Petit lexique de l’IA moderne

9 min readApr 19, 2023

[Article rédigé le 19 avril 2023 par Jeremy Lamri avec le support de l’algorithme Open AI GPT-4 pour environ 20%].

Au fur et à mesure que l’intelligence artificielle évolue d’un concept vague et marketing vers une idéologie bien définie, il devient de plus en plus complexe de saisir tous les termes associés à l’IA. Petite session de rattrapage avec un lexique que vous pourrez lire et relire à volonté !

Partie 1 : Lexique de l’IA

Agent intelligent

Une entité autonome capable de percevoir son environnement, d’apprendre, de raisonner et de prendre des décisions pour atteindre ses objectifs.

Algorithme

Un ensemble de règles ou d’instructions données à une IA, un réseau de neurones ou d’autres machines pour les aider à apprendre par elles-mêmes ; la classification, le regroupement, la recommandation et la régression sont quatre des types les plus populaires.

Algorithme de classification

Les algorithmes de classification permettent aux machines d’attribuer une catégorie à un point de données basé sur des données d’apprentissage.

Algorithme de clustering

Les algorithmes de clustering permettent aux machines de regrouper des points de données ou des éléments en groupes ayant des caractéristiques similaires.

Algorithme génétique ou évolutionnaire

Un algorithme évolutif basé sur les principes de la génétique et de la sélection naturelle qui est utilisé pour trouver des solutions optimales ou quasi optimales à des problèmes difficiles qui prendraient autrement des décennies à résoudre.

Analyse de cluster

Un type d’apprentissage non supervisé utilisé pour l’analyse exploratoire des données afin de trouver des modèles ou des groupes cachés dans les données ; les clusters sont modélisés avec une mesure de similarité définie par des métriques telles que la distance euclidienne ou probabiliste.

Analyse prédictive

L’utilisation de modèles et de techniques d’apprentissage automatique pour prévoir des événements futurs ou des comportements en fonction des données historiques.

Apprentissage actif

Un type d’apprentissage automatique dans lequel un modèle interagit activement avec l’utilisateur ou l’environnement pour sélectionner les exemples de formation les plus informatifs.

Apprentissage automatique (Machine Learning)

Un aspect de l’IA qui se concentre sur les algorithmes, permettant aux machines d’apprendre sans être programmées et de changer lorsqu’elles sont exposées à de nouvelles données.

Apprentissage fédéré

Une approche de l’apprentissage automatique qui permet à plusieurs modèles d’apprendre localement sur leurs propres données, puis de partager et de combiner leurs connaissances pour améliorer les performances globales.

Apprentissage non supervisé

Un type d’algorithme d’apprentissage automatique utilisé pour tirer des inférences à partir d’ensembles de données composés de données d’entrée sans réponses étiquetées. La méthode d’apprentissage non supervisé la plus courante est l’analyse de cluster.

Apprentissage par transfert

Une technique d’apprentissage automatique qui permet à un modèle pré-entraîné d’être réutilisé pour résoudre des problèmes similaires avec moins de données et de temps d’entraînement.

Apprentissage supervisé

Un type d’apprentissage automatique dans lequel les ensembles de données de sortie forment la machine à générer les algorithmes souhaités, comme un enseignant supervisant un élève ; plus courant que l’apprentissage non supervisé.

Apprentissage profond

La capacité des machines à imiter de manière autonome les schémas de pensée humains grâce à des réseaux neuronaux artificiels composés de couches d’informations en cascade.

Apprentissage semi-supervisé

Une méthode d’apprentissage qui combine des éléments d’apprentissage supervisé et non supervisé pour exploiter à la fois des données étiquetées et non étiquetées.

Créé par Jeremy Lamri avec DALL-E2 Experimental (2023, tous droits réservés).

Arbre de décision

Un modèle basé sur des arbres et des branches utilisé pour cartographier les décisions et leurs conséquences possibles, similaire à un organigramme.

Auto-encodeurs

Des réseaux de neurones non supervisés qui apprennent à encoder les données d’entrée en une représentation de faible dimension (code), puis à reconstruire les données d’entrée à partir de ce code. Les auto-encodeurs peuvent être utilisés pour générer de nouvelles données en modifiant légèrement le code.

Biais algorithmique

Les préjugés involontaires introduits dans les algorithmes d’apprentissage automatique en raison de données d’entraînement inexactes, incomplètes ou discriminatoires.

