Aller au contenu
Cohivia
Diagnostic (nouvelle fenêtre)

Lexique

Lexique de l'intelligence artificielle

56 termes d'IA (LLM, RAG, agent, RGPD…) définis simplement, sans jargon. Pour comprendre un projet d'automatisation en entreprise ou en collectivité.

56 termes

Fondamentaux

AGI

Artificial General Intelligence

Intelligence artificielle générale

Intermédiaire

AGI, qu'est-ce que c'est ?

L'intelligence artificielle générale désigne une IA hypothétique qui égalerait l'humain sur n'importe quelle tâche intellectuelle, en s'adaptant seule à des situations nouvelles. C'est un objectif de recherche et un sujet de débat : aucune IA existante n'y correspond.

Les IA actuelles, même impressionnantes, restent « étroites » : excellentes sur des tâches précises, sans véritable compréhension générale. L'AGI relève encore de la prospective.

Pourquoi ça compte

Le terme revient souvent dans les discours marketing ou alarmistes. Savoir qu'on n'y est pas évite de surestimer (ou de craindre) les outils réellement disponibles.

À ne pas confondre avec intelligence artificielle

L'IA d'aujourd'hui est « étroite » (spécialisée) ; l'AGI serait « générale ». Les confondre mène à des attentes irréalistes.

Voir aussi

Algorithm

Algorithme

Débutant

Algorithm, qu'est-ce que c'est ?

Un algorithme est une suite d'instructions précises qu'un ordinateur suit pour accomplir une tâche, un peu comme une recette de cuisine étape par étape. En IA, les algorithmes décrivent comment un modèle apprend des données et comment il calcule ses réponses.

Le mot est très général : trier une liste, calculer un itinéraire ou entraîner un réseau de neurones sont tous des algorithmes. Ce qui change, c'est leur complexité.

Pourquoi ça compte

C'est le vocabulaire de base pour discuter avec une équipe technique. Distinguer « l'algorithme » (la méthode) des « données » (la matière) clarifie beaucoup de conversations.

Voir aussi

Deep Learning

Apprentissage profond

Intermédiaire

Deep Learning, qu'est-ce que c'est ?

L'apprentissage profond est une forme avancée d'apprentissage automatique qui s'appuie sur des réseaux de neurones comportant de nombreuses couches. Cette profondeur lui permet de repérer des motifs très complexes (reconnaître un visage, traduire une phrase, générer une image) directement à partir des données brutes.

C'est la technique qui a fait décoller l'IA moderne, des assistants vocaux aux modèles de langage. En contrepartie, elle réclame beaucoup de données et de puissance de calcul.

Pourquoi ça compte

C'est le moteur sous le capot des outils les plus impressionnants. Savoir qu'il a besoin de données et de calcul aide à comprendre pourquoi certains projets coûtent plus cher que d'autres.

À ne pas confondre avec machine learning

Tout apprentissage profond est de l'apprentissage automatique, mais l'inverse est faux : beaucoup de modèles simples n'utilisent pas de réseaux profonds.

Voir aussi

Generative AI

IA générative

Débutant

Generative AI, qu'est-ce que c'est ?

L'IA générative regroupe les IA capables de créer du contenu nouveau (texte, image, son, code, vidéo) plutôt que de simplement classer ou prédire. Au lieu de répondre « ceci est un chat », elle peut dessiner un chat ou écrire une histoire de chat à la demande.

Elle s'appuie le plus souvent sur de très grands modèles entraînés sur d'immenses corpus. Les assistants de rédaction et les générateurs d'images en sont les exemples les plus connus.

Pourquoi ça compte

C'est la famille d'outils qui a déclenché la vague actuelle. Pour une entreprise ou une collectivité, elle ouvre des usages concrets : rédaction, synthèse, création visuelle, assistance.

À ne pas confondre avec LLM

Un LLM est un type d'IA générative spécialisé dans le texte ; l'IA générative couvre aussi l'image, l'audio et la vidéo.

Voir aussi

IA

Artificial Intelligence

Intelligence artificielle

Débutant

IA, qu'est-ce que c'est ?

L'intelligence artificielle désigne des programmes informatiques capables de réaliser des tâches qui demandent normalement de l'intelligence humaine : comprendre du texte, reconnaître une image, recommander un produit ou prendre une décision. Ce n'est pas une machine consciente, mais un logiciel très entraîné à repérer des régularités dans d'énormes quantités de données.

Le terme regroupe beaucoup de techniques différentes, des plus simples (un filtre anti-spam) aux plus avancées (les modèles de langage). On parle d'IA dès qu'un programme apprend à partir d'exemples plutôt que de suivre des règles écrites une à une.

Pourquoi ça compte

C'est le mot-parapluie sous lequel se rangent tous les outils dont on parle partout. Bien le cadrer évite les fantasmes (la machine qui pense) et permet de raisonner en tâches concrètes à automatiser.

À ne pas confondre avec LLM

Un LLM est une sous-catégorie d'IA spécialisée dans le texte. Toute IA n'est pas un LLM (reconnaissance d'image, recommandation…).

Voir aussi

ML

Machine Learning

Apprentissage automatique

Débutant

ML, qu'est-ce que c'est ?

L'apprentissage automatique est la branche de l'IA où un programme apprend à partir d'exemples au lieu d'être programmé règle par règle. On lui montre beaucoup de données (des milliers de photos de chats, par exemple) et il en déduit tout seul les régularités pour traiter ensuite de nouveaux cas.

Plus les exemples sont nombreux et de qualité, meilleur est le résultat. C'est la mécanique derrière la quasi-totalité des IA modernes, des recommandations en ligne à la détection de fraude.

Pourquoi ça compte

C'est le principe de base à retenir : une IA n'est pas « codée » pour chaque situation, elle est « entraînée ». La qualité des données compte donc autant que la technologie.

À ne pas confondre avec deep learning

Le deep learning est une forme avancée d'apprentissage automatique, qui utilise des réseaux de neurones à plusieurs couches.

Voir aussi

Neural Network

Réseau de neurones

Intermédiaire

Neural Network, qu'est-ce que c'est ?

Un réseau de neurones est un système informatique inspiré du cerveau : des milliers de petites unités de calcul (les « neurones ») connectées entre elles. Chaque connexion a un poids ajustable, et c'est en réglant tous ces poids pendant l'entraînement que le réseau apprend à reconnaître ou à générer quelque chose.

On l'organise en couches : l'information entre d'un côté, traverse les couches et ressort transformée de l'autre. Les modèles d'IA actuels en comptent un très grand nombre.

