Glossaire de l'intelligence artificielle : 55 termes de l'IA expliqués simplement (2026)

À qui s'adresse ce glossaire ? À toute personne qui croise des mots comme « jeton », « prompt » ou « grand modèle de langage » dans des conversations, l'actualité ou des outils d'IA et souhaite les comprendre sans bagage technique. Chaque terme est accompagné de son équivalent anglais, d'une définition simple et, si utile, d'un exemple.

Si vous découvrez l'IA, commencez par notre guide Qu'est-ce que l'intelligence artificielle et comment fonctionne-t-elle ? et gardez cette page comme référence.

Comment utiliser ce glossaire

• Les termes sont regroupés en six thèmes, des bases à la sécurité et au droit

• L'équivalent anglais figure à côté de chaque terme pour le reconnaître ailleurs

• Pour trouver un terme rapidement, utilisez la recherche de votre navigateur (Ctrl+F)

1. Les bases

Intelligence artificielle (Artificial Intelligence, AI)

Logiciel qui apprend des régularités à partir de données au lieu de suivre des règles écrites à l'avance, et s'en sert pour comprendre le langage, reconnaître des images ou créer du contenu. C'est aussi le nom du domaine tout entier.

IA faible ou étroite (Narrow AI)

IA performante sur une ou quelques tâches précises, comme la traduction, la reconnaissance faciale ou la conversation. Tous les outils d'IA actuels, même les chatbots les plus avancés, relèvent de l'IA faible.

Intelligence artificielle générale (Artificial General Intelligence, AGI)

IA hypothétique capable d'apprendre et d'accomplir presque n'importe quelle tâche intellectuelle humaine, dans tous les domaines. L'AGI est un objectif de recherche pour de nombreux laboratoires, mais elle n'existe pas encore et son calendrier ne fait pas consensus.

Superintelligence (Artificial Superintelligence, ASI)

IA hypothétique qui surpasserait les humains les plus brillants dans presque tous les domaines. Le terme apparaît surtout dans les débats sur l'avenir et la sécurité de l'IA.

Algorithme (Algorithm)

Suite précise d'étapes pour résoudre un problème. En IA, les algorithmes définissent la façon d'apprendre, et le résultat de cet apprentissage est un « modèle ».

Modèle (Model)

Résultat de l'entraînement d'un système d'IA : un fichier de millions, voire de milliards de nombres dans lesquels ses connaissances sont compressées. Quand on dit « un nouveau modèle est sorti », c'est de ce fichier entraîné qu'il s'agit.

Apprentissage automatique (Machine Learning, ML)

Branche de l'IA dans laquelle la machine apprend à partir d'exemples au lieu d'être programmée explicitement. Les filtres anti-spam et les recommandations des plateformes de streaming en sont des exemples quotidiens.

Apprentissage profond (Deep Learning)

Type d'apprentissage automatique utilisant des réseaux de neurones à nombreuses couches. Les grandes avancées de la dernière décennie, de la reconnaissance vocale aux chatbots, viennent de l'apprentissage profond.

Réseau de neurones (Neural Network)

Structure inspirée du cerveau, composée de couches de « neurones » artificiels. Chaque neurone combine des nombres avec des poids différents et transmet le résultat à la couche suivante. Le prix Nobel de physique 2024 a récompensé des pionniers de cette idée.

IA générative (Generative AI)

Modèles qui créent du contenu nouveau : texte, images, vidéo, son ou code. ChatGPT et les générateurs d'images et de musique en sont des exemples.

2. Comment les modèles apprennent

Données d'entraînement (Training Data)

Les exemples à partir desquels le modèle apprend : textes, images ou sons. Leur qualité et leur diversité influencent directement la précision et les biais du modèle.

Entraînement (Training)

Processus au cours duquel le modèle formule sans cesse des hypothèses, comparées à la bonne réponse, et ses paramètres sont légèrement ajustés. Entraîner un grand modèle prend des semaines ou des mois sur des milliers de processeurs.