Big data

Des ensembles de données volumineux, complexes et diversifiés qui nécessitent des méthodes avancées de traitement et d’analyse pour extraire des informations utiles.

Chatbot conversationnel

Un robot de conversation (chatbot en abrégé) conçu pour simuler une conversation avec des utilisateurs humains en communiquant par des chats texte, des commandes vocales ou les deux. Ils sont une interface couramment utilisée pour les programmes informatiques qui incluent des capacités d’IA.

Génération de texte

La production de texte cohérent et significatif à partir de modèles génératifs, tels que les réseaux de neurones récurrents (RNN) ou les modèles de langage basés sur des Transformers, comme GPT-3.

Intelligence artificielle

La capacité d’une machine à prendre des décisions et à effectuer des tâches qui simulent l’intelligence et le comportement humains.

Informatique autonome

La capacité d’un système à gérer de manière adaptative ses propres ressources pour des fonctions informatiques de haut niveau sans intervention de l’utilisateur.

Informatique cognitive

Un modèle informatisé qui imite la façon dont le cerveau humain pense. Il implique un auto-apprentissage grâce à l’utilisation de l’exploration de données, du traitement du langage naturel et de la reconnaissance des modèles.

Informatique en nuage

La fourniture de services informatiques (y compris l’IA) via Internet, permettant un accès flexible et à la demande aux ressources et aux applications.

Intelligence artificielle faible (IA faible)

Une IA conçue pour accomplir des tâches spécifiques et limitées sans posséder de réelle compréhension ou conscience.

Intelligence artificielle forte (IA forte)

Une IA hypothétique qui possède une compréhension et une conscience similaires à celles des humains, capable de raisonner, d’apprendre et de s’adapter de manière autonome.

Intelligence artificielle générative

Des algorithmes d’apprentissage automatique qui apprennent à générer de nouvelles données en capturant les distributions et les structures sous-jacentes des données d’entraînement.

Internet des objets (IoT)

Un réseau d’appareils connectés à Internet et capables de communiquer entre eux pour collecter et échanger des données.

Réseaux antagonistes génératifs (GAN)

Une classe de modèles génératifs composée de deux réseaux de neurones, le générateur et le discriminateur, qui sont entraînés simultanément. Le générateur crée de nouvelles données, tandis que le discriminateur apprend à distinguer les données réelles des données générées. Ils s’affrontent dans un jeu à somme nulle pour améliorer leurs performances.

Réseau de neurones artificiels (ANN ou RNA)

Un modèle d’apprentissage créé pour agir comme un cerveau humain et résoudre des tâches trop difficiles pour les systèmes informatiques traditionnels.

Réseau neuronal convolutif (CNN ou RNC)

Un type de réseaux neuronaux qui identifie et interprète les images.

Réseaux de neurones profonds (DNN ou RNP)

Des réseaux neuronaux artificiels avec de nombreuses couches cachées qui permettent à la machine d’apprendre et de traiter des informations complexes.

Réseau neuronal récurrent (RNN ou RNC)

Un type de réseau neuronal qui donne un sens aux informations séquentielles et reconnaît les modèles, et crée des sorties basées sur ces calculs. Il s’agit d’un type de réseaux de neurones artificiels qui sont particulièrement efficaces pour traiter des séquences de données, comme le texte ou le son.

Robotique

Le domaine de la technologie qui traite de la conception, de la construction, de l’exploitation et de l’application des robots, qui sont souvent utilisés en combinaison avec l’IA.

Science des données (Data science)

Un domaine interdisciplinaire qui combine des méthodes, des systèmes et des processus scientifiques issus de la statistique, de la science de l’information et de l’informatique pour apporter un éclairage sur un phénomène via des données structurées ou non structurées.

Synthèse vocale

La capacité des machines à générer de la parole à partir de texte ou d’autres données, souvent utilisée dans les assistants vocaux et les chatbots.

Systèmes experts

Des programmes informatiques qui utilisent des connaissances et des raisonnements spécifiques à un domaine pour résoudre des problèmes complexes.

Systèmes multi-agents

Des systèmes composés de plusieurs agents autonomes qui interagissent et coopèrent pour résoudre des problèmes complexes.

Systèmes de recommandation

Des systèmes qui utilisent des techniques d’IA pour proposer des éléments pertinents et personnalisés aux utilisateurs, tels que des produits, des films ou des articles.