Pourquoi ça compte

C'est la brique fondamentale du deep learning. Comprendre qu'« apprendre » revient à régler des millions de réglages internes démystifie la fameuse « boîte noire ».

À ne pas confondre avec paramètres

Les paramètres sont précisément ces poids ajustables du réseau ; leur nombre mesure la « taille » d'un modèle.

Voir aussi

Training Data

Données d'entraînement

Débutant

Training Data, qu'est-ce que c'est ?

Les données d'entraînement sont les exemples qu'on montre à une IA pour qu'elle apprenne. Comme un élève qui révise sur des exercices, le modèle se construit une « expérience » à partir de ces données : leur quantité et leur qualité déterminent en grande partie ce qu'il saura faire.

Des données incomplètes ou biaisées produisent une IA incomplète ou biaisée. C'est le principe « ce qui entre détermine ce qui sort » : la matière première conditionne le résultat.

Pourquoi ça compte

Pour une organisation, c'est souvent là que se joue la réussite d'un projet IA : avoir des données propres, bien rangées et représentatives compte plus que le choix du modèle.

À ne pas confondre avec biais

Un biais présent dans les données d'entraînement se retrouve mécaniquement dans les décisions du modèle.

Voir aussi

Modèles & langage

Context Window

Fenêtre de contexte

Intermédiaire

Context Window, qu'est-ce que c'est ?

La fenêtre de contexte est la quantité de texte qu'un modèle peut prendre en compte en une seule fois, sa « mémoire de travail » immédiate, mesurée en tokens. Tout ce qui dépasse cette limite est oublié ou doit être résumé.

Plus la fenêtre est grande, plus on peut fournir de documents ou d'historique d'un coup. Mais une très longue entrée coûte plus cher et peut diluer l'attention du modèle.

Pourquoi ça compte

C'est ce qui détermine si une IA peut « lire » un long rapport ou suivre une conversation étendue. Connaître cette limite évite de lui en demander plus qu'elle ne peut tenir.

À ne pas confondre avec token

La fenêtre se mesure en tokens : c'est le plafond, le token est l'unité.

Voir aussi

Foundation Model

Modèle de fondation

Intermédiaire

Foundation Model, qu'est-ce que c'est ?

Un modèle de fondation est une très grande IA pré-entraînée sur d'immenses quantités de données généralistes, qui sert ensuite de base à de multiples usages. Plutôt que de repartir de zéro pour chaque besoin, on adapte ce socle commun, comme un moteur polyvalent qu'on installe dans différents véhicules.

Les modèles de langage et d'image les plus connus sont des modèles de fondation. On les spécialise ensuite par affinage ou par RAG pour un métier précis.

Pourquoi ça compte

Cela explique pourquoi quelques grands modèles servent à tant d'applications. Pour un projet, on part presque toujours d'un modèle de fondation existant plutôt que d'en créer un.

À ne pas confondre avec fine-tuning

Le modèle de fondation est le socle généraliste ; le fine-tuning est l'étape qui le spécialise pour un besoin précis.

Voir aussi

Hallucination

Hallucination

Débutant

Hallucination, qu'est-ce que c'est ?

Une hallucination, c'est quand une IA invente une information fausse en la présentant avec assurance, comme si elle était vraie. Elle ne ment pas volontairement : elle génère le texte le plus plausible statistiquement, même quand elle ne « sait » pas réellement la réponse.

Cela arrive surtout sur des questions très précises, récentes ou hors de son champ de connaissance. Plus on lui demande des faits vérifiables (chiffres, dates, citations), plus le risque est réel.

Pourquoi ça compte

C'est LA raison pour laquelle une IA ne se déploie jamais sans garde-fous : vérification humaine sur les décisions importantes, et techniques comme le RAG pour ancrer les réponses dans des sources fiables.

À ne pas confondre avec biais

Une hallucination est une invention ponctuelle ; un biais est une distorsion systématique héritée des données.

Voir aussi

LLM

Large Language Model

Grand modèle de langage

Débutant

LLM, qu'est-ce que c'est ?

Un LLM est un programme d'IA entraîné à lire et écrire du texte. En analysant des milliards de phrases, il a appris à prédire le mot le plus probable après un autre, un peu comme la saisie automatique de ton téléphone, mais infiniment plus puissante. C'est ce qui fait fonctionner des outils comme ChatGPT ou Claude.

Il ne « comprend » pas comme un humain : il calcule des probabilités. Plus il a vu d'exemples pendant son entraînement, plus ses réponses sont pertinentes. Sa connaissance s'arrête à la fin de cet entraînement, sauf s'il est relié à une recherche web.

Pourquoi ça compte

C'est la brique de base de presque tous les outils IA actuels. Comprendre ce qu'un LLM sait faire (et ne sait pas faire) évite d'en attendre de la magie et permet de l'utiliser là où il crée vraiment de la valeur.

À ne pas confondre avec IA générative

Le LLM est une forme d'IA générative dédiée au texte ; l'IA générative couvre aussi l'image et le son.

Voir aussi
Découvrir nos agents IA qui s'appuient sur des LLM

Multimodal AI

IA multimodale

Débutant

Multimodal AI, qu'est-ce que c'est ?

Une IA multimodale sait traiter plusieurs types d'information à la fois (texte, image, son, parfois vidéo) au lieu d'un seul. On peut par exemple lui envoyer la photo d'un document et lui poser une question écrite à son sujet, et elle répond en comprenant les deux.

Cette polyvalence devient la norme sur les modèles récents. Elle ouvre des usages riches : décrire une image, lire un graphique, dialoguer à la voix.

Pourquoi ça compte

Pour le terrain, cela élargit beaucoup les cas d'usage : analyser une photo de pièce défectueuse, lire un PDF scanné, dicter une demande. Moins de saisie manuelle, plus de fluidité.

À ne pas confondre avec LLM

Un LLM classique ne traite que du texte ; un modèle multimodal y ajoute l'image, le son ou la vidéo.

Voir aussi

Open-Source Model

Modèle open source

Intermédiaire

Open-Source Model, qu'est-ce que c'est ?

Un modèle open source est une IA dont les « poids » sont publiés librement, ce qui permet à quiconque de le télécharger, de l'héberger et de l'adapter. À l'inverse, un modèle fermé n'est accessible qu'à travers l'API de son éditeur.

L'open source offre plus de contrôle et la possibilité de tout faire tourner chez soi ; les modèles fermés sont souvent en pointe mais imposent de passer par un service externe. Mistral (français) ou Llama en sont des exemples.

