DataFranca - Contributions [fr]

Canary deployment

2026-09-28T23:25:05Z

Arianne : Page créée avec « == en construction == == Définition == Méthode de test d’un nouveau '''modèle d'IA''' ou d’une nouvelle version de modèle consistant à ne faire transiter qu’un petit sous-ensemble de '''données''' de production par le modèle candidat avant de procéder à une mise en production complète. Elle permet une analyse plus approfondie du comportement du modèle en conditions réelles et peut limiter le risque... »

== en construction ==

== Définition ==
Méthode de test d’un nouveau '''[[Modèle d'intelligence artificielle|modèle d'IA]]''' ou d’une nouvelle version de modèle consistant à ne faire transiter qu’un petit sous-ensemble de '''[[données]]''' de production par le modèle candidat avant de procéder à une mise en production complète.

Elle permet une analyse plus approfondie du comportement du modèle en conditions réelles et peut limiter le risque que des régressions aient des répercussions graves sur l’entreprise ou les clients.

== Compléments ==
Son objectif principal est de valider le déploiement du modèle en toute sécurité, contrairement au '''[[test A/B]]''', qui lui a pour objectif de procéder à une comparaison causale à long terme entre deux produits stables.

== Français ==
''' XXXXXXXXX'''

== Anglais ==
''' canary deployment'''

== Sources ==
[https://arize.com/glossary/canary-deployment/ Source : Arize]

[[Catégorie:vocabulary]]

Agent-to-agent protocol

2026-09-28T23:16:28Z

Arianne :

== en construction ==

== Définition ==
Cadre de communication ouvert lancé par Google qui permet à des agents d’'''[[Intelligence artificielle|IA]]''' autonomes de communiquer entre eux de manière normalisée et prévisible. Il définit la manière dont les '''[[Agent|agents]]''' font connaître leurs capacités et échangent des demandes de tâches via HTTP, plutôt que d’utiliser des requêtes ad hoc propres à chaque fournisseur.

Voir aussi '''[[agent autonome]]'''

== Français ==
''' XXXXXXX'''

== Anglais ==
''' agent-to-agent protocol'''

''' A2A '''

== Sources ==
[https://arize.com/glossary/agent-to-agent-protocol-a2a/ Source : Arize]

[[Catégorie:vocabulary]]

Agent-to-agent evaluation

2026-09-28T23:08:26Z

Arianne : Page créée avec « == en construction == == Définition == Cadre de communication qui mesure les interactions entre les '''agents''' au sein d’un '''système multi-agents''' et évalue ses transferts : ce qu’un agent a demandé, et si la réponse reçue était utilisable. == Français == ''' XXXXXX''' == Anglais == ''' agent-to-agent evaluation''' == Sources == [https://arize.com/glossary/agent-to-agent-evaluation/ Source : Arize]... »

== en construction ==

== Définition ==
Cadre de communication qui mesure les interactions entre les '''[[Agent|agents]]''' au sein d’un '''[[IA générative multiagent|système multi-agents]]''' et évalue ses transferts : ce qu’un agent a demandé, et si la réponse reçue était utilisable.

== Français ==
''' XXXXXX'''

== Anglais ==
''' agent-to-agent evaluation'''

== Sources ==
[https://arize.com/glossary/agent-to-agent-evaluation/ Source : Arize]

[[Catégorie:vocabulary]]

Agent-to-agent protocol

2026-09-28T23:05:12Z

Arianne : Page créée avec « == en construction == == Définition == Cadre de communication qui mesure les interactions entre les '''agents''' au sein d’un '''système multi-agents''' et évalue ses transferts : ce qu’un agent a demandé, et si la réponse reçue était utilisable. == Français == ''' XXXXXXX''' == Anglais == ''' agent-to-agent protocol''' ''' A2A ''' == Sources == [https://arize.com/glossary/agent-to-agent-protocol-a2a/ So... »

== en construction ==

== Définition ==
Cadre de communication qui mesure les interactions entre les '''[[Agent|agents]]''' au sein d’un '''[[IA générative multiagent|système multi-agents]]''' et évalue ses transferts : ce qu’un agent a demandé, et si la réponse reçue était utilisable.

== Français ==
''' XXXXXXX'''

== Anglais ==
''' agent-to-agent protocol'''

''' A2A '''

== Sources ==
[https://arize.com/glossary/agent-to-agent-protocol-a2a/ Source : Arize]

[[Catégorie:vocabulary]]

Agentic memory

2026-09-28T17:14:14Z

Arianne : Page créée avec « == en construction == == Définition == Mémoire à long terme pour un '''agent''' d''''grand modèle de langues (GML)''' qui s’organise de manière autonome plutôt que de se fier uniquement à ce qui tient dans la '''fenêtre contextuelle''' actuelle. Elle stocke des notes de mémoire contenant le contexte, des mots-clés et des balises, les relie à des notes connexes et met à jour les notes existantes lorsque de nouvelles notes sont ajoutées.... »

== en construction ==

== Définition ==
Mémoire à long terme pour un '''[[agent]]''' d''''[[grand modèle de langues (GML)]]''' qui s’organise de manière autonome plutôt que de se fier uniquement à ce qui tient dans la '''[[fenêtre contextuelle]]''' actuelle. Elle stocke des notes de mémoire contenant le contexte, des mots-clés et des balises, les relie à des notes connexes et met à jour les notes existantes lorsque de nouvelles notes sont ajoutées.