Pré-entraînement (Pre-training)

Première étape de l'entraînement des grands modèles : le modèle parcourt une immense quantité de données générales et apprend des régularités globales avant d'être ajusté à une tâche précise.

Paramètres ou poids (Parameters / Weights)

Les nombres internes au modèle, ajustés pendant l'entraînement, qui conservent ce qu'il a appris. Les grands modèles de langage comptent des milliards de paramètres, mais davantage de paramètres ne garantit pas un meilleur modèle.

Apprentissage supervisé (Supervised Learning)

Apprentissage à partir d'exemples dont la bonne réponse est connue, comme des milliers de photos étiquetées « chat » ou « chien ». Le modèle apprend à passer de l'entrée à la bonne réponse.

Apprentissage non supervisé (Unsupervised Learning)

Apprentissage à partir de données non étiquetées pour y trouver des régularités ou des groupes, par exemple segmenter automatiquement des clients selon leurs achats.

Apprentissage par renforcement (Reinforcement Learning)

Méthode où le modèle apprend par essais et erreurs, en recevant des « récompenses » ou des « pénalités ». C'est ainsi qu'AlphaGo a battu le champion du monde de go.

Apprentissage par renforcement à partir de retours humains (RLHF)

Étape de l'entraînement des chatbots où des personnes classent différentes réponses du modèle, qui apprend ainsi à en donner de plus utiles, honnêtes et inoffensives.

Ajustement fin (Fine-tuning)

Entraînement complémentaire d'un modèle déjà entraîné sur des données plus spécialisées, pour qu'il soit meilleur dans une tâche ou un domaine précis, par exemple les textes juridiques.

Surapprentissage (Overfitting)

Quand le modèle mémorise ses exemples d'entraînement au lieu d'apprendre la règle générale : brillant sur eux, il échoue sur de nouvelles données. Comme un élève qui a appris les réponses par cœur sans comprendre le cours.

Inférence (Inference)

Étape d'utilisation du modèle entraîné : il reçoit une nouvelle entrée et produit une réponse. Chaque fois que vous discutez avec un chatbot, le modèle effectue une inférence et n'apprend pas de vous.

3. Modèles de langage et chatbots

Grand modèle de langage (Large Language Model, LLM)

Très grand réseau de neurones entraîné sur d'immenses quantités de texte pour prédire le mot suivant. Cette capacité simple sous-tend la rédaction, le résumé, la traduction et la conversation des chatbots.

Transformer

Architecture de réseau de neurones présentée en 2017 dans l'article Attention Is All You Need, à la base de presque tous les grands modèles de langage actuels. C'est aussi le « T » de GPT.

Mécanisme d'attention (Attention)

Partie du transformer qui permet au modèle de repérer, pour chaque mot, quels autres mots du texte comptent le plus, par exemple à quel nom renvoie le pronom « il ».

Jeton (Token)

Plus petit morceau de texte manipulé par le modèle : un mot, une partie de mot ou un signe. En anglais, un jeton correspond à environ trois quarts de mot ; en français, un mot est souvent découpé en plusieurs jetons. Le coût d'utilisation et les limites de longueur se mesurent en jetons.

Fenêtre de contexte (Context Window)

Quantité maximale de texte, mesurée en jetons, que le modèle peut « voir » à la fois, y compris les messages précédents et les documents joints. Au-delà, les parties les plus anciennes sortent de sa mémoire de travail.

Plongement ou embedding (Embedding)

Façon de transformer un mot, une phrase ou une image en une liste de nombres, de sorte que des sens proches obtiennent des nombres proches. La recherche sémantique et le RAG reposent sur les embeddings.

Température (Temperature)

Réglage qui contrôle le degré d'aléatoire des réponses. Une température basse donne des réponses plus prévisibles et ciblées ; une température élevée, des réponses plus variées et créatives.