Pourquoi ça compte

Pour une entreprise ou une collectivité soucieuse de souveraineté, un modèle open source hébergé en interne garde les données chez soi, sans dépendance à un fournisseur étranger.

À ne pas confondre avec self-hosting

Open source = on a le droit d'héberger le modèle ; self-hosting = on l'héberge effectivement sur sa propre infrastructure.

Voir aussi
Pourquoi nous privilégions un déploiement souverain

Parameters

Paramètres

Intermédiaire

Parameters, qu'est-ce que c'est ?

Les paramètres d'un modèle sont ses réglages internes ajustés pendant l'entraînement, les fameux « poids » des connexions du réseau de neurones. Leur nombre, souvent des milliards, donne une idée de la taille et de la capacité d'un modèle.

Plus de paramètres permet en général de capturer des motifs plus fins, mais demande plus de calcul et de mémoire. Ce n'est pas le seul critère de qualité : la donnée et l'entraînement comptent autant.

Pourquoi ça compte

Quand on compare des modèles, le nombre de paramètres revient souvent. Savoir que « plus gros » n'est pas toujours « mieux » aide à choisir un modèle adapté, pas surdimensionné.

À ne pas confondre avec réseau de neurones

Les paramètres sont les réglages ; le réseau de neurones est la structure qui les contient.

Voir aussi

Reasoning Model

Modèle de raisonnement

Intermédiaire

Reasoning Model, qu'est-ce que c'est ?

Un modèle de raisonnement est une IA qui prend le temps de « réfléchir » avant de répondre : au lieu de produire une réponse d'un seul jet, il décompose le problème en étapes intermédiaires. Cette réflexion supplémentaire améliore nettement ses résultats sur les questions complexes (calcul, code, logique).

Cette « réflexion » consomme plus de temps et de puissance, donc coûte plus cher par réponse. On la réserve aux problèmes difficiles, et on garde un modèle rapide pour le reste.

Pourquoi ça compte

Concrètement, on ne paie ce surcoût que là où il compte. Aiguiller les questions simples vers un modèle rapide et les questions ardues vers un modèle de raisonnement optimise qualité et budget.

À ne pas confondre avec chaîne de pensée

La chaîne de pensée est la technique (montrer les étapes) ; le modèle de raisonnement est un modèle entraîné à l'appliquer automatiquement.

Voir aussi

SLM

Small Language Model

Petit modèle de langage

Intermédiaire

SLM, qu'est-ce que c'est ?

Un petit modèle de langage est une version compacte de LLM, avec beaucoup moins de paramètres. Moins puissant qu'un grand modèle sur les tâches difficiles, il est en revanche plus rapide, moins cher et assez léger pour tourner sur du matériel modeste, voire en local.

Pour de nombreux usages ciblés (classer des messages, extraire une information) un petit modèle bien choisi suffit largement. La tendance est d'utiliser le bon modèle pour la bonne tâche.

Pourquoi ça compte

C'est un levier d'économie et de souveraineté : un petit modèle peut s'héberger soi-même, sur ses propres serveurs, sans dépendre d'une API externe. Idéal quand la confidentialité prime.

À ne pas confondre avec LLM

Un SLM est un LLM en plus petit : même principe, échelle réduite, compromis puissance/coût différent.

Voir aussi
Notre approche de l'hébergement souverain

Token

Token (jeton)

Intermédiaire

Token, qu'est-ce que c'est ?

Un token est l'unité de base que manipule un modèle de langage : un petit morceau de texte, souvent un mot ou un bout de mot. Avant de traiter une phrase, l'IA la découpe en tokens ; c'est en tokens qu'on mesure la longueur des textes et, le plus souvent, le coût d'utilisation.

En gros, quelques caractères forment un token, et une page de texte en compte plusieurs centaines. Un texte plus long = plus de tokens = plus de calcul.

Pourquoi ça compte

C'est l'unité qui sert à facturer la plupart des IA et à fixer les limites de longueur. Comprendre les tokens aide à estimer un coût et à éviter les surprises.

À ne pas confondre avec fenêtre de contexte

Le token est l'unité ; la fenêtre de contexte est le nombre maximum de tokens que le modèle peut lire d'un coup.

Voir aussi

Techniques & méthodes

Chain of Thought

Chaîne de pensée

Intermédiaire

Chain of Thought, qu'est-ce que c'est ?

La chaîne de pensée est une technique qui consiste à demander à une IA de détailler son raisonnement étape par étape avant de conclure, plutôt que de répondre directement. En « montrant son travail », le modèle se trompe moins sur les problèmes qui demandent de la logique.

C'est ce mécanisme qu'automatisent les modèles de raisonnement. La réflexion affichée aide aussi à vérifier comment une réponse a été obtenue.

Pourquoi ça compte

Pour des tâches d'analyse ou de calcul, demander le raisonnement améliore la fiabilité et rend la réponse plus facile à contrôler par un humain.

À ne pas confondre avec modèle de raisonnement

La chaîne de pensée est la méthode ; un modèle de raisonnement est entraîné à l'appliquer tout seul.

Voir aussi

Context Engineering

Ingénierie du contexte

Intermédiaire

Context Engineering, qu'est-ce que c'est ?

Le context engineering consiste à organiser tout ce qu'une IA reçoit pour répondre : pas seulement la question, mais aussi les bons documents, l'historique utile, les outils disponibles et les règles à suivre. L'idée : donner au modèle la bonne information, au bon moment, sans le noyer.

C'est l'évolution naturelle du prompt engineering pour les applications avancées et les agents. Bien doser le contexte améliore la justesse et réduit le coût.

Pourquoi ça compte

Dans une vraie application IA, la performance dépend moins du modèle que de la qualité du contexte qu'on lui assemble. C'est souvent là que se gagne la fiabilité d'un projet.

À ne pas confondre avec prompt engineering

Le prompt engineering optimise une consigne ; le context engineering orchestre l'ensemble des informations autour de cette consigne.

Voir aussi

Distillation

Distillation

Avancé

Distillation, qu'est-ce que c'est ?

La distillation consiste à entraîner un petit modèle à imiter un grand : le « professeur » montre ses réponses, l'« élève » apprend à les reproduire. On obtient un modèle plus léger et plus rapide, qui conserve une bonne partie de la qualité de l'original.

C'est l'une des techniques qui rendent les petits modèles performants. Elle réduit les coûts d'utilisation tout en limitant la perte de qualité.

Pourquoi ça compte

C'est un levier d'efficacité : faire tourner un modèle distillé coûte moins cher et peut s'envisager en interne, sur du matériel modeste.

