Aura · Référence

Glossaire IA et LLM

Des définitions concises du vocabulaire employé dans le parcours. Recherchez par concept ou description.

Rechercher dans le glossaire

46 termes affichés

Agent IA: Système employant un modèle en boucle pour observer, décider, appeler des outils et mettre à jour son état.
Algorithme: Procédure finie transformant des entrées en sorties par des étapes définies.
Ancrage: Connexion de la génération à des preuves, données, observations ou résultats d’outils vérifiés.
Appel d’outil: Production par le modèle d’arguments structurés pour une fonction contrôlée par l’application.
Apprentissage auto-supervisé: Signal d’apprentissage dérivé des données elles-mêmes, par exemple en prédisant une partie masquée ou suivante.
Apprentissage par renforcement (RL): Apprentissage par actions, observations et signaux de récompense.
Apprentissage supervisé: Apprentissage sur des exemples associés à des étiquettes ou sorties cibles.
Attention: Mécanisme pondérant l’information de différentes positions pour construire une représentation.
Base de données vectorielle: Système stockant des vecteurs et retrouvant des éléments par similarité, souvent pour la recherche sémantique.
Benchmark: Jeu de données ou procédure standardisée comparant des systèmes dans les limites de sa couverture.
Deep learning: Machine learning employant des réseaux de neurones multicouches pour apprendre des représentations.
Direct preference optimization (DPO): Méthode optimisant directement un modèle depuis des paires de réponses préférées et rejetées.
Données: Observations, exemples ou signaux enregistrés pour construire, ancrer ou évaluer un système.
Embedding: Représentation vectorielle où des relations apprises peuvent être encodées géométriquement.
Entraînement: Ajustement des paramètres pour améliorer un objectif sur des données ou interactions.
Évaluation: Mesure systématique du comportement sur des tâches, cas, critères et seuils définis.
Fenêtre de contexte: Étendue maximale de tokens d’entrée et de sortie disponible au modèle pour une requête.
Fine-tuning: Entraînement supplémentaire adaptant un modèle pré-entraîné à des données, comportements ou tâches.
Fonction de perte: Quantité que l’entraînement cherche à réduire pour exprimer l’erreur ou l’objectif.
Garde-fou: Contrôle technique ou procédural visant à prévenir, détecter ou contenir un comportement indésirable.
Généralisation: Capacité à réussir sur des entrées pertinentes absentes de l’entraînement.
Génération augmentée par recherche (RAG): Recherche d’informations externes ajoutées au contexte avant la génération.
Gradient: Direction et sensibilité du changement de perte par rapport aux paramètres.
Grand modèle de langage (LLM): Grand réseau neuronal entraîné à prédire ou reconstruire des tokens sur de vastes données.
Hallucination: Affirmation générée non soutenue par les preuves disponibles ou factuellement fausse.
Inférence: Utilisation d’un modèle entraîné pour produire une sortie sur une nouvelle entrée.
Injection de prompt: Contenu non fiable tentant de détourner un modèle ou une application de ses consignes prévues.
Intelligence artificielle (IA): Domaine des systèmes réalisant des tâches associées à la perception, au raisonnement, à l’apprentissage, à la planification ou à l’action.
Latence: Temps écoulé entre une demande et une réponse utile, souvent mesuré par percentiles.
Machine learning (ML): Méthodes ajustant un comportement depuis des données plutôt que de programmer chaque règle.
Mémoire: Mécanisme conservant ou retrouvant de l’information au-delà du contexte immédiat du modèle.
Model Context Protocol (MCP): Protocole ouvert reliant des applications IA à des ressources, prompts et outils contextuels.
Modèle: Fonction ou représentation paramétrée produisant prédictions, décisions ou contenus.
Modèle de fondation: Modèle généraliste pré-entraîné pour être adapté ou utilisé sur de nombreuses tâches.
Multimodal: Capable de traiter ou générer plusieurs modalités, comme texte, image, audio ou vidéo.
Paramètre: Valeur ajustée pendant l’entraînement qui façonne la transformation des entrées.
Prompt: Consignes et contexte fournis à un modèle génératif pour une requête.
Quantification: Représentation des valeurs du modèle avec moins de précision pour réduire mémoire ou calcul, avec compromis possible.
Réseau de neurones: Calcul paramétré en couches, vaguement inspiré de réseaux d’unités simples connectées.
RLHF: Apprentissage par renforcement à partir de retours humains pour façonner le comportement.
Supervised fine-tuning (SFT): Fine-tuning sur des paires entrée et sortie souhaitée.
Surapprentissage: Ajustement excessif aux exemples d’entraînement avec mauvaise performance sur l’inédit.
Température: Paramètre d’échantillonnage remodelant les probabilités ; une valeur haute augmente généralement la variation.
Token: Unité traitée par un modèle de langage : mot, morceau de mot, ponctuation ou autre symbole.
Tokenizer: Méthode convertissant texte ou autre entrée en identifiants de tokens et inversement.
Transformer: Architecture neuronale fondée sur des blocs d’attention et feed-forward, très utilisée pour le langage.