== Compléments ==
La différence entre l'A-MEM et l''''[[Agent workflow memory|AWM]]''' est que la première organise les connaissances et la deuxième saisit la procédure.

== Français ==
''' XXXXXX'''

== Anglais ==
''' agentic memory'''

''' A-MEM'''

== Sources ==
[https://arize.com/glossary/agentic-memory-a-mem/ Source : Arize]

[[Catégorie:vocabulary]]

Gouvernance des données

2026-09-28T00:05:19Z

Arianne :

== Définition ==
Processus de gestion de la disponibilité, de la facilité d’utilisation, de l’'''[[Intégrité des données|intégrité]]''' et de la '''[[sécurité des données]]''' dans les systèmes d’entreprise, sur la base de normes et de politiques de données internes qui régissent également l’utilisation des '''[[données]]'''.

== Français ==
'''gouvernance des données'''

'''GD'''

== Anglais ==
'''data governance'''

'''DG'''

==Sources==
[https://searchdatamanagement.techtarget.com/definition/data-governance Source : Search Data Management ]

[https://www.btb.termiumplus.gc.ca/tpv2alpha/alpha-fra.html?lang=fra&i=1&srchtxt=DATA+GOVERNANCE&codom2nd_wet=1#resultrecs Source : TERMIUM Plus ]

[https://www.springboard.com/blog/data-science-terms/ Source : springboard.com ]

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Agent policy layer

2026-09-27T21:47:28Z

Arianne :

== en construction ==

== Définition ==
Couche qui définit ce qu’un '''[[agent]]''' est autorisé à faire et dans quelles conditions. L’agent propose un appel d’outil, une requête, un message ou une modification, et la couche renvoie une décision : autoriser, refuser, exiger une approbation ou faire remonter l’information.

En d’autres termes, elle encadre un ensemble connu d’actions par rapport à un ensemble connu de règles et se situe entre l’intention de l’agent et le système chargé d’exécuter l’action.

Voir aussi '''[[politique d'action]]'''

== Compléments ==
Il est important de mentionner qu'elle ne garantit pas la sécurité d’un agent, qu'elle ne peut pas pallier une défaillance imprévisible et qu'elle n’améliore pas la qualité du travail de l’agent. Une règle mal rédigée est appliquée à la lettre.

== Français ==
''' XXXXXXXXX'''

== Anglais ==
''' agent policy layer'''

== Sources ==
[https://arize.com/glossary/agent-policy-layer/ Source : Arize]

[[Catégorie:vocabulary]]

Agent workflow memory

2026-09-27T21:43:36Z

Arianne :

== en construction ==

== Définition ==
Technique par laquelle un '''[[agent]]''' extrait des routines réutilisables de ses propres exécutions passées réussies et les applique à des tâches ultérieures : l’agent déduit cette séquence une seule fois, l’enregistre sous la forme d’un flux de travail nommé, puis l’intègre comme plan de départ la prochaine fois qu’une tâche similaire se présente.

Plus simplement, elle comporte trois étapes : observer les trajectoires, déduire des flux de travail, puis les réutiliser.

== Français ==
''' XXXXXXXX'''

== Anglais ==
''' agent workflow memory'''

''' AWM'''

== Sources ==
[https://arize.com/glossary/agent-workflow-memory-awm/ Source : Arize]

[[Catégorie:vocabulary]]

Agent workflow memory

2026-09-27T21:42:26Z

Arianne : Page créée avec « == en construction == == Définition == Technique par laquelle un '''agent''' extrait des routines réutilisables de ses propres exécutions passées réussies et les applique à des tâches ultérieures : l’agent déduit cette séquence une seule fois, l’enregistre sous la forme d’un flux de travail nommé, puis l’intègre comme plan de départ la prochaine fois qu’une tâche similaire se présente. Plus simplement, elle comporte trois étapes :... »

Agent policy layer

2026-09-27T21:33:38Z

Arianne : Page créée avec « == en construction == == Définition == Couche qui définit ce qu’un agent est autorisé à faire et dans quelles conditions. L’agent propose un appel d’outil, une requête, un message ou une modification, et la couche renvoie une décision : autoriser, refuser, exiger une approbation ou faire remonter l’information. En d’autres termes, elle encadre un ensemble connu d’actions par rapport à un ensemble connu de règles et se situe entre l’intent... »

== en construction ==

== Définition ==
Couche qui définit ce qu’un agent est autorisé à faire et dans quelles conditions. L’agent propose un appel d’outil, une requête, un message ou une modification, et la couche renvoie une décision : autoriser, refuser, exiger une approbation ou faire remonter l’information.

En d’autres termes, elle encadre un ensemble connu d’actions par rapport à un ensemble connu de règles et se situe entre l’intention de l’agent et le système chargé d’exécuter l’action.