À ne pas confondre avec fine-tuning

L'affinage spécialise un modèle sur un domaine ; la distillation compresse un gros modèle dans un plus petit.

Voir aussi

Embeddings

Plongements (embeddings)

Intermédiaire

Embeddings, qu'est-ce que c'est ?

Un embedding transforme un texte (ou une image) en une liste de nombres qui capture son sens. Deux contenus proches par le sens obtiennent des nombres proches : c'est ce qui permet à une machine de « comparer des idées » et de retrouver ce qui se ressemble, même sans mots identiques.

C'est la mécanique derrière la recherche par sens et le RAG : on convertit tout en embeddings, puis on cherche les plus proches d'une question. On les range dans une base vectorielle.

Pourquoi ça compte

C'est ce qui rend possible une recherche interne intelligente : retrouver le bon document même si l'utilisateur n'emploie pas les mots exacts du texte. Un gain de temps réel sur la connaissance d'entreprise.

À ne pas confondre avec base de données vectorielle

Les embeddings sont les nombres ; la base vectorielle est l'endroit où on les stocke et où on les interroge.

Voir aussi

Fine-Tuning

Affinage

Intermédiaire

Fine-Tuning, qu'est-ce que c'est ?

Le fine-tuning consiste à reprendre un modèle déjà entraîné et à le ré-entraîner un peu plus sur des exemples spécifiques, pour le spécialiser. On part d'un modèle généraliste et on l'« affine » à un ton, un domaine ou une tâche particulière.

C'est plus lourd et plus coûteux que le RAG, et cela fige les connaissances apprises. On le réserve aux cas où l'on veut surtout changer le style ou le comportement du modèle, pas lui donner des faits à jour.

Pourquoi ça compte

Bien choisir entre affinage et RAG évite de dépenser inutilement : souvent, le RAG répond au besoin (donner accès à des données), et le fine-tuning n'est utile que pour un comportement très spécifique.

À ne pas confondre avec RAG

Affinage = on modifie le modèle ; RAG = on lui fournit des documents sans le modifier. Pour des données qui changent souvent, le RAG est presque toujours préférable.

Voir aussi

MoE

Mixture of Experts

Mélange d'experts

Avancé

MoE, qu'est-ce que c'est ?

Le mélange d'experts est une architecture où un grand modèle est découpé en plusieurs « experts » spécialisés, et où seule une partie d'entre eux s'active à chaque requête. Le modèle reste très puissant, mais n'utilise qu'une fraction de ses capacités à la fois, ce qui économise du calcul.

Cela permet d'avoir de très gros modèles tout en gardant un coût d'utilisation raisonnable. Un « routeur » interne choisit les experts pertinents pour chaque entrée.

Pourquoi ça compte

C'est un détail d'architecture, mais il explique pourquoi certains modèles offrent un très bon rapport puissance/coût. Utile à connaître quand on compare des offres.

À ne pas confondre avec système multi-agent

Le mélange d'experts vit à l'intérieur d'un seul modèle ; un système multi-agent fait collaborer plusieurs IA distinctes.

Voir aussi

Prompt

Prompt (consigne)

Débutant

Prompt, qu'est-ce que c'est ?

Un prompt est la consigne qu'on donne à une IA : la question, l'instruction ou le contexte qu'on lui écrit pour obtenir une réponse. La qualité du prompt influence énormément la qualité du résultat : bien demander, c'est déjà à moitié réussir.

Un bon prompt est clair, précis, et donne du contexte et des exemples. Un prompt vague produit une réponse vague.

Pourquoi ça compte

C'est le premier levier, gratuit et immédiat, pour tirer parti d'une IA. Apprendre à bien formuler ses demandes améliore les résultats sans aucune technologie supplémentaire.

À ne pas confondre avec prompt engineering

Le prompt est la consigne elle-même ; le prompt engineering est l'art de concevoir des consignes efficaces et réutilisables.

Voir aussi

Prompt Engineering

Ingénierie des prompts

Intermédiaire

Prompt Engineering, qu'est-ce que c'est ?

Le prompt engineering est la pratique consistant à concevoir et affiner les consignes données à une IA pour obtenir des résultats fiables et reproductibles. C'est un mélange de méthode et d'expérimentation : structurer la demande, donner des exemples, préciser le format attendu.

Au-delà d'un message ponctuel, il s'agit de bâtir des consignes robustes, réutilisables dans une application. C'est devenu un savoir-faire à part entière.

Pourquoi ça compte

Bien maîtrisé, il permet d'obtenir des sorties stables et professionnelles, indispensable dès qu'une IA est intégrée à un outil métier et non juste utilisée à la main.

À ne pas confondre avec context engineering

Le prompt engineering soigne la consigne ; le context engineering, plus large, organise toutes les informations fournies au modèle.

Voir aussi

RAG

Retrieval-Augmented Generation

Génération augmentée par récupération

Intermédiaire

RAG, qu'est-ce que c'est ?

Le RAG est une technique qui permet à une IA de répondre en s'appuyant sur des documents précis qu'on lui fournit, plutôt que sur sa seule mémoire. Avant de répondre, elle va chercher les passages utiles dans une base de connaissances, puis rédige sa réponse à partir de ces extraits.

Concrètement, on transforme tes documents en une base consultable et l'IA y pioche les bons morceaux à chaque question. Résultat : des réponses ancrées dans TES données (procédures internes, catalogue, réglementation) au lieu de généralités.

Pourquoi ça compte

C'est la méthode reine pour qu'une IA réponde juste sur le contexte propre d'une entreprise ou d'une collectivité, sans inventer. C'est aussi plus économique et plus sûr que de réentraîner un modèle entier.

À ne pas confondre avec fine-tuning

Le fine-tuning modifie le modèle lui-même ; le RAG laisse le modèle intact et lui donne les documents au moment de répondre.

Voir aussi
Voir comment nous construisons un agent qui interroge vos documents

RLHF

Reinforcement Learning from Human Feedback

Apprentissage par renforcement sur retours humains

Avancé

RLHF, qu'est-ce que c'est ?

Le RLHF est une méthode pour aligner une IA sur les préférences humaines : des personnes notent ses réponses, et le modèle est ré-entraîné pour produire davantage de ce qui a été jugé bon. C'est en partie ce qui rend les assistants modernes utiles et polis.

Cette étape intervient après l'entraînement initial. Elle façonne le « comportement » du modèle plus que ses connaissances brutes.

Pourquoi ça compte

C'est ce qui explique qu'un même modèle puisse être serviable ou non selon la façon dont il a été aligné. Un sujet plus technique, mais utile pour comprendre d'où vient le « caractère » d'une IA.