Académie Aura

Aura · Référence

Glossaire IA et LLM

Des définitions concises du vocabulaire employé dans le parcours. Recherchez par concept ou description.

Rechercher dans le glossaire

46 termes affichés

Agent IA: Système employant un modèle en boucle pour observer, décider, appeler des outils et mettre à jour son état.
Algorithme: Procédure finie transformant des entrées en sorties par des étapes définies.
Ancrage: Connexion de la génération à des preuves, données, observations ou résultats d’outils vérifiés.
Appel d’outil: Production par le modèle d’arguments structurés pour une fonction contrôlée par l’application.
Apprentissage auto-supervisé: Signal d’apprentissage dérivé des données elles-mêmes, par exemple en prédisant une partie masquée ou suivante.
Apprentissage par renforcement (RL): Apprentissage par actions, observations et signaux de récompense.
Apprentissage supervisé: Apprentissage sur des exemples associés à des étiquettes ou sorties cibles.
Attention: Mécanisme pondérant l’information de différentes positions pour construire une représentation.
Base de données vectorielle: Système stockant des vecteurs et retrouvant des éléments par similarité, souvent pour la recherche sémantique.
Benchmark: Jeu de données ou procédure standardisée comparant des systèmes dans les limites de sa couverture.
Deep learning: Machine learning employant des réseaux de neurones multicouches pour apprendre des représentations.
Direct preference optimization (DPO): Méthode optimisant directement un modèle depuis des paires de réponses préférées et rejetées.
Données: Observations, exemples ou signaux enregistrés pour construire, ancrer ou évaluer un système.
Embedding: Représentation vectorielle où des relations apprises peuvent être encodées géométriquement.
Entraînement: Ajustement des paramètres pour améliorer un objectif sur des données ou interactions.
Évaluation: Mesure systématique du comportement sur des tâches, cas, critères et seuils définis.
Fenêtre de contexte: Étendue maximale de tokens d’entrée et de sortie disponible au modèle pour une requête.
Fine-tuning: Entraînement supplémentaire adaptant un modèle pré-entraîné à des données, comportements ou tâches.
Fonction de perte: Quantité que l’entraînement cherche à réduire pour exprimer l’erreur ou l’objectif.
Garde-fou: Contrôle technique ou procédural visant à prévenir, détecter ou contenir un comportement indésirable.
Généralisation: Capacité à réussir sur des entrées pertinentes absentes de l’entraînement.
Génération augmentée par recherche (RAG): Recherche d’informations externes ajoutées au contexte avant la génération.
Gradient: Direction et sensibilité du changement de perte par rapport aux paramètres.
Grand modèle de langage (LLM): Grand réseau neuronal entraîné à prédire ou reconstruire des tokens sur de vastes données.
Hallucination: Affirmation générée non soutenue par les preuves disponibles ou factuellement fausse.
Inférence: Utilisation d’un modèle entraîné pour produire une sortie sur une nouvelle entrée.
Injection de prompt: Contenu non fiable tentant de détourner un modèle ou une application de ses consignes prévues.
Intelligence artificielle (IA): Domaine des systèmes réalisant des tâches associées à la perception, au raisonnement, à l’apprentissage, à la planification ou à l’action.
Latence: Temps écoulé entre une demande et une réponse utile, souvent mesuré par percentiles.
Machine learning (ML): Méthodes ajustant un comportement depuis des données plutôt que de programmer chaque règle.
Mémoire: Mécanisme conservant ou retrouvant de l’information au-delà du contexte immédiat du modèle.
Model Context Protocol (MCP): Protocole ouvert reliant des applications IA à des ressources, prompts et outils contextuels.
Modèle: Fonction ou représentation paramétrée produisant prédictions, décisions ou contenus.
Modèle de fondation: Modèle généraliste pré-entraîné pour être adapté ou utilisé sur de nombreuses tâches.
Multimodal: Capable de traiter ou générer plusieurs modalités, comme texte, image, audio ou vidéo.
Paramètre: Valeur ajustée pendant l’entraînement qui façonne la transformation des entrées.
Prompt: Consignes et contexte fournis à un modèle génératif pour une requête.
Quantification: Représentation des valeurs du modèle avec moins de précision pour réduire mémoire ou calcul, avec compromis possible.
Réseau de neurones: Calcul paramétré en couches, vaguement inspiré de réseaux d’unités simples connectées.
RLHF: Apprentissage par renforcement à partir de retours humains pour façonner le comportement.
Supervised fine-tuning (SFT): Fine-tuning sur des paires entrée et sortie souhaitée.
Surapprentissage: Ajustement excessif aux exemples d’entraînement avec mauvaise performance sur l’inédit.
Température: Paramètre d’échantillonnage remodelant les probabilités ; une valeur haute augmente généralement la variation.
Token: Unité traitée par un modèle de langage : mot, morceau de mot, ponctuation ou autre symbole.
Tokenizer: Méthode convertissant texte ou autre entrée en identifiants de tokens et inversement.
Transformer: Architecture neuronale fondée sur des blocs d’attention et feed-forward, très utilisée pour le langage.