Voir aussi '''[[politique d'action]]'''

== Français ==
''' XXXXXXXXX'''

== Anglais ==
''' agent policy layer'''

== Sources ==
[https://arize.com/glossary/agent-policy-layer/ Source : Arize]

[[Catégorie:vocabulary]]

Agent orchestration

2026-09-27T21:02:54Z

Arianne : Page créée avec « == en construction == == Définition == Couche de coordination qui détermine la suite des opérations. Elle intervient à la fois au sein d’un seul '''agent''', en déterminant quelle étape suit le résultat d’un outil, et entre plusieurs agents, en déterminant lequel se verra attribuer la tâche. == Français == ''' XXXXXXXXX''' == Anglais == ''' agent orchestration''' == Sources == [https://arize.com/glossary/agent-orchestration/ Source : Ariz... »

== en construction ==

== Définition ==
Couche de coordination qui détermine la suite des opérations. Elle intervient à la fois au sein d’un seul '''[[agent]]''', en déterminant quelle étape suit le résultat d’un outil, et entre plusieurs agents, en déterminant lequel se verra attribuer la tâche.

== Français ==
''' XXXXXXXXX'''

== Anglais ==
''' agent orchestration'''

== Sources ==
[https://arize.com/glossary/agent-orchestration/ Source : Arize]

[[Catégorie:vocabulary]]

Agent-native evaluation

2026-09-27T20:51:53Z

Arianne : Page créée avec « == en construction == == Définition == Il s’agit d’une évaluation conçue en fonction du fonctionnement réel des '''agents''', qui note les trajectoires (étapes, outils utilisés) plutôt que les réponses finales afin de vérifier s'ils se sont comportés correctement. Elle nécessite moins de '''données''' étiquetées qu’on pourrait le croire. == Français == ''' XXXXXX''' == Anglais == ''' agent-native evaluation''' == Sources ==... »

== en construction ==

== Définition ==
Il s’agit d’une évaluation conçue en fonction du fonctionnement réel des '''[[Agent|agents]]''', qui note les trajectoires (étapes, outils utilisés) plutôt que les réponses finales afin de vérifier s'ils se sont comportés correctement. Elle nécessite moins de '''[[données]]''' étiquetées qu’on pourrait le croire.

== Français ==
''' XXXXXX'''

== Anglais ==
''' agent-native evaluation'''

== Sources ==
[https://arize.com/glossary/agent-native-evaluation/ Source : Arize]

[[Catégorie:vocabulary]]

Agent governance

2026-09-27T20:35:31Z

Arianne : Page créée avec « == en construction == == Définition == Programme qui détermine qui est responsable d’un '''agent''' d’'''intelligence artificielle''', ce qu’il est autorisé à faire, ce qui doit être approuvé avant sa mise en production, ce qui fait l’objet d’une révision pendant son fonctionnement, et quelles traces sont conservées de tout ceci. C'est un programme organisationnel plutôt que technique, car la gouvernance n’impose rien en soi, mais... »

== en construction ==

== Définition ==
Programme qui détermine qui est responsable d’un '''[[agent]]''' d’'''[[intelligence artificielle]]''', ce qu’il est autorisé à faire, ce qui doit être approuvé avant sa mise en production, ce qui fait l’objet d’une révision pendant son fonctionnement, et quelles traces sont conservées de tout ceci.

C'est un programme organisationnel plutôt que technique, car la gouvernance n’impose rien en soi, mais elle définit les règles à appliquer et désigne les responsables en cas de défaillance.

== Français ==
''' gouvernance d'agent'''

== Anglais ==
''' governance agent'''

== Sources ==
[https://arize.com/glossary/agent-governance/ Source : Arize]

[[Catégorie:vocabulary]]

Agent feedback loop

2026-09-25T22:45:32Z

Arianne : Page créée avec « == en construction == == Définition == C’est le cycle d’exploitation qui permet de transformer les pratiques de production en améliorations mesurables et qui répond à la question que se pose tout agent de production, à savoir si un changement a amélioré ou détérioré le système. Voir aussi '''agent''' et '''boucle de rétroaction''' == Français == ''' XXXXXXXXX''' == Anglais == ''' agent feedback loop''' == Sources == [https://arize.c... »

== en construction ==

== Définition ==
C’est le cycle d’exploitation qui permet de transformer les pratiques de production en améliorations mesurables et qui répond à la question que se pose tout agent de production, à savoir si un changement a amélioré ou détérioré le système.

Voir aussi '''[[agent]]''' et '''[[boucle de rétroaction]]'''

== Français ==
''' XXXXXXXXX'''

== Anglais ==
''' agent feedback loop'''

== Sources ==
[https://arize.com/glossary/agent-feedback-loop/ Source : Arize]

[[Catégorie:vocabulary]]

Résolution de problème par auto-apprentissage

2026-09-24T02:56:35Z

Arianne :

== Définition ==
[[Système d'IA]] qui évalue lui-même son propre '''[[entraînement]]''' et ses habiletés de résolution de problème ([[raisonnement]]), faisant en sorte qu’il ne requiert aucune '''[[étiquette]]''' de '''[[jeu de référence|référence]]''' ou des '''[[requête générative|requêtes]]''' définies par un humain. Il crée donc ses propres tâches, les résout et il valide ses réponses en utilisant trois modes de [[raisonnement]] classique : la '''[[raisonnement déductif|déduction]]''', l’'''[[raisonnement abductif|abduction]]''' et l’'''[[raisonnement inductif|induction]]'''.