À ne pas confondre avec fine-tuning

Le RLHF est une forme particulière d'affinage, guidée par des évaluations humaines plutôt que par des exemples figés.

Voir aussi

Agents & automatisation

A2A

Agent-to-Agent

Protocole agent-à-agent

Intermédiaire

A2A, qu'est-ce que c'est ?

L'A2A est un standard ouvert qui permet à des agents IA de communiquer et de se déléguer des tâches entre eux, même s'ils ont été construits séparément. Là où le MCP connecte une IA à des outils, l'A2A connecte les agents les uns aux autres.

Porté à l'origine par Google, il vise à faire travailler ensemble des agents d'origines différentes au sein d'un même processus. C'est une brique clé des systèmes multi-agents.

Pourquoi ça compte

À mesure que les organisations déploient plusieurs agents, ce type de standard évite les intégrations sur mesure fragiles et facilite des écosystèmes d'agents qui coopèrent.

À ne pas confondre avec MCP

A2A = agents qui se parlent entre eux ; MCP = un agent qui accède à des outils et des données.

Voir aussi

Agentic AI

IA agentique

Intermédiaire

Agentic AI, qu'est-ce que c'est ?

L'IA agentique désigne les systèmes d'IA conçus pour poursuivre des objectifs de façon autonome : planifier, décider des étapes, utiliser des outils et s'ajuster, avec peu de supervision humaine continue. C'est l'approche qui fait passer l'IA de « répondre » à « accomplir ».

C'est la tendance de fond des outils d'IA : non plus de simples assistants, mais des agents qui mènent des tâches à bien. Cela demande des garde-fous solides, car plus d'autonomie veut dire plus d'impact en cas d'erreur.

Pourquoi ça compte

C'est le cap que prennent les déploiements en entreprise. Bien encadrée (règles, validations humaines) l'IA agentique automatise des processus complets ; mal encadrée, elle multiplie les risques.

À ne pas confondre avec agent IA

« Agent IA » désigne un programme précis ; « IA agentique » désigne l'approche générale et la catégorie d'outils autonomes.

Voir aussi
Notre méthode pour déployer des agents IA encadrés

AI Agent

Agent IA

Intermédiaire

AI Agent, qu'est-ce que c'est ?

Un agent IA est un programme capable non seulement de répondre, mais d'agir : il enchaîne plusieurs étapes, utilise des outils (envoyer un e-mail, chercher dans une base, remplir un formulaire) et poursuit un objectif avec une certaine autonomie, au lieu de se contenter d'une réponse unique.

Là où un chatbot attend chaque message, un agent peut décider lui-même de la prochaine action pour atteindre un but. Il reste cadré par des règles et, sur les décisions sensibles, c'est un humain qui tranche.

Pourquoi ça compte

C'est ce qui transforme l'IA d'un assistant qui parle en un collaborateur qui exécute. Pour une organisation, c'est le passage de « gagner du temps de rédaction » à « automatiser un processus entier ».

À ne pas confondre avec chatbot

Un chatbot répond ; un agent agit et enchaîne des tâches. Tout agent peut discuter, mais tout chatbot n'est pas un agent.

Voir aussi
Voir nos agents IA prêts à déployer

Function Calling / Tool Use

Appel de fonction

Intermédiaire

Function Calling / Tool Use, qu'est-ce que c'est ?

L'appel de fonction permet à une IA de déclencher une action concrète au lieu de seulement écrire du texte : interroger une base, envoyer un e-mail, créer une fiche. Le modèle « décide » quel outil utiliser et avec quels paramètres, et le système l'exécute pour lui.

C'est ce qui donne des « mains » à un modèle de langage et rend les agents possibles. Chaque outil est décrit au modèle, qui choisit de l'appeler quand c'est pertinent.

Pourquoi ça compte

C'est le mécanisme qui fait passer l'IA de la conversation à l'action dans vos outils métier, la base de toute automatisation un peu sérieuse.

À ne pas confondre avec MCP

L'appel de fonction est la capacité d'utiliser un outil ; le MCP est un standard pour décrire et exposer ces outils de façon uniforme.

Voir aussi

HITL

Human-in-the-Loop

Humain dans la boucle

Intermédiaire

HITL, qu'est-ce que c'est ?

« Humain dans la boucle » désigne le principe de garder une personne aux points clés d'un processus automatisé : l'IA prépare, propose ou alerte, mais un humain valide les décisions importantes avant qu'elles ne produisent un effet.

On l'applique là où une erreur coûterait cher ou engagerait la responsabilité : envoi officiel, décision sur un dossier, action irréversible. L'IA accélère, l'humain garde la main.

Pourquoi ça compte

C'est le garde-fou de base d'un déploiement responsable, et souvent une attente réglementaire. Cela rassure les équipes et limite les risques liés à l'autonomie de l'IA.

À ne pas confondre avec IA agentique

L'IA agentique vise l'autonomie ; l'humain dans la boucle réintroduit volontairement des points de contrôle humains.

Voir aussi

MCP

Model Context Protocol

Protocole de contexte de modèle

Intermédiaire

MCP, qu'est-ce que c'est ?

Le MCP est un standard ouvert qui permet de brancher une IA sur des outils et des sources de données externes de façon uniforme, un peu comme une prise universelle. Au lieu de développer une connexion sur mesure pour chaque service, on expose un « connecteur » MCP que l'IA sait utiliser.

Initié par Anthropic, il s'est imposé comme la façon standard de connecter un modèle à des fichiers, des bases ou des applications. Beaucoup d'outils et d'éditeurs le prennent en charge.

Pourquoi ça compte

Pour une organisation, c'est un gage de pérennité et d'interopérabilité : on connecte ses systèmes une fois, proprement, sans être enfermé dans une solution propriétaire.

À ne pas confondre avec A2A

Le MCP relie une IA à des outils et des données ; l'A2A fait communiquer des agents entre eux. Deux protocoles complémentaires.

Voir aussi
Comment nous connectons l'IA à vos outils existants

Multi-Agent Orchestration

Orchestration multi-agent

Intermédiaire

Multi-Agent Orchestration, qu'est-ce que c'est ?

L'orchestration multi-agent consiste à faire collaborer plusieurs agents IA spécialisés sur une même mission : un agent trie les demandes, un autre traite la facturation, un autre rédige la réponse, sous la supervision d'un « chef d'orchestre » qui coordonne et contrôle.

Chaque agent se concentre sur ce qu'il fait de mieux, ce qui rend le système plus robuste mais aussi plus complexe à concevoir et à surveiller. On n'y recourt que quand un seul agent ne suffit pas.

