Voici un court glossaire avec des définitions détaillées de concepts clés pour mieux comprendre l'IA, son fonctionnement, et ses implications éthiques et techniques :
-
Intelligence artificielle (IA) : Ensemble des techniques permettant à des systèmes informatiques d'effectuer des tâches normalement réservées à l'intelligence humaine, comme la perception, le raisonnement, la prise de décision ou la compréhension du langage naturel.
-
Algorithme : Procédé ou ensemble d’instructions précises et ordonnées qu’un ordinateur suit pour résoudre un problème ou accomplir une tâche spécifique.
-
Données (Dataset) : Collection organisée d’informations, structurées ou non, utilisées pour entraîner, valider, ou tester des modèles d’intelligence artificielle.
-
Modèle d'apprentissage automatique (Machine Learning Model) : Objet mathématique construit à partir de données d’entraînement qui permet de faire des prédictions ou classifier de nouvelles données.
-
Réseau de neurones artificiels : Architecture de modèles d’apprentissage inspirée du cerveau humain, composée de nœuds (neurones) interconnectés permettant l’apprentissage de représentations complexes.
-
Apprentissage supervisé : Type d’apprentissage où le modèle est entraîné avec des données étiquetées, c’est-à-dire accompagnées des réponses correctes.
-
Apprentissage non supervisé : Apprentissage à partir de données non étiquetées où l’objectif est de détecter des structures ou regroupements cachés dans les données.
-
IA générative : IA capable de créer du contenu original (texte, image, son) basé sur les données apprises, comme les générateurs de texte GPT ou les générateurs d’images.
-
Modèle de langage de grande taille (LLM - Large Language Model) : Modèle probabiliste entraîné sur d’énormes corpus textuels pour comprendre et générer du langage humain cohérent.
-
Prompt : Texte d’instruction ou question donné à un modèle génératif pour guider sa production.
-
Biais algorithmique : Distorsion systématique dans les résultats d’un algorithme due à des données d’entraînement non représentatives ou à des choix de conception, pouvant engendrer des discriminations.
-
Transparence algorithmique : Degré selon lequel le fonctionnement et les décisions d’un modèle IA sont compréhensibles et explicables par des humains.
-
Responsabilité algorithmique : Principe qui engage les concepteurs et utilisateurs dans l’obligation de rendre compte des décisions automatiques prises par une IA.
-
Traçabilité : Capacité à retracer l’ensemble des étapes, paramètres et données ayant conduit à une décision ou un résultat donné dans un système d’IA.
-
Ethique de l’IA : Ensemble des principes et bonnes pratiques visant à garantir que le développement et l’usage de l’IA respectent les droits humains, la justice sociale et la protection des individus.
-
Gouvernance de l’IA : Système d’organisation, règles, processus et mécanismes destinés à encadrer le développement, le déploiement, et la surveillance des IA de façon responsable.
-
Interdisciplinarité : Approche qui combine plusieurs disciplines scientifiques (informatique, droit, philosophie, sociologie) pour mieux comprendre et encadrer les implications de l’IA.
-
Explainability (Explicabilité) : Capacité d’un système d’IA à fournir des explications compréhensibles par des humains sur ses décisions ou recommandations.
-
Surveillance humaine (Human-in-the-loop) : Modèle où un humain supervise, valide ou intervient dans les processus automatisés de prise de décision par IA.
-
RGPD (Règlement Général sur la Protection des Données) : Réglementation européenne qui encadre la collecte, le traitement et la protection des données à caractère personnel.
-
Normes ISO relatives à l’IA : Ensemble de standards internationaux, comme l’ISO 42001 pour la gouvernance de l’IA, offrant des cadres de référence pour des pratiques responsables.
Pour une liste complète et officielle des 50 termes clés recommandés par la DGLFLF (Délégation Générale à la Langue Française et aux Langues de France), leur publication accessible ici :