Voir aussi '''[[affinage par auto-jeu]]'''

== Complément ==
Nous préférons ''résolution de problème'' plutôt que ''raisonnement'' pour éviter anthropomorphisme.

== Français ==
'''système de résolution de problème par auto-apprentissage'''

'''résolution de problème par auto-apprentissage'''

'''système de raisonnement par auto-apprentissage'''

'''raisonnement par auto-apprentissage'''

== Anglais ==
''' absolute zero reasoner'''

''' AZR'''

''' absolute zero paradigm'''

== Sources ==
[https://arxiv.org/abs/2505.03335 Source : Arxiv]

[https://medium.com/@ferreradaniel/the-absolute-zero-reasoner-ai-how-self-taught-machines-are-changing-everything-054333c37d2a Source : Medium]

[[Catégorie:Intelligence artificielle]]

Absolute zero paradigm

2026-09-24T02:55:23Z

Arianne : Page redirigée vers Résolution de problème par auto-apprentissage

#REDIRECTION [[Résolution de problème par auto-apprentissage]]

Ingénierie de requête

2026-09-24T02:53:21Z

Arianne :

== Définition ==
Dans le contexte d'une conversation avec un '''[[Syst%C3%A8me_d%E2%80%99intelligence_artificielle|système d'IA]]''' comportant un '''[[modèle génératif]]''', l'ingénierie de requêtes consiste à optimiser la formulation des '''[[requête|requêtes]]''' (en anglais, ''prompts'') pour obtenir des réponses plus précises, plus utiles ou plus pertinentes.

Voir aussi '''[[rédacticien]]''' et '''[[rédactique ]]'''

== Compléments ==
L'ingénierie de requêtes peut impliquer des stratégies comme la reformulation en termes plus spécifiques, l'ajout d'instructions explicites sur le format de la réponse souhaitée, ou encore la répétition de la requête avec des variantes pour voir si cela amène à une meilleure réponse.

L'idée est que, bien que le modèle ait été entraîné sur un large éventail de données et soit capable de générer des réponses à une grande variété de requêtes, la manière dont cette dernière est formulée peut avoir un impact significatif sur la qualité de la réponse générée.

Dans certains cas, des modifications mineures dans la formulation de la requête peuvent conduire à des améliorations majeures de la réponse. Par conséquent, l'ingénierie de requête est une compétence importante pour ceux qui travaillent avec des [[modèle génératif|modèles génératifs]] comme [[GPT]], [[Bard]], ou [[ChatGPT]].

<hr/>
Dans le domaine plus général de l'informatique, l'ingéniérie de requêtes peut s'appliquer à la recherche d'information en général, au moteur de recherche et à la construction de requêtes pour des bases de données (par exemple SQL).

== Français ==
'''ingénierie de requête'''

'''affinage de requête'''

'''élaboration de requête'''

'''construction de requête'''

'''[[rédactique]]'''


== Anglais ==
'''prompt engineering'''

'''prompt design'''

In the context of a conversation with an AI system featuring a generative model, prompt engineering consists in optimizing the formulation of prompts to obtain more precise, more useful or more relevant answers.
See also: prompt engineer and computer assisted writing


==Español==
[[Catégorie:es]]

''''' ingeniería de instrucción '''''

''En el contexto de una conversación con un sistema de IA que incluye un modelo generativo, la ingeniería de consultas consiste en optimizar la formulación de las prompts para obtener respuestas más precisas, más útiles o más pertinentes. Véase también: redactor y redacción''

==Sources==

[https://vitrinelinguistique.oqlf.gouv.qc.ca/fiche-gdt/fiche/26571214/redactique Source : Vitrine linguistique OQLF]

[https://towardsdatascience.com/from-data-engineering-to-prompt-engineering-5debd1c636e0 Source : towardsdatascience ]

[https://www.umontreal.ca/recteur/communications/une-nouvelle/news/detail/News/ianxiete Source : Daniel Jutras]

{{Modèle:101}}

{{Modèle:GDT}}

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
[[Catégorie:101]]
[[Catégorie:Publication]]

Modèle figé

2026-09-24T02:52:14Z

Arianne :

==Définition==
En [[Intelligence artificielle|IA]], [[modèle pré-entraîné]] dont les [[paramètre|paramètres]] ([[poids]]) sont figés, c.-à-d. dont les valeurs ne peuvent/doivent pas être modifiées.

== Compléments ==
Nous proposons ''figé'' plutôt que ''gelé'' malgré la charge métaphorique de terme pour éviter un calque de l'anglais. L'adjectif s'applique tant aux paramètres qu'aux [[Grand modèle de langues (GML)|grands modèles de langues]].

Advenant qu'on entraîne un modèle figé avec de nouvelles [[données]], on s'expose au phénomène d'[[oubli catastrophique]].