Pourquoi ça compte

Pour des processus riches (support, back-office) répartir le travail entre agents spécialisés peut faire gagner en fiabilité, à condition de garder une supervision claire et des règles de gouvernance.

À ne pas confondre avec mélange d'experts

Le multi-agent fait collaborer plusieurs IA distinctes ; le mélange d'experts répartit le travail à l'intérieur d'un seul modèle.

Voir aussi

n8n

n8n

Débutant

n8n, qu'est-ce que c'est ?

n8n est un outil d'automatisation qui permet de relier visuellement des applications et des services entre eux, sans tout coder. On y assemble des workflows en connectant des « nœuds » (déclencheur, action, condition…), et on peut y intégrer des étapes d'IA.

Particularité : n8n peut s'héberger sur ses propres serveurs, ce qui garde les données et la logique d'automatisation chez soi. C'est un atout pour la confidentialité et la souveraineté.

Pourquoi ça compte

Pour une entreprise ou une collectivité, c'est un moyen souple et maîtrisé d'automatiser des processus tout en gardant le contrôle de ses données, sans dépendre d'un service en boîte noire.

À ne pas confondre avec workflow

Le workflow est le concept (l'enchaînement d'étapes) ; n8n est l'un des outils qui sert à le construire.

Voir aussi
Nos automatisations sur n8n auto-hébergé

Workflow

Flux de travail (workflow)

Débutant

Workflow, qu'est-ce que c'est ?

Un workflow est une suite d'étapes automatisées qui s'enchaînent : un événement déclenche une action, qui en déclenche une autre, et ainsi de suite. Par exemple : un e-mail arrive, l'IA en extrait l'information, une fiche est créée, une notification est envoyée.

On le conçoit souvent visuellement, en reliant des « briques » entre elles. Une IA peut être l'une de ces briques, ou orchestrer l'ensemble.

Pourquoi ça compte

C'est la forme la plus concrète d'automatisation : moins de tâches répétitives, moins d'erreurs de copier-coller, des processus qui tournent tout seuls.

À ne pas confondre avec agent IA

Un workflow suit un chemin défini à l'avance ; un agent décide lui-même des étapes selon la situation.

Voir aussi
Construire vos automatisations métier

Données & infrastructure

API

Application Programming Interface

Interface de programmation

Débutant

API, qu'est-ce que c'est ?

Une API est une porte d'entrée standardisée qui permet à deux logiciels de se parler. Pour l'IA, c'est ainsi qu'une application envoie une requête à un modèle (« voici un texte, résume-le ») et en reçoit la réponse, sans avoir à héberger le modèle elle-même.

C'est pratique et rapide à mettre en place, mais les données transitent par le fournisseur du modèle. Le choix entre passer par une API ou héberger soi-même dépend des enjeux de confidentialité.

Pourquoi ça compte

C'est la brique d'intégration de base : savoir ce qu'est une API aide à comprendre comment l'IA se branche réellement sur vos outils, et où passent vos données.

À ne pas confondre avec self-hosting

Passer par une API = utiliser le modèle d'un fournisseur à distance ; le self-hosting = faire tourner le modèle sur sa propre infrastructure.

Voir aussi

GPU

Graphics Processing Unit

Processeur graphique

Intermédiaire

GPU, qu'est-ce que c'est ?

Un GPU est un processeur spécialisé, conçu à l'origine pour les jeux vidéo, mais très efficace pour les calculs massivement parallèles de l'IA. C'est le matériel qui entraîne et fait tourner les modèles ; sa puissance et sa rareté pèsent sur les coûts.

Entraîner un grand modèle demande de nombreux GPU pendant longtemps. Les faire tourner (inférence) en demande aussi, à plus petite échelle.

Pourquoi ça compte

C'est la ressource physique derrière l'IA. Comprendre qu'elle est coûteuse et convoitée éclaire les prix des services et l'intérêt de modèles plus légers.

Voir aussi

Inference

Inférence

Intermédiaire

Inference, qu'est-ce que c'est ?

L'inférence, c'est le moment où un modèle déjà entraîné est utilisé pour produire une réponse. On distingue l'entraînement (apprendre, une seule fois, très coûteux) de l'inférence (répondre, à chaque requête). C'est l'inférence qu'on paie au quotidien.

Chaque question posée à une IA déclenche une inférence, qui consomme du calcul. Des modèles plus gros ou « qui réfléchissent » coûtent plus cher à l'inférence.

Pourquoi ça compte

C'est ce poste qui pèse dans la facture d'un usage régulier. Optimiser l'inférence (bon modèle, bonne taille) est souvent la clé d'un projet IA économiquement viable.

À ne pas confondre avec données d'entraînement

L'entraînement crée le modèle (une fois) ; l'inférence l'utilise (à chaque requête).

Voir aussi

Latency

Latence

Débutant

Latency, qu'est-ce que c'est ?

La latence est le temps d'attente entre la demande envoyée à une IA et sa réponse. Une faible latence rend l'outil fluide et agréable ; une latence élevée le rend pénible, surtout pour un usage interactif comme un chatbot.

Elle dépend du modèle, de sa taille, de la longueur de la demande et de l'infrastructure. Les modèles « qui réfléchissent » sont plus lents mais plus justes.

Pourquoi ça compte

C'est un critère d'expérience souvent sous-estimé : un assistant trop lent ne sera pas utilisé. On arbitre selon l'usage entre rapidité et profondeur de réponse.

Voir aussi

Self-Hosting

Auto-hébergement

Intermédiaire

Self-Hosting, qu'est-ce que c'est ?

L'auto-hébergement consiste à faire tourner un logiciel (ici un modèle d'IA ou un outil d'automatisation) sur sa propre infrastructure, plutôt que d'utiliser le service d'un fournisseur. Les données restent chez soi, sous son contrôle.

Cela demande des compétences et du matériel, mais offre un maximum de maîtrise sur la confidentialité, la localisation et la pérennité. C'est possible surtout avec des modèles open source.

Pourquoi ça compte

Pour une organisation sensible à la souveraineté (collectivité, secteur réglementé) c'est souvent la condition pour utiliser l'IA sans exposer des données à un tiers étranger.

À ne pas confondre avec API

Self-hosting = on héberge le modèle soi-même ; passer par une API = on appelle le modèle hébergé par un fournisseur.

Voir aussi
Notre infrastructure auto-hébergée en Europe

Vector Database

Base de données vectorielle

Intermédiaire

Vector Database, qu'est-ce que c'est ?

