Dès que l’on aborde l’intelligence artificielle en entreprise, le vocabulaire peut rapidement devenir technique : LLM, RAG, fine-tuning, MLOps ou encore IA Act. Ces notions structurent pourtant les projets, les usages et les décisions d’investissement liés à l’IA.
Pour faciliter vos échanges et éclairer vos choix, L’observatoire de la tech rassemble ici les définitions essentielles, expliquées de manière claire et opérationnelle.
Ce lexique fait partie de notre centre de ressources thématiques :
- Glossaire Cybersécurité : Pour maîtriser les concepts de défense et de conformité.
- Glossaire Infrastructures & Cloud : Pour décoder les enjeux de vos socles techniques.
- Glossaire Workplace : Pour clarifier les outils et équipements du travail collaboratif.
- Glossaire MSP : Les indicateurs et outils d’un fournisseur de services managés.
- Glossaire Écosystème IT : Pour parler le même langage que les acteurs du marché
- Glossaire Réseaux & Télécoms : Les fondamentaux de la connectivité et des architectures réseau.
Agent conversationnel
Un agent conversationnel est un système capable d’interagir avec un utilisateur par écrit ou à l’oral. Il repose sur des modèles de traitement du langage naturel pour comprendre les demandes et formuler des réponses. En entreprise, il est utilisé pour le support interne, la relation client ou l’assistance aux collaborateurs. Son efficacité dépend de la qualité des données et des scénarios intégrés.
Algorithme de recommandation
Un algorithme de recommandation analyse des données comportementales ou contextuelles afin de proposer des contenus ou actions pertinents. Il est utilisé dans le commerce, les médias ou les outils métiers. En environnement professionnel, il peut suggérer des produits, des documents ou des priorités. Ces systèmes reposent généralement sur des techniques de machine learning.
Automatisation (RPA + IA)
L’automatisation associe la RPA (Robotic Process Automation) à des capacités d’intelligence artificielle. La RPA exécute des tâches répétitives, tandis que l’IA permet de traiter des données non structurées ou d’introduire de la décision. Cette combinaison améliore la productivité des processus métiers. Elle est déployée dans les fonctions support comme la finance ou les ressources humaines.
Biais algorithmique
Un biais algorithmique correspond à une distorsion dans les résultats produits par un modèle d’IA. Il peut provenir des données d’entraînement ou de la conception du modèle. En entreprise, ces biais peuvent entraîner des décisions inéquitables ou erronées. Leur identification et leur correction constituent un enjeu de gouvernance.
Computer Vision
La Computer Vision, ou vision par ordinateur, permet à un système d’analyser des images ou des vidéos. Elle est utilisée pour la détection d’objets, le contrôle qualité ou la reconnaissance faciale. Dans un contexte industriel, elle automatise certaines inspections visuelles. Elle repose sur des modèles d’apprentissage profond.
Copilot / Assistant IA
Un Copilot ou assistant IA est un outil intégré à un logiciel pour aider l’utilisateur dans ses tâches. Il peut générer du texte, résumer des informations ou proposer des actions. En entreprise, ces assistants améliorent la productivité et accélèrent certaines opérations. Leur usage nécessite un encadrement en matière de sécurité et de confidentialité.
Data Lake / Data Warehouse
Un Data Lake est un espace de stockage de données brutes en grand volume. Un Data Warehouse, ou entrepôt de données, structure ces informations pour l’analyse. Ces architectures alimentent les projets d’intelligence artificielle. Elles permettent de centraliser les données nécessaires à l’entraînement et à l’exploitation des modèles.
Dataset (Jeu de données)
Un dataset est un ensemble structuré de données utilisé pour entraîner ou tester un modèle d’IA. Sa qualité influence directement la performance des résultats. En entreprise, il peut provenir de données internes ou de sources externes. La gouvernance des datasets est un enjeu stratégique.
Fine-tuning
Le fine-tuning consiste à adapter un modèle pré-entraîné à un contexte spécifique. Cette technique repose sur un nouvel apprentissage à partir de données ciblées. Elle permet d’améliorer la pertinence des réponses dans un domaine métier donné. Elle est couramment utilisée avec les modèles génératifs.
Hallucination (IA)
Une hallucination correspond à une réponse incorrecte ou inventée produite par un modèle génératif. Ce phénomène survient lorsque le modèle génère un contenu plausible mais inexact. En entreprise, ces erreurs peuvent avoir des conséquences opérationnelles ou juridiques. Leur réduction constitue un enjeu majeur d’industrialisation.
IA Act (règlement européen)
L’IA Act est le règlement européen encadrant le développement et l’usage des systèmes d’intelligence artificielle. Il classe les applications selon leur niveau de risque et impose des obligations proportionnées. Les entreprises doivent identifier les usages concernés et mettre en place des contrôles adaptés. Ce cadre vise à harmoniser les pratiques au sein de l’Union européenne.