==Français==
'''modèle figé'''

'''modèle gelé'''

==Anglais==
'''frozen model'''

==Sources==

[https://cacm.acm.org/news/the-end-of-frozen-llms Communications of the ACM - frozen model]

[https://corpus.ulaval.ca/entities/publication/ca7783ee-b2d9-4634-8aff-c83b7ba8feaf Arman Afrasiyabi (2022) - modèle gelé]

[[Catégorie:Publication]]

Visual prompt

2026-09-15T21:56:06Z

Arianne : Page créée avec « == en construction == == Définition == '''Requête''' sous forme de spécification visuelle simple pour les tâches visuelles qui ne relèvent pas de la '''classification''', telles que la '''détection d’objets''' et la '''segmentation d'image'''. == Compléments == Pour les images spécialisées, il peut s’avérer plus facile et plus naturel de décrire une tâche à l’aide d’une requête visu... »

== en construction ==

== Définition ==
'''[[Requête générative|Requête]]''' sous forme de spécification visuelle simple pour les tâches visuelles qui ne relèvent pas de la '''[[classification]]''', telles que la '''[[Détection d'objet|détection d’objets]]''' et la '''[[segmentation d'image]]'''.

== Compléments ==
Pour les images spécialisées, il peut s’avérer plus facile et plus naturel de décrire une tâche à l’aide d’une requête visuelle plutôt que d’essayer d’utiliser du texte.

== Français ==
''' requête visuelle'''

== Anglais ==
''' visual prompt'''

== Sources ==
[https://mschnei.github.io/visprompt/ Source : Visprompt]

[[Catégorie:vocabulary]]

Speaker diarization

2026-09-15T21:47:19Z

Arianne : Page créée avec « == en construction == == Définition == Processus de traitement de la parole qui consiste à segmenter automatiquement les signaux vocaux et à distinguer les différents locuteurs dans un enregistrement audio. Voir aussi '''traitement automatique de la parole''' == Français == ''' diarisation''' ''' diarisation du locuteur''' ''' diarisation des locuteurs ''' == Anglais == ''' diarization''' ''' speaker diarization''' ''' SD''' == Sources == [http... »

== en construction ==

== Définition ==
Processus de traitement de la parole qui consiste à segmenter automatiquement les signaux vocaux et à distinguer les différents locuteurs dans un enregistrement audio.

Voir aussi '''[[traitement automatique de la parole]]'''

== Français ==
''' diarisation'''

''' diarisation du locuteur'''

''' diarisation des locuteurs '''

== Anglais ==
''' diarization'''

''' speaker diarization'''

''' SD'''

== Sources ==
[https://en.wikipedia.org/wiki/Speaker_diarisation Source : Wikipedia]

[https://vitrinelinguistique.oqlf.gouv.qc.ca/fiche-gdt/fiche/26586996/diarisation Source : GDT, OQLF]

[[Catégorie:vocabulary]]

Hard prompt

2026-09-15T17:26:12Z

Arianne : Page créée avec « == en construction == == Définition == '''Requêtes génératives''' rédigées à la main, formulées en '''langage naturel''', que tout être humain peut lire, rédiger et modifier. Elles sont conçues pour être précises et explicites, et guident directement le comportement et la réponse du '''modèle'''. Il s’agit du type de requête par défaut dans la plupart des applications d’''... »

== en construction ==

== Définition ==
'''[[Requête générative|Requêtes génératives]]''' rédigées à la main, formulées en '''[[langage naturel]]''', que tout être humain peut lire, rédiger et modifier. Elles sont conçues pour être précises et explicites, et guident directement le comportement et la réponse du '''[[Modèle d'intelligence artificielle|modèle]]'''. Il s’agit du type de requête par défaut dans la plupart des applications d’'''[[Intelligence artificielle|intelligence artificielle (IA)]]'''. Cependant, elles augmentent la charge de calcul et le risque de '''[[Fabulation de l'IA|fabulations de l'IA]]'''.

Voir aussi '''[[soft prompt]]'''

== Compléments ==
Cas d'utilisation: '''[[génération automatique d'image]]''', résolution de problèmes et classification de textes.

== Français ==
''' XXXXXXXXX'''

== Anglais ==
''' hard prompt'''

== Sources ==
[https://www.oxcyon.com/centralpoint-dxp/oxcyon-glossary-terminology-centralpoint/hard-prompt-265 Source : Central Point, Oxcyon]

[https://cobusgreyling.medium.com/prompt-tuning-hard-prompts-soft-prompts-49740de6c64c Source : Medium]

[https://shieldbase.ai/glossary/hard-prompt Source: Shieldbase ai glossary]

[https://softwaremind.com/blog/how-and-why-soft-promps-are-slowly-replacing-text-prompts/ Source : Software Mind]

[[Catégorie:vocabulary]]

Hyperparamètre

2026-09-15T17:10:23Z

Arianne :

== Définition ==
En '''[[apprentissage automatique]]''', '''[[paramètre]]''' dont la valeur est utilisée pour contrôler le processus d'apprentissage automatique. C'est-à-dire, un paramètre de l''''[[algorithme]]''' ou de l'architecture du '''[[Modèle d'intelligence artificielle|modèle]]''' qui est fixé avant le début de l''''[[entraînement]]''' d'un modèle donc indépendamment de l'entraînement. En revanche, les valeurs des autres paramètres sont obtenues par entraînement sur les '''[[données]]'''.