Une base de données vectorielle stocke des contenus sous forme d'embeddings (des suites de nombres représentant le sens) et sait retrouver très vite les plus proches d'une requête. C'est l'élément qui permet la recherche par sens et alimente le RAG.

Au lieu de chercher des mots exacts, elle cherche des significations voisines. Elle range et interroge des millions d'éléments efficacement.

Pourquoi ça compte

C'est l'ingrédient technique qui rend possible un assistant capable de fouiller intelligemment la connaissance d'une organisation. Souvent invisible pour l'utilisateur, central pour le résultat.

À ne pas confondre avec embeddings

Les embeddings sont les données (les nombres) ; la base vectorielle est le système qui les stocke et les recherche.

Voir aussi

Usages & cas concrets

AI Assistant

Assistant IA

Débutant

AI Assistant, qu'est-ce que c'est ?

Un assistant IA est un outil conversationnel qui aide une personne dans ses tâches : rédiger, résumer, chercher une information, préparer un document. Il s'appuie sur un modèle de langage et peut être connecté aux données et aux outils d'une organisation.

Plus large qu'un simple chatbot de réponse, il accompagne au quotidien. Relié aux bonnes sources, il devient un vrai copilote de travail.

Pourquoi ça compte

C'est l'un des gains les plus immédiats de l'IA : faire gagner du temps à chaque collaborateur sur les tâches de rédaction et de recherche, sans bouleverser les outils existants.

À ne pas confondre avec agent IA

Un assistant aide une personne qui garde la main ; un agent exécute des tâches de bout en bout, avec plus d'autonomie.

Voir aussi

Chatbot

Chatbot (agent conversationnel)

Débutant

Chatbot, qu'est-ce que c'est ?

Un chatbot est un programme qui dialogue avec un utilisateur en langage naturel, par écrit ou à la voix. Les chatbots modernes s'appuient sur des modèles de langage, ce qui les rend bien plus fluides et utiles que les anciens systèmes à réponses pré-écrites.

Il répond à chaque message, mais n'agit pas de lui-même au-delà de la conversation, sauf si on le relie à des outils. C'est souvent le premier usage de l'IA dans une organisation.

Pourquoi ça compte

Bien conçu et nourri des bonnes informations, un chatbot décharge les équipes des questions répétitives (clients ou usagers) et répond en continu, à toute heure.

À ne pas confondre avec agent IA

Un chatbot discute ; un agent IA peut en plus agir et enchaîner des tâches. Un chatbot relié à des outils devient un agent.

Voir aussi
Déployer un assistant qui répond à vos clients ou usagers

Content Generation

Génération de contenu

Débutant

Content Generation, qu'est-ce que c'est ?

La génération de contenu désigne l'usage d'une IA pour produire des textes, des images, des e-mails, des comptes-rendus ou d'autres supports. On décrit ce qu'on veut, l'IA propose un premier jet qu'on ajuste ensuite.

L'IA excelle pour démarrer et accélérer, moins pour garantir l'exactitude : une relecture humaine reste nécessaire, surtout sur les faits et le ton officiel.

Pourquoi ça compte

Pour communiquer, documenter ou rédiger en volume, c'est un gain de temps net. Le bon réflexe : l'IA pour le brouillon, l'humain pour la validation.

À ne pas confondre avec hallucination

L'IA génère vite, mais peut inventer : tout contenu factuel doit être vérifié avant publication.

Voir aussi

Copilot

Copilote

Débutant

Copilot, qu'est-ce que c'est ?

Un copilote est un assistant IA intégré directement dans un outil de travail (traitement de texte, tableur, éditeur de code, messagerie) pour suggérer, compléter ou corriger en temps réel. Il assiste sans remplacer : l'utilisateur reste aux commandes.

Le terme insiste sur la collaboration : l'IA propose, l'humain décide et valide. C'est devenu une façon courante d'amener l'IA là où les gens travaillent déjà.

Pourquoi ça compte

En s'intégrant aux outils du quotidien, un copilote fait adopter l'IA sans changer les habitudes, un gain de productivité diffus mais réel sur toute une équipe.

À ne pas confondre avec assistant IA

« Assistant » est le terme générique ; « copilote » insiste sur l'intégration dans un logiciel existant et l'aide en temps réel.

Voir aussi

Process Automation

Automatisation de processus

Débutant

Process Automation, qu'est-ce que c'est ?

L'automatisation de processus consiste à faire exécuter par des outils des tâches jusque-là manuelles et répétitives : saisir, trier, transférer, relancer. Couplée à l'IA, elle traite aussi des cas qui demandent de « comprendre » un texte ou un document.

On automatise d'abord les tâches simples et fréquentes, là où le gain est sûr. L'IA élargit ensuite le champ aux étapes qui demandaient un jugement humain de base.

Pourquoi ça compte

C'est souvent le meilleur retour sur investissement de l'IA : du temps libéré sur les tâches sans valeur ajoutée, moins d'erreurs, des équipes recentrées sur l'essentiel.

À ne pas confondre avec workflow

L'automatisation de processus est l'objectif ; le workflow est la suite d'étapes concrète qui le réalise.

Voir aussi
Automatiser vos processus métier de bout en bout

Gouvernance, conformité & souveraineté

Alignment

Alignement

Avancé

Alignment, qu'est-ce que c'est ?

L'alignement désigne les efforts pour que les objectifs et le comportement d'une IA correspondent aux intentions et aux valeurs humaines : qu'elle soit utile, honnête et sans danger, et qu'elle fasse ce qu'on attend vraiment d'elle plutôt que d'interpréter de travers.

C'est un enjeu technique et éthique central, d'autant plus important que les systèmes gagnent en autonomie. Des méthodes comme le RLHF y contribuent.

Pourquoi ça compte

Plus une IA agit seule, plus il faut s'assurer qu'elle agit dans le bon sens. Pour un déploiement, cela se traduit par des règles claires, des limites et une supervision humaine.

À ne pas confondre avec RLHF

L'alignement est l'objectif (une IA conforme aux intentions humaines) ; le RLHF est l'une des techniques pour l'atteindre.

Voir aussi

Bias

Biais

Débutant

Bias, qu'est-ce que c'est ?

Un biais est une distorsion systématique dans les résultats d'une IA, qui favorise ou défavorise certains groupes ou certaines réponses. Il provient le plus souvent des données d'entraînement : si celles-ci reflètent des inégalités ou des erreurs, le modèle les reproduit.

Le biais est sournois car il paraît « neutre » alors qu'il ne l'est pas. On le réduit en soignant les données, en testant les sorties et en gardant un contrôle humain.

