Les fondamentaux

Les briques de base pour comprendre tout le reste de ce site — sans jargon inutile.

Intelligence artificielle (IA): Un champ de l'informatique qui vise à créer des systèmes capables d'accomplir des tâches associées à l'intelligence humaine : comprendre le langage, reconnaître des images, prendre des décisions. C'est un terme parapluie : la plupart des systèmes actuels excellent dans une tâche précise sans posséder une intelligence générale comparable à celle d'un humain.
Machine learning (apprentissage automatique): Une branche de l'IA où un système apprend à partir de données plutôt que d'être programmé avec des règles explicites. C'est le socle sur lequel reposent la quasi-totalité des systèmes d'IA actuels, y compris les modèles suivis sur ce site.
Deep learning (apprentissage profond): Une famille de méthodes de machine learning fondées sur des réseaux neuronaux à plusieurs couches (« profonds »). C'est la technique à l'origine de la quasi-totalité des progrès de l'IA depuis 2012, des LLM à la reconnaissance d'image.
Réseau de neurones: Un modèle mathématique inspiré (très librement) du cerveau : des unités de calcul (« neurones ») organisées en couches, connectées par des paramètres ajustables qui s'affinent pendant l'entraînement. Malgré l'analogie biologique, son fonctionnement réel diffère profondément de celui d'un cerveau humain.
Apprentissage supervisé: Une méthode d'entraînement où le modèle apprend à partir d'exemples déjà étiquetés (par exemple, des images de chats annotées « chat »). C'est la méthode la plus ancienne et la plus intuitive du machine learning.
Apprentissage non supervisé: Une méthode où le modèle repère seul des structures ou des regroupements dans des données non étiquetées, sans qu'on lui indique la bonne réponse à l'avance.
Apprentissage par renforcement (reinforcement learning): Une méthode où un système apprend par essais-erreurs, en recevant une récompense ou une pénalité selon ses actions — la technique derrière les IA qui ont appris à jouer aux échecs ou au Go, et aujourd'hui un ingrédient clé de l'entraînement des LLM (voir notre page sur l'entraînement d'une IA).
Modèle génératif: Un modèle capable de produire du contenu nouveau (texte, image, audio, vidéo) plutôt que de simplement classer ou prédire une donnée existante. Les LLM comme GPT ou Claude sont des modèles génératifs de texte.
LLM (Large Language Model, grand modèle de langage): Un modèle génératif entraîné sur d'immenses quantités de texte, capable de comprendre et produire du langage naturel. C'est la catégorie de modèles au cœur de la base de données de ce site — voir notre page dédiée à leur fonctionnement.
NLP (Natural Language Processing, traitement automatique du langage): Le domaine de l'IA consacré à la compréhension et à la génération du langage humain par une machine. Les LLM en sont aujourd'hui l'incarnation la plus visible, mais le NLP couvre aussi la traduction automatique, la reconnaissance vocale ou l'analyse de sentiment.
Computer vision (vision par ordinateur): Le domaine de l'IA consacré à l'interprétation d'images et de vidéos par une machine : reconnaissance d'objets, détection de visages, analyse de documents scannés.
Multimodalité: La capacité d'un modèle à traiter ou produire plusieurs types de contenus (texte, image, audio, vidéo) au sein d'un même système, plutôt qu'un seul. Gemini 3.1 Pro, par exemple, accepte du texte, des images, de l'audio et de la vidéo en entrée — voir sa fiche complète.

Aller plus loin

Comment fonctionne concrètement un LLM comme GPT ou Claude ?

Comment fonctionne un LLM →