Un glossaire décrypte le nouveau langage de l'IA

Résumé

Un glossaire dresse des définitions claires de notions clés de l’IA, de l’AGI aux agents codants, pour aider professionnels et grand public à suivre le débat.

Les faits

L’essor de l’intelligence artificielle « réécrit le monde » et invente au passage « tout un nouveau langage » fait d’acronymes et de jargon technique qui peuvent dérouter même les acteurs aguerris du secteur. Le glossaire présenté se donne pour objectif de fournir des définitions « en anglais simple » des termes d’IA que l’on rencontre le plus souvent, qu’il s’agisse de conception de produits, d’investissement ou de simple veille médias. Parmi les concepts structurants, le texte souligne que l’« artificial general intelligence » (AGI) reste une notion « nébuleuse », mais généralement comprise comme une IA plus capable que l’humain moyen sur de nombreuses tâches. Il rappelle la définition d’OpenAI dans sa charte, qui évoque des « systèmes hautement autonomes qui dépassent les humains dans la plupart des travaux économiquement valorisables », et celle de Google DeepMind, qui parle d’« IA au moins aussi capable que les humains dans la plupart des tâches cognitives », avant de constater que même les experts sont « aussi » confus face à ces divergences. Le glossaire consacre une entrée aux « agents d’IA », définis comme des outils exploitant des technologies d’IA pour exécuter une série de tâches pour le compte de l’utilisateur, au-delà des capacités d’un simple chatbot, comme déposer des notes de frais, réserver des billets ou une table au restaurant, voire écrire et maintenir du code. La notion implique un système autonome pouvant s’appuyer sur plusieurs modèles d’IA pour mener des tâches en plusieurs étapes, dans un espace encore émergent où l’infrastructure reste en construction et où la même expression peut recouvrir des réalités différentes. Certains termes renvoient aux briques techniques qui rendent possible cette automatisation. Les « API endpoints » sont présentés comme des « boutons » au dos d’un logiciel que d’autres programmes peuvent « appuyer » pour lui faire exécuter des actions, par exemple permettre à une application de récupérer des données d’une autre ou donner à un agent d’IA la capacité de contrôler des services tiers sans intervention manuelle. La rubrique « compute » décrit la puissance de calcul indispensable au fonctionnement des modèles, souvent utilisée comme raccourci pour désigner les matériels – GPU, CPU, TPU et autres infrastructures – qui forment le socle de l’industrie de l’IA. Sur le versant des méthodes, l’entrée « chain of thought » explique que, comme un humain qui griffonne des étapes intermédiaires pour résoudre un problème de têtes et de pattes de poules et de vaches, les modèles de langage peuvent améliorer leurs réponses en décomposant un problème en étapes successives. Ce raisonnement en chaîne, particulièrement utile pour la logique ou le code, allonge le temps de réponse mais augmente la probabilité d’exactitude, et les modèles de « reasoning » sont développés à partir de grands modèles de langage classiques puis optimisés pour cette forme de pensée via l’apprentissage par renforcement. Le glossaire détaille aussi la catégorie des « coding agents », présentés comme une déclinaison spécialisée des agents d’IA appliquée au développement logiciel. Plutôt que de se limiter à suggérer du code que le développeur colle ensuite, ces agents peuvent écrire, tester et déboguer du code de façon autonome, parcourir des bases de code entières, repérer des bugs, lancer des tests et pousser des correctifs avec un minimum de supervision humaine. Le texte invite à les imaginer comme un « stagiaire très rapide qui ne dort jamais et ne perd jamais sa concentration », tout en rappelant qu’un humain doit continuer à vérifier leur travail. Enfin, l’entrée « deep learning » décrit ce sous-ensemble de l’apprentissage automatique auto-améliorant où les algorithmes reposent sur une structure de réseau de neurones artificiels à plusieurs couches. Cette architecture, inspirée des réseaux de neurones biologiques, permet des corrélations plus complexes que des modèles plus simples, comme les modèles linéaires ou les arbres de décision. Les modèles de deep learning identifient eux-mêmes les caractéristiques importantes dans les données, apprennent de leurs erreurs et améliorent leurs sorties par répétition et ajustement, mais au prix d’un besoin de très grands volumes de données, « des millions ou plus », pour produire de bons résultats.

Pourquoi c’est important

En proposant un glossaire régulièrement mis à jour, présenté comme un « document vivant » à l’image des systèmes d’IA qu’il décrit, ce travail répond à un besoin croissant de compréhension partagée dans un domaine en mutation rapide. Les réunions produits, les pitches et les panels se remplissent de sigles comme LLM, RAG ou RLHF, au risque de créer un fossé entre spécialistes et décideurs qui doivent pourtant prendre des décisions sur la base de ces technologies. En rendant accessibles des notions comme l’AGI, les agents d’IA, le compute ou le deep learning, ce glossaire contribue à structurer le débat sur les capacités et les limites de l’IA, du raisonnement pas à pas à l’automatisation du code. Il fournit un vocabulaire commun aux bâtisseurs, aux investisseurs et aux observateurs, condition nécessaire pour discuter de manière informée des enjeux économiques, techniques et sociétaux liés à ces systèmes de plus en plus autonomes.

Questions fréquentes

Que vise ce glossaire consacré à l’intelligence artificielle ?

Il propose des définitions simples des termes d’IA les plus courants pour les bâtisseurs, investisseurs et lecteurs qui veulent suivre le sujet.

Comment le glossaire définit-il l’AGI ?

L’AGI est décrite comme une IA plus capable que l’humain moyen sur de nombreuses tâches, avec des définitions divergentes entre grands laboratoires.

Qu’est-ce qu’un agent d’IA selon ce texte ?

C’est un outil qui utilise des technologies d’IA pour effectuer une série de tâches autonomes pour l’utilisateur, au-delà d’un simple chatbot.

À quoi servent les API endpoints dans ce contexte ?

Ils sont comparés à des boutons logiciels que d’autres programmes ou agents d’IA peuvent utiliser pour déclencher des actions ou récupérer des données.

Pourquoi le deep learning nécessite-t-il beaucoup de données ?

Parce que ses réseaux de neurones à plusieurs couches apprennent par répétition et ajustement, ce qui demande des millions de points de données.

Source

Auteur

Rédaction spécialisée dans la veille et l'analyse de l'actualité de l'intelligence artificielle, des puces IA, des robots, des agents IA et de la recherche.