Pourquoi ça compte

Sur des décisions touchant des personnes (recrutement, accès à un service) un biais peut être injuste et juridiquement risqué. Le détecter et le corriger est une responsabilité, pas une option.

À ne pas confondre avec hallucination

Le biais est une distorsion systématique et répétée ; l'hallucination est une invention ponctuelle et isolée.

Voir aussi

CLOUD Act

Cloud Act

Intermédiaire

CLOUD Act, qu'est-ce que c'est ?

Le Cloud Act est une loi américaine qui peut obliger les fournisseurs technologiques relevant des États-Unis à communiquer aux autorités américaines des données qu'ils détiennent, même si ces données sont stockées en Europe. Elle crée une faille dans la protection offerte par le seul hébergement européen.

C'est l'une des raisons pour lesquelles « héberger en Europe » ne suffit pas toujours : si le prestataire dépend du droit américain, ses serveurs européens restent exposés. D'où l'intérêt d'acteurs et d'infrastructures réellement européens.

Pourquoi ça compte

Pour une collectivité ou une entreprise manipulant des données sensibles, c'est un risque concret à intégrer dans le choix de ses fournisseurs IA et cloud.

À ne pas confondre avec RGPD

Le RGPD protège les données personnelles côté européen ; le Cloud Act peut, côté américain, en exiger l'accès, d'où la tension entre les deux.

Voir aussi

Digital Sovereignty

Souveraineté numérique

Intermédiaire

Digital Sovereignty, qu'est-ce que c'est ?

La souveraineté numérique est la capacité d'un pays, d'une organisation ou d'une collectivité à garder la maîtrise de ses données, de ses outils et de ses infrastructures numériques, sans dépendre d'acteurs étrangers qui pourraient en restreindre l'accès ou y accéder.

Elle se joue sur plusieurs plans : juridique (quel droit s'applique), technique (où et comment sont hébergées les données) et économique (de qui l'on dépend). Localiser les serveurs en Europe est nécessaire, mais pas toujours suffisant.

Pourquoi ça compte

C'est un enjeu majeur pour le secteur public et les entreprises stratégiques : protéger des informations sensibles, garantir la continuité de service et transformer la conformité en avantage de confiance.

À ne pas confondre avec Cloud Act

La souveraineté numérique est l'objectif ; le Cloud Act est l'une des menaces concrètes qu'elle cherche à neutraliser.

Voir aussi
Comment nous protégeons vos données

EU AI Act

Règlement européen sur l'IA

Débutant

EU AI Act, qu'est-ce que c'est ?

L'AI Act est le règlement européen qui encadre l'intelligence artificielle selon son niveau de risque. Il classe les usages en catégories (interdits, à haut risque, à risque limité, à risque minimal) et impose des obligations croissantes (transparence, supervision humaine, gouvernance des données) à mesure que le risque augmente.

Ses règles s'appliquent par étapes. Les usages jugés inacceptables sont interdits, et les systèmes « à haut risque » (recrutement, accès à des services essentiels…) doivent respecter des exigences strictes.

Pourquoi ça compte

Particulièrement structurant pour les collectivités et le secteur public : certains usages sont prohibés et d'autres très encadrés. Anticiper son niveau de risque évite de bâtir un projet non conforme.

À ne pas confondre avec RGPD

L'AI Act encadre les systèmes d'IA selon leur risque ; le RGPD protège spécifiquement les données personnelles. Les deux s'appliquent souvent ensemble.

Voir aussi
Déployer une IA conforme pour le secteur public

RGPD

GDPR (applied to AI)

RGPD appliqué à l'IA

Débutant

RGPD, qu'est-ce que c'est ?

Le RGPD est la loi européenne qui protège les données personnelles. Appliqué à l'IA, il encadre la façon dont un outil collecte, stocke et traite les informations de personnes : où sont hébergées les données, qui peut y accéder, dans quel but, et combien de temps on les conserve.

Pour un projet IA, les questions clés sont : les données restent-elles en Europe ? servent-elles à entraîner d'autres modèles ? sont-elles réduites au strict nécessaire ? Y répondre dès la conception évite les mauvaises surprises.

Pourquoi ça compte

Pour une entreprise comme pour une collectivité, c'est non négociable : un déploiement IA non conforme expose à des sanctions et à une perte de confiance. La souveraineté des données est un critère de choix autant qu'une obligation.

À ne pas confondre avec AI Act

Le RGPD protège les données personnelles ; l'AI Act encadre les systèmes d'IA eux-mêmes selon leur risque. Deux textes complémentaires.

Voir aussi
L'approche Cohivia de la sécurité et de l'hébergement souverain

Sovereign AI

IA souveraine

Intermédiaire

Sovereign AI, qu'est-ce que c'est ?

Une IA souveraine est une intelligence artificielle dont les données, les modèles et l'infrastructure sont maîtrisés sur le territoire national ou européen. L'objectif : réduire au minimum la dépendance juridique, technique et opérationnelle vis-à-vis d'acteurs soumis à des lois étrangères.

Elle ne se résume pas à « héberger en Europe » : elle suppose de contrôler toute la chaîne, de la donnée au modèle. Les modèles open source auto-hébergés en sont un pilier.

Pourquoi ça compte

Pour une organisation publique ou un secteur sensible, c'est à la fois une exigence de confiance et un argument de différenciation : maîtriser où vont les données et qui peut y accéder.

À ne pas confondre avec souveraineté numérique

La souveraineté numérique est le principe général ; l'IA souveraine en est l'application au champ de l'intelligence artificielle.

Voir aussi
Notre engagement pour une IA souveraine hébergée en Europe

XAI

Explainable AI

Explicabilité (IA explicable)

Intermédiaire

XAI, qu'est-ce que c'est ?

L'explicabilité désigne la capacité à comprendre et justifier comment une IA est arrivée à un résultat. Une IA explicable permet de dire pourquoi telle décision a été prise, à l'inverse d'une « boîte noire » dont le fonctionnement reste opaque.

C'est important pour la confiance, le contrôle et la conformité. Certains modèles sont plus faciles à expliquer que d'autres, et des outils existent pour éclairer leurs décisions.

Pourquoi ça compte

Dès qu'une IA influence une décision officielle ou réglementée, pouvoir l'expliquer devient indispensable, pour les usagers, pour les équipes et pour les autorités.

À ne pas confondre avec biais

L'explicabilité aide à comprendre une décision ; elle est l'un des moyens de détecter, justement, un biais caché.

Voir aussi

Demande recue

Merci !

Le guide PDF des automatisations possibles arrive dans votre boite mail dans quelques minutes.