Glossaire

L’exactitude est la proportion de prédictions correctes d’un modèle. Formule, exactitude top-1 et top-5, paradoxe de l’exactitude sur les données déséquilibrées et meilleures métriques.

Le découpage en séquences d’actions amène une politique robotique à prédire une séquence d’actions futures à partir d’une observation, ce qui limite l’accumulation des erreurs. Présentation d’ACT, du lissage et des VLA.

La reconnaissance d’actions, ou reconnaissance des activités humaines (HAR), attribue une étiquette aux actions des personnes dans une vidéo en modélisant leur mouvement au fil du temps. Méthodes, jeux de données et code.

Une fonction d’activation est la fonction non linéaire qu’un neurone applique à son entrée pondérée, permettant aux réseaux d’apprendre des motifs courbes. Comparaison des choix courants.

L’apprentissage actif permet à un modèle de choisir les échantillons non étiquetés que les utilisateurs annoteront ensuite, afin d’atteindre une exactitude cible avec moins d’annotations. Stratégies de sélection et code.

Adam combine l’impulsion avec des tailles de pas par paramètre, mises à l’échelle selon l’amplitude récente des gradients. Présentation de la règle de mise à jour, des valeurs par défaut, d’AdamW et de la comparaison entre Adam et SGD.

Les attaques adversariales créent de petites modifications, souvent invisibles, des entrées qui font échouer les modèles d’IA avec une forte confiance. Fonctionnement de FGSM, types d’attaques et défenses.

L’informatique affective conçoit des systèmes capables de détecter les émotions humaines et d’y répondre. Signaux, jeux de données, usages concrets et limites scientifiques et juridiques.

L’évaluation des agents vérifie si un agent d’IA accomplit correctement et de manière fiable des tâches à plusieurs étapes, en notant les résultats finaux et les transcriptions sur plusieurs essais.

Un environnement d’exécution d’agent est le code qui entoure un modèle pour en faire un agent d’IA : la boucle, les outils, le contexte, la mémoire, les autorisations et les vérifications qui exécutent ses actions.

L’isolation d’un agent exécute les commandes et le code généré par un agent d’IA dans un environnement isolé qui limite l’accès à ses fichiers, au réseau, aux identifiants et aux ressources de calcul.

Les compétences d’agent sont des dossiers contenant des instructions, des scripts et des fichiers de référence, organisés autour d’un fichier SKILL.md, qu’un agent d’IA charge lorsqu’une tâche les nécessite.

Le protocole Agent2Agent (A2A) est une norme ouverte qui permet aux agents d’IA de différents fournisseurs de se découvrir, de se déléguer des tâches et de renvoyer des résultats.

Le développement logiciel agentique est une approche où un agent d’IA lit une base de code, modifie des fichiers, exécute des tests, corrige les échecs et soumet une modification pour révision.

Le commerce agentique désigne l’achat et la vente où des agents d’IA recherchent, comparent et paient pour le compte d’un acheteur, dans des limites définies et à l’aide de protocoles comme ACP, UCP et AP2.

Le RAG agentique confie la recherche d’informations à un agent d’IA : il planifie les recherches, choisit les outils, vérifie les résultats et relance les recherches jusqu’à pouvoir répondre.

Les workflows agentiques décomposent une tâche en étapes où les modèles de langage planifient, appellent des outils, vérifient leurs propres résultats et les révisent, au lieu de répondre en une seule fois.

Un agent d’IA poursuit un objectif en observant son environnement, en choisissant une action et en agissant à l’aide d’outils dans une boucle jusqu’à ce que la tâche soit terminée. Fonctionnement des agents.

L’orchestration des agents d’IA détermine quel agent, modèle ou outil prend en charge chaque étape d’une tâche, quel contexte chacun reçoit et comment leurs résultats sont fusionnés.

Dans le débat entre IA, deux modèles défendent des réponses opposées et un juge moins performant désigne le gagnant. Fonctionnement de la proposition de 2018, résultats des expériences et limites.

Le doublage par IA combine la transcription, la traduction et la synthèse vocale pour créer des dialogues synchronisés dans d’autres langues, tout en conservant le minutage des interventions des locuteurs.

L’éthique de l’IA applique des principes moraux tels que l’équité, la confidentialité, la transparence et la responsabilité à la conception et à l’utilisation de l’IA. Cadres, enjeux et lois.

Une usine d’IA désigne l’infrastructure et les flux de travail qui transforment les données en résultats d’IA à grande échelle, de l’annotation à l’entraînement, au déploiement et à la surveillance.

Une passerelle d’IA est un proxy entre les applications et les modèles d’IA qui unifie les API des fournisseurs et ajoute le routage, les solutions de repli, les budgets de jetons, la mise en cache et la journalisation.

La gouvernance de l’IA détermine qui peut concevoir, approuver et retirer des systèmes d’IA, et sur la base de quelles preuves. NIST AI RMF, ISO/IEC 42001, règlement européen sur l’IA et contrôles essentiels.

Les garde-fous d’IA sont des vérifications autour d’un modèle d’IA qui bloquent les entrées, les sorties et les actions non sûres, des filtres contre l’injection de prompt aux vérifications de schéma des appels d’outils.

