape, chaque fragment de texte regarde tous les autres et retient ceux qui l’éclairent. Comme un lecteur qui, sur chaque mot, revient à ceux qui en fixent le sens.
- workflowÉtage 3Un workflow est une suite d’étapes écrite à l’avance par une personne, puis exécutée automatiquement : comme une recette que l’on suit à la lettre, où l’ordre des gestes est fixé avant même d’entrer dans la cuisine.
Les frontières
19- Agent ou AssistantFrontièreUn assistant attend votre message, répond, puis s’arrête : vous restez le moteur de l’échange. Un agent reçoit un objectif et enchaîne lui-même les étapes jusqu’à l’atteindre, en décidant à chaque tour de ce qu’il fait ensuite.
- Fine-tuning ou RAGFrontièreLe fine-tuning modifie le modèle lui-même, en poursuivant son entraînement sur vos exemples : il change sa manière de répondre. Le RAG ne touche pas au modèle : il va chercher les bons documents et les place dans le contexte au moment de la question.
- Contexte ou MémoireFrontièreLe contexte est ce que le modèle a sous les yeux pendant qu’il répond, et il disparaît ensuite. La mémoire est ce qu’on a décidé de conserver entre deux échanges, puis de replacer dans le contexte quand c’est utile.
- LLM ou AgentFrontièreUn modèle de langage est une pièce : on l’appelle, il produit du texte, et il s’arrête là. Un agent est le système qui appelle cette pièce en boucle, exécute ce qu’elle propose et la relance avec le résultat, jusqu’à ce que l’objectif soit atteint.
- Workflow ou AgentFrontièreDans un workflow, la séquence des étapes est écrite à l’avance par une personne : un modèle peut occuper une case, il ne choisit pas la case suivante. Dans un agent, le plan n’existe pas avant l’exécution, car c’est le modèle qui observe l’état du travail et décide, tour après tour, de ce qu’il fait ensuite.
- IA ou IA générativeFrontièreL’intelligence artificielle est le nom d’un domaine entier, qui contient des systèmes qui classent, prédisent ou trient sans rien produire. L’IA générative en est une branche récente, celle qui fabrique du contenu nouveau, texte, image ou son.
- Modèle ou ProduitFrontièreLe modèle est la pièce figée qui prédit, et personne ne s’en sert directement. Le produit est ce qu’on utilise réellement : le même modèle, plus des instructions, une mémoire, des documents, des outils et une interface, tous choisis par quelqu’un.
- Chatbot ou AgentFrontièreUn chatbot est une interface : une fenêtre de conversation, qui peut être branchée sur n’importe quoi, y compris sur des règles écrites à la main. Un agent est une architecture : un système qui poursuit un objectif en boucle, et qui n’a pas besoin d’une fenêtre de conversation pour exister.
- Copilote ou AgentFrontièreUn copilote assiste une personne pendant qu’elle travaille : elle garde la main, chaque proposition passe par elle. Un agent poursuit un objectif à sa place : elle définit le but et retrouve un résultat, sans valider chaque étape.
- Open source ou Open weightFrontièreL’open source est un régime de licence : il accorde le droit d’utiliser, d’étudier, de modifier et de redistribuer, sans discrimination d’usage. L’open weight décrit seulement un fait : les paramètres sont téléchargeables, sous des conditions qui restent à lire.
- RAG ou Recherche webFrontièreLe RAG interroge un corpus que vous avez choisi, découpé et indexé, et dont vous répondez. La recherche web interroge un index public, où vous ne maîtrisez ni ce qui existe, ni ce qui remonte, ni ce qui a changé depuis hier.
- Prompt ou Prompt systèmeFrontièreLe prompt est ce que vous écrivez à chaque échange, et il change à chaque fois. Le prompt système est l’instruction permanente placée avant tout par celui qui a construit le service, et que vous ne voyez jamais.
- Token ou MotFrontièreLe token est l’unité que le modèle manipule et que vous payez : un fragment de texte fréquent, qui ne suit pas la grammaire. Le mot est une unité de sens, qui n’a aucune existence pour le modèle.
- Paramètres ou Données d’entraînementFrontièreLes paramètres sont ce qui reste du modèle après l’entraînement : des coefficients numériques. Les données d’entraînement sont ce qui a servi à les régler, puis a disparu du modèle.
- Hallucination ou ErreurFrontièreUne erreur est une panne : quelque chose n’a pas fonctionné comme prévu, et cela se corrige. Une hallucination est le fonctionnement normal du modèle : il produit une continuation plausible, et rien dans sa mécanique ne distingue le vrai du vraisemblable.
- Automatisation ou AugmentationFrontièreL’automatisation retire la tâche à la personne : le système la fait, du début à la fin. L’augmentation outille la personne : elle continue de décider, mais plus vite et sur une matière déjà préparée.
- Cloud ou On-premiseFrontièreLe cloud fait tourner le système sur les machines d’un tiers, facturées à l’usage. L’on-premise le fait tourner sur des machines que vous possédez et exploitez. Le choix se joue sur la circulation des données et l’accès aux modèles, rarement sur le prix.
