Glossaire de l’IA : les termes clés expliqués simplement

Les mots à connaître pour suivre une conversation sur les LLM, le RAG et les agents d’IA.

Agent d’IA
Système qui poursuit un objectif : il planifie, utilise des outils, observe les résultats et s’ajuste, avec validation humaine si nécessaire. Voir le guide.
Assistant d’IA
Outil qui aide sur des tâches ciblées, souvent guidé pas à pas par l’utilisateur, avec des intégrations limitées.
Base vectorielle
Base de données qui stocke des embeddings pour retrouver rapidement les contenus dont le sens est proche d’une question. Utilisée dans un RAG.
Chatbot
Programme conversationnel qui répond par du texte. Il n’agit pas, par défaut, sur d’autres outils.
Chunking (découpage)
Découpage des documents en fragments de taille adaptée avant de les indexer dans un RAG. La qualité du découpage influence la qualité des réponses.
Deep learning
Famille de méthodes d’apprentissage automatique fondées sur des réseaux de neurones à de nombreuses couches.
Embedding
Représentation numérique du sens d’un texte (une suite de nombres). Deux textes de sens proche ont des embeddings proches.
Fenêtre de contexte
Quantité maximale de texte (en tokens) qu’un modèle peut prendre en compte en une fois : consigne, documents fournis et réponse.
Fine-tuning (entraînement complémentaire)
Poursuite de l’entraînement d’un modèle sur des données spécifiques pour adapter son comportement ou son style.
Garde-fous
Règles et limites qui encadrent un agent : périmètre d’action, droits d’accès, validations humaines, journalisation.
Hallucination
Réponse plausible mais fausse produite par un modèle de langage. Elle s’explique par la façon dont il génère du texte, et se réduit avec des sources fiables (RAG) et de la vérification.
Inférence
Utilisation d’un modèle déjà entraîné pour produire une réponse.
LLM (grand modèle de langage)
Modèle d’IA entraîné sur de grandes quantités de texte pour comprendre et générer du langage. Base des assistants et des agents actuels.
Machine learning (apprentissage automatique)
Méthodes où un système apprend à partir d’exemples plutôt que de suivre des règles écrites à la main.
MCP (Model Context Protocol)
Protocole ouvert qui standardise la connexion d’applications d’IA à des outils et à des données. Voir l’article dédié.
Modèle ouvert (à poids ouverts)
Modèle dont les paramètres sont publiés, ce qui permet de l’exécuter soi-même, par exemple en local, selon sa licence.
Multimodal
Se dit d’un modèle capable de traiter plusieurs types de contenus : texte, image, parfois audio.
Prompt (consigne)
Texte envoyé à un modèle pour lui indiquer ce qu’on attend : instruction, contexte, exemples, format de réponse.
RAG (Retrieval-Augmented Generation)
Méthode qui recherche des passages pertinents dans vos documents puis les fournit à un modèle pour qu’il réponde avec des sources. Voir l’article dédié.
Token
Unité de texte utilisée par un modèle : un mot, une partie de mot ou un signe. La taille d’un texte et le coût d’usage se mesurent souvent en tokens.
Transformer
Architecture de réseau de neurones présentée en 2017 dans l’article « Attention Is All You Need », à la base des LLM modernes.

Kairos AI Academy

Apprendre à utiliser les modèles, comprendre le RAG et construire un agent adapté à votre métier — sans jargon inutile.

Demander le programme