Hallucination

Réponse fluide et convaincante mais fausse ou inventée, comme une statistique inexistante ou une source fictive. Elle survient parce que le modèle est entraîné à produire un texte plausible, pas à vérifier les faits.

Chatbot (agent conversationnel)

Programme qui converse avec l'utilisateur en langage naturel. Les chatbots actuels reposent généralement sur de grands modèles de langage.

Modèle de raisonnement (Reasoning Model)

Modèle de langage qui décompose le problème étape par étape avant de donner sa réponse finale. Ces modèles sont meilleurs en mathématiques, en programmation et pour les problèmes complexes, mais généralement plus lents et plus coûteux.

4. Image, vidéo et son

Modèle de diffusion (Diffusion Model)

Technique principale de la plupart des générateurs d'images actuels. Le modèle a appris à retirer le bruit d'une image étape par étape ; pour générer, il part d'un bruit totalement aléatoire et, guidé par votre texte, le transforme en image.

Texte vers image (Text-to-Image)

Créer une image à partir d'une description écrite, par exemple « un phare au coucher du soleil, à l'aquarelle ».

Retouche d'image par IA (Inpainting)

Modifier une partie d'une image existante par une instruction textuelle : supprimer un objet, changer l'arrière-plan ou ajouter un détail, sans toucher au reste.

Texte vers vidéo (Text-to-Video)

Créer une courte vidéo à partir d'une description ou d'une image. Comme les images doivent rester cohérentes dans le temps, une vidéo coûte bien plus cher à générer qu'une image fixe.

Synthèse vocale (Text-to-Speech, TTS)

Transformer un texte écrit en voix naturelle, avec une intonation et des pauses adaptées. Elle sert aux livres audio, aux voix off et aux assistants vocaux.

Reconnaissance vocale (Speech-to-Text, ASR)

Transformer la parole en texte écrit, comme les sous-titres automatiques ou la dictée vocale.

Clonage de voix (Voice Cloning)

Créer par IA une voix ressemblant à celle d'une personne précise. En raison des risques d'abus et des droits du titulaire de la voix, la plupart des services sérieux limitent l'imitation de la voix de personnes réelles sans autorisation.

Hypertrucage (Deepfake)

Photo, audio ou vidéo faux mais réalistes, créés par IA pour montrer quelqu'un disant ou faisant ce qu'il n'a jamais dit ou fait. Méfiez-vous des contenus choquants sans source fiable.

Multimodal

Se dit d'un modèle qui comprend ou produit plusieurs types de données à la fois, par exemple regarder une photo et en parler, ou créer des images et du son à partir d'un texte.

5. Utiliser l'IA

Prompt (requête)

Le texte ou l'instruction que vous donnez à l'IA : une question, une demande ou la description d'une image. La qualité du prompt influence directement celle du résultat.

Ingénierie de prompt (Prompt Engineering)

Art de rédiger des prompts qui donnent les meilleurs résultats, par exemple en précisant un rôle, un objectif, un public et un format de sortie, et en fournissant des exemples.

Prompt système (System Prompt)

Instruction cachée que le créateur d'un chatbot transmet au modèle au début de chaque conversation pour fixer son comportement, son ton et ses limites.

Zero-shot et few-shot

En zero-shot, vous formulez seulement la demande ; en few-shot, vous ajoutez quelques exemples d'entrées et de sorties souhaitées pour que le modèle saisisse le schéma. Quelques bons exemples améliorent souvent nettement le résultat.

Génération augmentée par récupération (Retrieval-Augmented Generation, RAG)

Technique où le modèle cherche d'abord des informations pertinentes dans une source externe, comme des documents d'entreprise ou une recherche web, puis construit sa réponse à partir d'elles. Les réponses sont plus à jour et les hallucinations moins fréquentes.