- Machine learning ou Deep learningFrontièreLe machine learning est l’ensemble des méthodes qui dérivent leur comportement d’exemples plutôt que de règles écrites. Le deep learning en est une famille, celle qui empile de nombreuses couches de calcul, et l’IA générative en est un sous-ensemble encore plus étroit.
- Fenêtre de contexte ou ContexteFrontièreLa fenêtre de contexte est une capacité du modèle : la quantité maximale de texte qu’il peut avoir sous les yeux, mesurée en tokens. Le contexte est ce que le harnais y a effectivement placé pour cette requête, et c’est un choix.
En pratique
15- L’anatomie d’une consignePratiqueVous obtenez des réponses correctes mais génériques, et vous ne savez pas quoi changer à votre demande.
- Montrer plutôt que décrirePratiqueVous n’arrivez pas à décrire le style ou le format que vous voulez. « Fais plus concis » et « sois plus direct » ne donnent rien.
- La consigne qu’on gardePratiqueUne demande que vous refaites toutes les semaines, à l’identique, en la retapant de mémoire à chaque fois.
- La reformulation avant l’exécutionPratiqueUne demande longue ou ambiguë, dont vous sentez déjà qu’elle va partir dans une direction que vous n’avez pas voulue.
- Ce qui manque pour répondrePratiqueN’importe quelle demande un peu sérieuse, dont vous sentez qu’elle va revenir à moitié faite.
- L’entretienPratiqueVous savez une chose en profondeur et vous n’arrivez pas à l’écrire : une note de cadrage, une position, un retour d’expérience que vous êtes seul à avoir.
- Le comitéPratiqueUne idée que vous portez seul, et personne autour de vous n’a le temps ni la compétence pour la contredire sérieusement avant la réunion.
- L’avocat du diablePratiqueUne décision que vous avez déjà prise, et dont vous êtes plutôt content.
- Le tableau et ses trousPratiqueDeux options à départager : un prestataire, une méthode, un outil.
- Le découpagePratiqueUne demande que le système rate systématiquement, quelle que soit la façon dont vous la reformulez.
- Le schéma que vous imposezPratiqueLa même information vous arrive dans vingt formes différentes : des courriels, des comptes rendus, des notes prises en réunion.
- Le passage de relaisPratiqueUne tâche répétitive que vous êtes seul à savoir faire, et que personne n’a jamais écrite.
- Les critères écrits avantPratiqueVous devez juger une production, la vôtre ou celle d’un autre, et « c’est bien » ou « ça ne va pas » est tout ce qui vous vient.
- Le document qu’on n’a pas le temps de lirePratiqueUn rapport, un contrat, un compte rendu de quarante pages, qui attend depuis une semaine.
- Ce que vous avez collé cette semainePratiqueVous utilisez l’IA depuis quelques semaines, sans y avoir vraiment réfléchi.
Les métiers
15- Forward deployed engineerMétierCelui qui va écrire le code chez le client
- Prompt engineerMétierLe titre qui s’est éteint en fabriquant trois autres
- AI engineerMétierCelui qui met au travail un modèle qu’il n’a pas entraîné
- Context engineerMétierCelui qui décide de tout ce qui entre dans la fenêtre
- Ingénieur d’évaluationMétierCelui qui écrit le barème avant de regarder la copie
- Ingénieur d’agentsMétierCelui qui fait tenir une boucle qui décide toute seule
- Research scientistMétierCelle qui cherche une réponse que personne n’a encore
- Research engineerMétierCelui qui fait tenir l’expérience à grande échelle
- ML engineerMétierCelui qui entraîne un modèle et le fait tenir en service
- Spécialiste de données humainesMétierL’experte dont le jugement devient la matière du modèle
- LLMOps engineerMétierCelui qui tient en production ce qui ne répond jamais deux fois pareil
- Red teamer IAMétierCelle qui fait dérailler le système avant que d’autres s’en chargent
- Validateur de modèlesMétierCelui qui a le droit de dire non avant la mise en service
- Responsable de la conformité IAMétierCelle qui prouve à un tiers que la règle est tenue
- Responsable de la gouvernance IAMétierCelui qui décide qui a le droit de déployer quoi
Les parcours
4Les infographies
6- L’AscenseurInfographieÀ quel étage vit chaque idée ?
- Le HarnaisInfographieQu’est-ce qui transforme un modèle en produit ?
- La FenêtreInfographieQue voit réellement le modèle ?
- L’Anatomie d’un agentInfographieQue fait un agent quand il « travaille » ?
- Apprendre ou consulterInfographieFaut-il réentraîner le modèle, ou lui donner à lire ?
- L’AI ActInfographieÀ qui s’applique-t-il, et à quel titre ?
Les étages
4Le service
7- Le lexiquePageL’index du corpus, rangé par étage.
- Le quizPageS’entraîner sur les confusions réelles du corpus.
- Composer un quizPageUne sélection sur mesure, qui tient dans un lien.
- Qui écrit ce lexiquePageLa méthode, la responsabilité éditoriale, et qui répond des erreurs.
- Citer ce lexiquePageFormats de citation, licence CC BY 4.0, ce que l’attribution demande.
- Correspondances FR · ENPageLe terme français, son équivalent anglais, et son étage.
- Vos donnéesPageCe que le site conserve, où, et pendant combien de temps.