La culture de l’IA désigne les connaissances et le jugement nécessaires pour comprendre, questionner et bien utiliser l’IA. Compétences fondamentales, cadres scolaires et article 4 de la loi européenne sur l’IA.

La psychose liée à l’IA désigne les idées délirantes qui apparaissent ou s’intensifient lors de longues conversations avec un chatbot. État des preuves, causes et mesures de protection.

Le red teaming de l’IA soumet les systèmes d’IA à des attaques simulées et à des scénarios d’utilisation abusive pour détecter les jailbreaks, les fuites de données, les sorties nuisibles et les défaillances de robustesse.

La sécurité de l’IA vise à empêcher les systèmes d’IA de causer des préjudices dus à une utilisation abusive, à un mauvais alignement, à des erreurs ou à un comportement fragile face à des entrées inhabituelles.

Le contenu médiocre généré par l’IA est un contenu de faible qualité produit en masse par l’IA générative pour générer des clics et des revenus publicitaires. Origine du terme, raisons de sa diffusion et méthodes de détection.

La complaisance de l’IA consiste pour un modèle à approuver les utilisateurs ou à les flatter au détriment de l’exactitude. Pourquoi l’entraînement par préférences la favorise, ses effets néfastes et comment la tester.

Coupes basées sur la transcription, recadrage automatique, masques de sujets, suppression d’objets et caviardage : les modèles derrière le montage vidéo par IA et les limites du montage automatisé.

L’AI washing consiste à exagérer de manière trompeuse les capacités d’IA d’un produit, en occultant ses performances réelles, l’intervention humaine et les preuves à l’appui de ses affirmations.

Le tatouage numérique par IA dissimule un signal détectable par machine dans les images, les textes, les fichiers audio ou les vidéos générés. Fonctionnement de SynthID et des schémas de liste verte, et leurs limites.

Un biais algorithmique est une erreur systématique et répétable dans des décisions automatisées qui désavantage certains groupes. Ses trois origines, des affaires marquantes et des compromis.

La simulation de l’alignement consiste pour un modèle d’IA à se conformer à un entraînement auquel il s’oppose afin de préserver ses préférences, un comportement observé pour la première fois chez Claude 3 Opus en 2024.

Les boîtes d’ancrage sont des boîtes prédéfinies de tailles et de rapports d’aspect fixes qu’un détecteur déplace et redimensionne pour ajuster aux objets. Comment elles sont dimensionnées, associées et utilisées.

Les détecteurs avec ancres prédisent les objets sous forme de décalages par rapport à des boîtes d’ancrage prédéfinies, comme dans Faster R-CNN, SSD, RetinaNet et YOLOv5. Fonctionnement et comparaison.

Les détecteurs sans ancres prédisent les boîtes à partir de points ou de points clés, sans boîtes d’ancrage prédéfinies. Comment FCOS, CenterNet et les modèles YOLO modernes détectent les objets.

La détection d’anomalies signale les points de données, les événements ou les régions d’image qui s’écartent des motifs normaux. Types d’anomalies, principales méthodes, inspection visuelle et code.

L’AUC résume une courbe ROC en un score compris entre 0 et 1 : la probabilité qu’un classificateur classe un exemple positif aléatoire au-dessus d’un exemple négatif aléatoire. Comparaison entre ROC AUC et PR AUC, avec du code.

L’intelligence artificielle générale (AGI) est une IA hypothétique qui égale les humains dans presque toutes les tâches cognitives. Définitions, niveaux, tests et comparaison entre AGI et ANI.

L’intelligence artificielle (AI) est le domaine qui consiste à concevoir des machines capables de percevoir, de raisonner, d’apprendre et d’agir. Son histoire, ses principales approches, ses types et ses usages.

L’intelligence artificielle étroite (ANI), ou IA faible, maîtrise une tâche, mais ne peut pas transférer ses compétences à d’autres. Fonctionnement, exemples et comparaison entre ANI et AGI.

Un mécanisme d’attention pondère les caractéristiques d’entrée selon leur pertinence à l’aide de requêtes, de clés et de valeurs. Présentation des mathématiques, des types d’attention et de la comparaison entre attention et convolution.

Les puits d’attention sont des jetons, généralement les premiers, qui absorbent le poids d’attention restant ; leur mise en cache stabilise les LLM sur de très longues séquences.

Auto-GPT est un programme open source de 2023 qui permettait à GPT-4 de poursuivre seul un objectif en s’invitant à agir dans une boucle de planification, de commandes d’outils et de mémoire.

Un autoencodeur apprend à compresser les données en un code compact, puis à les reconstruire, sans étiquettes. Présentation de sa structure, de ses variantes, de la détection d’anomalies et du code.

L’apprentissage automatique automatisé (AutoML) automatise la sélection des modèles, le réglage des hyperparamètres et la préparation des caractéristiques. Fonctionnement de la recherche, outils et réglage de YOLO.

Les véhicules autonomes perçoivent leur environnement et se déplacent avec peu ou pas d’intervention humaine. Présentation des capteurs, de la chaîne de conduite, des niveaux SAE et des déploiements.