Agent IA (AI Agent)

Système qui ne se contente pas de répondre : il planifie et exécute lui-même plusieurs étapes pour atteindre un objectif, en cherchant, en utilisant des outils, en créant des fichiers et en vérifiant le résultat.

API (interface de programmation)

Moyen par lequel un logiciel se connecte directement à un modèle d'IA pour l'utiliser. De nombreuses applications et bots exploitent les modèles des grands acteurs via une API, en payant généralement au jeton.

Modèle ouvert (Open-source / Open-weight Model)

Modèle dont les paramètres ont été publiés, si bien que chacun peut le télécharger, l'exécuter sur son propre serveur ou l'ajuster. Les modèles fermés ne sont accessibles que via le service ou l'API de leur éditeur.

6. Sécurité, éthique et droit

Biais (Bias)

Tendance d'un modèle à produire des résultats injustes ou partiaux, généralement à cause de déséquilibres ou de préjugés dans ses données d'entraînement, par exemple représenter toujours un métier avec un seul genre.

Alignement (Alignment)

Ensemble des efforts visant à accorder le comportement de l'IA avec les objectifs et les valeurs humaines, pour qu'elle reste utile, honnête et inoffensive et fasse ce que nous voulons vraiment dire.

Garde-fous ou filtres de sécurité (Guardrails)

Règles et filtres utilisés par les éditeurs de modèles pour empêcher les contenus dangereux, illégaux ou nuisibles. Quand un outil refuse une demande « en raison de restrictions de contenu », ce sont généralement les garde-fous de l'éditeur du modèle qui agissent.

Jailbreak (contournement)

Tentative de tromper un modèle avec des prompts particuliers pour lui faire ignorer ses limites de sécurité. Les éditeurs repèrent et bloquent sans cesse ces techniques, et leur utilisation enfreint généralement les conditions du service.

Filigrane et étiquetage des contenus IA (AI Watermarking)

Marques visibles ou invisibles insérées dans les contenus générés par IA pour en identifier l'origine. Les nouvelles règles, dont le règlement européen sur l'IA, tendent à les rendre obligatoires.

Règlement européen sur l'IA (EU AI Act)

Première loi complète sur l'IA au monde. Entré en vigueur le 1er août 2024, il s'applique par étapes sur plusieurs années. Il classe les systèmes selon leur niveau de risque, interdit certains usages et impose des règles de transparence pour les contenus générés par IA.

Protection des données (Data Privacy)

Préserver les informations personnelles lors de l'utilisation de l'IA. Règle simple : ne saisissez jamais de mots de passe, de numéros de carte, de pièces d'identité ou d'informations confidentielles dans un chatbot, et renseignez-vous sur la politique de conservation des données de chaque service.

Des mots à la pratique

Connaître le vocabulaire, c'est la moitié du chemin ; l'autre moitié consiste à essayer les outils. Commencez par un outil de discussion comme ChatGPT, Gemini ou Claude ou, si vous préférez réunir chat, création d'images, vidéo, voix et musique au même endroit dans Telegram, essayez heymesbot. Rédigez quelques prompts simples et observez à quoi ressemblent concrètement les « jetons », la « température » ou les « hallucinations ».

Pour comprendre comment ces notions s'articulent, lisez notre guide complet Qu'est-ce que l'intelligence artificielle et comment fonctionne-t-elle ?

Sources

• Google : Glossaire du machine learning

• IBM : Qu'est-ce que l'intelligence artificielle ?

• Stanford HAI : The 2026 AI Index Report

• OpenAI : Que sont les jetons et comment les compter

• Vaswani et al. (2017) : Attention Is All You Need

• Ouyang et al. (2022) : Entraîner des modèles de langage avec un retour humain

• Ho et al. (2020) : Modèles probabilistes de diffusion

• Lewis et al. (2020) : Génération augmentée par récupération (RAG)

• Règlement européen sur l'IA : texte et calendrier

• Prix Nobel : physique 2024