Techniques de recherche heuristique

Support qui réduit la recherche de solutions optimales pour un problème en éliminant les options incorrectes.

Text-to-Image

La conversion de descriptions textuelles en images en utilisant des modèles génératifs, tels que les GAN.

Text-to-Speech

La conversion de descriptions textuelles en sons.

Traitement automatique du langage (TAL)

Un domaine de l’IA qui se concentre sur l’interaction entre les ordinateurs et les langues humaines, y compris la compréhension et la génération de texte.

Traitement du langage naturel (NLP)

La capacité d’un programme à reconnaître la communication humaine telle qu’elle est censée être comprise.

Vision par ordinateur

Un domaine de l’IA qui enseigne aux machines à comprendre et à interpréter les images et les vidéos de la même manière que les humains.

Partie 2 : et si on mettait tout ça en musique ?

Connaitre des termes, c’est bien, mais comprendre comment ils interviennent dans un contexte donné, c’est mieux. Voici une petite création réalisée par GPT-4, et qui donne un aperçu de comment utiliser ces termes correctement :

Dans un futur proche, l’entreprise GlobalTech, leader dans le domaine des technologies de pointe, décide de révolutionner sa fonction Ressources Humaines en intégrant des solutions d’intelligence artificielle (IA). L’objectif principal est d’offrir aux collaborateurs et aux candidats une expérience unique et personnalisée, tout en optimisant les processus RH.

GlobalTech met en place une équipe de data scientists et d’experts en IA pour développer un système multi-agents capable de gérer différentes tâches RH. Ce système se compose de plusieurs agents intelligents autonomes, qui apprennent, raisonnent et prennent des décisions pour atteindre leurs objectifs.

Parmi ces agents, on trouve un chatbot conversationnel, qui interagit avec les employés et les candidats via des chats texte et des commandes vocales. Grâce au traitement automatique du langage naturel (TAL) et à la synthèse vocale, ce chatbot est capable de comprendre les préoccupations des utilisateurs et de leur fournir des réponses pertinentes en temps réel.

Un autre agent intelligent est dédié à l’analyse prédictive pour anticiper les besoins en ressources humaines de l’entreprise. Il utilise des algorithmes d’apprentissage automatique pour analyser les données historiques, telles que les taux de rotation du personnel, les performances des employés et les tendances du marché. Ainsi, il peut identifier les compétences nécessaires pour répondre aux futurs défis et guider les stratégies de recrutement et de formation.

GlobalTech a également développé un système de recommandation pour aider les employés dans leur développement professionnel. Cet agent intelligent utilise des techniques d’apprentissage fédéré et de clustering pour analyser les compétences, les intérêts et les aspirations des employés. Il propose ensuite des formations, des mentors et des opportunités de mobilité interne adaptées à chaque individu.

Le recrutement est également transformé grâce à l’IA. Un agent intelligent spécialisé dans l’analyse de cluster et la classification des candidatures examine les CV et les lettres de motivation des postulants. Il identifie les candidats les plus pertinents pour chaque poste en se basant sur leurs compétences, leur expérience et leur adéquation avec la culture d’entreprise. Ce processus permet de réduire les biais de recrutement et d’améliorer la diversité au sein de l’organisation.

Pour renforcer la communication interne, GlobalTech a intégré un réseau neuronal convolutif (CNN) capable de reconnaître les émotions des employés à travers leurs expressions faciales lors des réunions virtuelles. Cela permet aux managers de mieux comprendre le ressenti de leur équipe et d’adapter leur communication en conséquence.

Afin de préserver la confidentialité des données personnelles, l’entreprise a mis en place un système d’informatique en nuage sécurisé. L’accès à ces informations est strictement limité aux agents intelligents autorisés et aux responsables RH.

En adoptant ces solutions d’IA, GlobalTech a réussi à améliorer significativement l’efficacité et la satisfaction de ses collaborateurs et candidats. Les employés se sentent mieux accompagnés dans leur parcours professionnel, les recrutements sont plus ciblés et pertinents, et les managers disposent d’outils pour mieux comprendre et gérer leurs équipes.

Dans ce futur proche, l’IA est devenue un acteur clé de la fonction RH, offrant des solutions innovantes et personnalisées pour transformer l’expérience des collaborateurs et des candidats au sein de l’entreprise.