Cadre réglementaire : Règlement (UE) 2024/1689 – Artificial Intelligence Act.
Lien : https://eur-lex.europa.eu/
IA agentique / Agent IA
L’IA agentique désigne des systèmes capables d’agir de manière autonome pour atteindre un objectif. Un agent IA peut analyser un contexte, planifier des actions et interagir avec d’autres outils. En entreprise, ces agents automatisent des processus complexes. Leur déploiement suppose une supervision et des garde-fous adaptés.
IA Générative (GenAI)
L’IA générative produit du contenu nouveau sous forme de texte, d’image ou de code. Elle s’appuie sur des modèles entraînés sur de vastes corpus de données. En entreprise, elle est utilisée pour la rédaction, l’analyse ou l’assistance aux développeurs. Son usage nécessite une attention particulière aux données sensibles.
IA Souveraine
L’IA souveraine désigne des solutions développées ou hébergées dans un cadre juridique maîtrisé. Elle vise à limiter la dépendance à des fournisseurs étrangers. Cette notion est liée aux enjeux de protection des données et d’indépendance stratégique. Elle concerne particulièrement les secteurs publics et sensibles.
Inférence
L’inférence correspond à la phase où un modèle déjà entraîné produit une prédiction ou une réponse. Contrairement à l’entraînement, elle intervient en exploitation. En entreprise, l’inférence se déroule lors de l’utilisation quotidienne d’un outil IA. Sa performance influence la rapidité et la qualité des services.
Intelligence Artificielle (IA)
L’intelligence artificielle regroupe des techniques permettant à un système d’exécuter des tâches nécessitant habituellement une intervention humaine. Elle inclut l’apprentissage automatique, la vision par ordinateur ou le traitement du langage. En entreprise, elle soutient l’analyse, l’automatisation et la prise de décision. Elle transforme progressivement les modèles organisationnels.
LLM / SLM (Large vs Small Language Model)
Un LLM (Large Language Model) est un modèle de langage entraîné sur de très grands volumes de données pour comprendre et générer du texte. Un SLM (Small Language Model) est une version plus compacte, conçue pour des usages plus ciblés. Les SLM sont souvent plus rapides, moins coûteux et plus simples à déployer, y compris en environnement contraint ou sur site. En entreprise, le choix dépend du compromis entre qualité, latence, coûts et exigences de confidentialité.
Machine Learning (ML)
Le Machine Learning, ou apprentissage automatique, est une branche de l’IA fondée sur l’analyse de données. Il permet à un système d’améliorer ses performances sans programmation explicite de règles. En entreprise, il est utilisé pour la prévision, la détection d’anomalies ou la recommandation. Il repose sur des modèles statistiques et algorithmiques.
Maintenance prédictive
La maintenance prédictive utilise des modèles d’IA pour anticiper les pannes d’équipements. Elle s’appuie sur l’analyse de données issues de capteurs. Cette approche permet de réduire les interruptions et d’optimiser les coûts. Elle est particulièrement utilisée dans l’industrie.
MLOps
Le MLOps regroupe les pratiques visant à industrialiser le cycle de vie des modèles d’IA. Il associe développement, déploiement et supervision continue. Cette discipline améliore la fiabilité et la traçabilité des systèmes. Elle s’inspire des méthodes DevOps adaptées au machine learning.
Modèle fondation (Foundation Model)
Un modèle fondation est un modèle d’IA pré-entraîné sur de larges volumes de données. Il peut être adapté à de multiples usages par fine-tuning ou spécialisation. Ces modèles constituent la base des systèmes génératifs récents. Ils offrent une grande polyvalence mais nécessitent des ressources importantes.
OCR (Reconnaissance optique de caractères)
L’OCR permet d’extraire automatiquement du texte à partir d’une image ou d’un document scanné. Cette technologie transforme des données non structurées en informations exploitables. En entreprise, elle facilite la gestion documentaire et l’automatisation de processus. Elle est souvent combinée à des outils d’IA.
Prompt Engineering
Le prompt engineering consiste à formuler des instructions précises pour guider un modèle génératif. La qualité du prompt influence directement la pertinence des réponses. En entreprise, cette compétence améliore l’usage des assistants IA. Elle s’inscrit dans les pratiques d’adoption des outils génératifs.
RAG (Retrieval-Augmented Generation)
Le RAG, ou Retrieval-Augmented Generation, combine un modèle génératif avec un système de recherche documentaire. Cette approche permet d’enrichir les réponses avec des données internes actualisées. Elle réduit le risque d’erreurs ou d’hallucinations. Elle est particulièrement adaptée aux environnements professionnels.