== Compléments ==

La valeur d'un hyperparamètre est déterminée par l''''[[optimisation d'hyperparamètre]]''' qui implique une série d'entraînements d'un modèle d'apprentissage.

== Français ==
'''hyperparamètre'''

== Anglais ==

'''hyperparameter'''

'''hyper parameter'''

'''hyper-parameter'''

==Sources==

[https://www.accenture.com/us-en/applied-intelligence-glossary Source : Accenture - applied intelligence glossary ]

[https://en.wikipedia.org/wiki/Hyperparameter_(machine_learning) Source : wikipedia]

[https://www.datacorner.fr/hyper-parameters/ Source : datacorner.fr ]

[https://www.ibm.com/news/ca/fr/2020/12/10/ibm-et-mila-institut-quebecois-dintelligence-artificielle-annoncent-la-naissance-dune-collaboration.html Source : ibm.com ]

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Réglage

2026-09-15T17:08:14Z

Arianne :

== Définition ==
Le réglage des '''[[Modèle d'intelligence artificielle|modèles d'intelligence artificielle]]''' est nécessaire avant de pouvoir être déployés à grande échelle. Ce processus est souvent non intuitif et prend du temps et les '''[[Paramètre|paramètres]]''' de modèle ajustables ('''[[Hyperparamètre|hyperparamètres]]''') peuvent affecter considérablement la précision du modèle.

Voir aussi '''[[peaufinage]]'''

== Français ==
'''réglage'''

== Anglais ==
''' tuning '''

==Sources==

[https://www.accenture.com/us-en/applied-intelligence-glossary Source : Accenture - applied intelligence glossary ]

[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Soft prompt

2026-09-15T17:07:47Z

Arianne :

== en construction ==

== Définition ==
'''[[Tenseur|Tenseurs]]''' ajustables concaténés aux représentations d’entrée et pouvant être optimisés pour un '''[[jeu de données]]''' qui impliquent l’intégration de vecteurs qui n’ont pas de lien linguistique ou sémantique direct avec la tâche à accomplir. Ils sont créés au cours du processus de '''[[prompt tuning]]'''.

Bien qu’ils soient difficiles à comprendre pour l’être humain, il est plus efficace et plus efficient d’ajuster le '''[[Modèle d'intelligence artificielle|modèle]]''' pour diverses tâches à l’aide de ces tenseurs, car ils communiquent mathématiquement avec le modèle.

== Compléments ==
La principale différence entre les '''[[hard prompt]]''' et les requêtes souples réside dans la manière dont ils sont créés et dans leur composition. Une requête souple n’est pas constitués de mots à proprement parler, mais d’un ensemble de valeurs numériques, ou d’un '''[[vecteur sémantique compact]]''', que le '''[[Intelligence artificielle|système d'intelligence artificielle]]''' apprend automatiquement.

== Français ==
''' requête souple'''

== Anglais ==
''' soft prompt'''

== Sources ==
[https://arxiv.org/abs/2504.02144v1 Source : Arxiv]

[https://cobusgreyling.medium.com/prompt-tuning-hard-prompts-soft-prompts-49740de6c64c Source : Medium]

[https://softwaremind.com/blog/how-and-why-soft-promps-are-slowly-replacing-text-prompts/ Source : Software Mind]

[[Catégorie:vocabulary]]

Soft prompt

2026-09-15T17:02:35Z

Arianne : Page créée avec « == en construction == == Définition == '''Tenseurs''' ''apprenables'' concaténés aux représentations d’entrée et pouvant être optimisés pour un '''jeu de données''' qui impliquent l’intégration de vecteurs qui n’ont pas de lien linguistique ou sémantique direct avec la tâche à accomplir. Ils sont créés au cours du processus de '''prompt tuning'''. Bien qu’ils soient difficiles à comprendre pour l’être humain, il est... »

== en construction ==

== Définition ==
'''[[Tenseur|Tenseurs]]''' ''apprenables'' concaténés aux représentations d’entrée et pouvant être optimisés pour un '''[[jeu de données]]''' qui impliquent l’intégration de vecteurs qui n’ont pas de lien linguistique ou sémantique direct avec la tâche à accomplir. Ils sont créés au cours du processus de '''[[prompt tuning]]'''.

Bien qu’ils soient difficiles à comprendre pour l’être humain, il est plus efficace et plus efficient d’ajuster le '''[[Modèle d'intelligence artificielle|modèle]]''' pour diverses tâches à l’aide de ces tenseurs, car ils communiquent mathématiquement avec le modèle.

== Compléments ==
La principale différence entre les '''[[hard prompt]]''' et les requêtes souples réside dans la manière dont ils sont créés et dans leur composition. Une requête souple n’est pas constitués de mots à proprement parler, mais d’un ensemble de valeurs numériques, ou d’un '''[[vecteur sémantique compact]]''', que le '''[[Intelligence artificielle|système d'intelligence artificielle]]''' apprend automatiquement.

== Français ==
''' requête souple'''

== Anglais ==
''' soft prompt'''

== Sources ==
[https://arxiv.org/abs/2504.02144v1 Source : Arxiv]

[https://cobusgreyling.medium.com/prompt-tuning-hard-prompts-soft-prompts-49740de6c64c Source : Medium]

[https://softwaremind.com/blog/how-and-why-soft-promps-are-slowly-replacing-text-prompts/ Source : Software Mind]

[[Catégorie:vocabulary]]

Affinage de requête générative

2026-09-15T16:44:16Z

Arianne : Page créée avec « == en construction == == Définition == Technique ''parameter-efficient fine-tuning'' (PEFT) qui ajuste un petit ensemble de '''paramètres''' d’un '''modèle préentraîné''' à l’aide de '''requêtes souples''', constituées de '''vecteurs sémantiques''' continus plutôt que de texte discret. Elle s’avère utile lorsque l’on souhaite optimiser les performances du modèle sur des '''[... »

== en construction ==

== Définition ==
Technique ''parameter-efficient fine-tuning'' (PEFT) qui ajuste un petit ensemble de '''[[Paramètre|paramètres]]''' d’un '''[[modèle préentraîné]]''' à l’aide de '''[[Soft prompt|requêtes souples]]''', constituées de '''[[Vecteur sémantique compact|vecteurs sémantiques]]''' continus plutôt que de texte discret.

Elle s’avère utile lorsque l’on souhaite optimiser les performances du modèle sur des '''[[Requête générative|requêtes]]''' spécifiques sans avoir à procéder à un ré-entraînement important.

Voir aussi '''[[entraînement]]''' et '''[[réglage]]'''

== Compléments ==
Le réglage de requêtes génératives s'applique dans les domaines de l''''[[apprentissage en quelques coups]]''' et de la '''[[traduction automatique]]'''.

Il peut aussi être utilisé dans les tâches suivantes: la '''[[réponse aux questions]]''', la classification de textes et l'élaboration de résumés.

== Français ==
''' réglage de requête générative'''

''' réglage de requêtes génératives'''

''' réglage de requête'''

''' réglage de requêtes'''

== Anglais ==
''' prompt tuning'''

== Sources ==
[https://www.ai21.com/glossary/foundational-llm/prompt-tuning/ Source : ai21]

[https://www.geeksforgeeks.org/artificial-intelligence/prompt-tuning/ Source : Geeks for Geeks]

[https://www.ibm.com/think/topics/prompt-tuning Source : IBM]

[[Catégorie:vocabulary]]

Prompt optimization

2026-09-14T16:59:38Z

Arianne : Page créée avec « == en construction == == Définition == Pratique consistant à affiner les '''requête générative''' afin d’obtenir des résultats plus précis, pertinents et/ou de haute qualité des '''grands modèles de langues (GML)''', en améliorant la structure, le contenu et la clarté de la requête grâce à diverses techniques d’optimisation et de mesures d’évaluation. Elle se situe à la croisée... »

== en construction ==

== Définition ==
Pratique consistant à affiner les '''[[Requête générative|requête générative]]''' afin d’obtenir des résultats plus précis, pertinents et/ou de haute qualité des '''[[Grand modèle de langues (GML)|grands modèles de langues (GML)]]''', en améliorant la structure, le contenu et la clarté de la requête grâce à diverses techniques d’optimisation et de mesures d’évaluation.

Elle se situe à la croisée de l’'''[[ingénierie de requêtes]]''', de l’itération et de l’alignement des tâches, et met l’accent sur les essais itératifs. Elle est essentielle non seulement pour améliorer l’efficacité du modèle et la qualité de ses résultats, mais aussi pour développer des applications d’IA évolutives et reproductibles.

== Français ==
''' optimisation de requête'''

== Anglais ==
''' prompt optimization'''

== Sources ==
[https://www.ibm.com/think/topics/prompt-optimization Source : IBM]

[[Catégorie:vocabulary]]

Policy entropy collapse

2026-09-14T16:50:06Z

Arianne : Page créée avec « == en construction == == Définition == Phénomène qui se produit lorsqu’une politique converge vers un comportement quasi déterministe, réduisant ainsi considérablement son caractère aléatoire ou '''stochastique'''. Cet effondrement résulte généralement de stratégies d’exploitation agressives, dans lesquelles la priorité accordée à l’optimisation des récompenses attendues l’emporte sur la nécessité de maintenir l’exploration. Voir... »

== en construction ==

== Définition ==
Phénomène qui se produit lorsqu’une politique converge vers un comportement quasi déterministe, réduisant ainsi considérablement son caractère aléatoire ou '''[[stochastique]]'''. Cet effondrement résulte généralement de stratégies d’exploitation agressives, dans lesquelles la priorité accordée à l’optimisation des récompenses attendues l’emporte sur la nécessité de maintenir l’exploration.

Voir aussi '''[[policy entropy]]'''

== Français ==
''' XXXXXXXX'''

== Anglais ==
''' policy entropy collapse'''

== Sources ==
[https://www.emergentmind.com/topics/policy-entropy-collapse Source : Emergent Mind]

[[Catégorie:vocabulary]]

Policy entropy

2026-09-14T16:45:41Z

Arianne : Page créée avec « == en construction == == Définition == En '''apprentissage par renforcement''', mesure du caractère aléatoire ou de l’incertitude dans le choix des actions d’un '''agent'''. Une entropie élevée indique plus de souplesse; une entropie faible indique plus de rigidité. Voir aussi '''Policy entropy collapse''' == Français == ''' XXXXXXXX''' == Anglais == ''' policy entropy''' == Sources == [https://www.alignmentforum.org/posts/C4tvfHn2Df... »

== en construction ==

== Définition ==
En '''[[apprentissage par renforcement]]''', mesure du caractère aléatoire ou de l’incertitude dans le choix des actions d’un '''[[agent]]'''.

Une entropie élevée indique plus de souplesse; une entropie faible indique plus de rigidité.

Voir aussi '''[[Policy entropy collapse]]'''

== Français ==
''' XXXXXXXX'''

== Anglais ==
''' policy entropy'''

== Sources ==
[https://www.alignmentforum.org/posts/C4tvfHn2DfxyYYwaL/policy-entropy-learning-and-alignment-or-maybe-your-llm Source : AI Alignment Forum]

[[Catégorie:vocabulary]]

Modèle fermé

2026-09-14T16:39:52Z

Arianne :

== Définition ==
Paradigme dans lequel non seulement le code, mais les '''[[Paramètre|paramètres]]''' dont les [[poids]], le '''[[corpus]]''' d’entraînement et les détails architecturaux d'un '''[[Modèle d'intelligence artificielle|modèle d'IA]]''' tels que les stratégies d’optimisation et les configurations des '''[[Hyperparamètre|hyperparamètres]]''' sont secrets ou partiellement divulgués.

À défaut d’être transparents et personnalisables par l’utilisateur, les modèles de ce paradigme possèdent potentiellement une sécurité plus grande, une performance et une stabilité plus élevée.

Voir aussi '''[[Licence_en_paramètres_ouverts|modèle en paramètres ouverts]]''' et '''[[open-source model]]'''

== Compléments ==
*L'interaction avec ces modèles s'effectue par l'intermédiaire d'une '''[[Interface de programmation applicative|API]]''' ou d'environnements de déploiement contrôlés.
*Son coût repose soit sur un modèle d'abonnement, soit sur un modèle de paiement au '''[[jeton textuel]]'''.

== Français ==
'''modèle fermé'''

'''modèle propriétaire'''

'''modèle à code-source fermé'''

== Anglais ==
'''closed-source model'''

'''closed model'''

'''proprietary model'''

== Sources ==
[https://www.lapresse.ca/affaires/techno/2026-09-03/intelligence-artificielle/nvidia-va-racheter-hugging-face-pour-12-9-milliards-de-dollars.php Source : La Presse]

[https://www.lapresse.ca/affaires/techno/2024-07-25/meta-evangeliste-inattendu-de-l-ia-en-code-ouvert.php Source : La Presse]

[https://arxiv.org/abs/2412.12004v3 Source : Arxiv]

[https://mediacenter.ibm.com/media/Open+Source+vs+Closed+AI%3A+LLMs%2C+Agents++the+AI+Stack+Explained/1_93qkt80c Source : IBM]

[https://medium.com/@akankshasinha247/the-open-vs-closed-ai-frontier-navigating-transparency-power-and-the-future-of-innovation-4b96c68feb06 Source : Medium]

[[Catégorie:vocabulary]]

Open-source model

2026-09-14T16:39:10Z

Arianne : Page créée avec « == en construction == == Définition == Paradigme dans lequel les '''poids''' des '''modèles''', les spécifications architecturales, les journaux d’'''entraînement''', les '''hyperparamètres''' et, dans la mesure du possible, les jeux de '''données d’entraînement''' sont mis à la disposition de tous. Il encourage la collaboration entre chercheurs universit... »

== en construction ==

== Définition ==
Paradigme dans lequel les '''[[poids]]''' des '''[[Modèle d'intelligence artificielle|modèles]]''', les spécifications architecturales, les journaux d’'''[[entraînement]]''', les '''[[Hyperparamètre|hyperparamètres]]''' et, dans la mesure du possible, les jeux de '''[[Données d'entraînement|données d’entraînement]]''' sont mis à la disposition de tous. Il encourage la collaboration entre chercheurs universitaires, industriels et indépendants.

Bien que sa transparence soit un avantage, elle implique de nombreux inconvénients, tels que: des failles de sécurité, une censure externe et des utilisations abusives, ainsi que la vulnérabilité à l’exploitation malveillante, à la production de fausses informations et aux biais involontaires résultant de '''[[Jeu de données|jeux de données]]''' mal sélectionnés.

Voir aussi '''[[modèle fermé]]'''

== Compléments ==
Parmi les modèles ouverts, on retrouve la famille LLaMA-3 de Meta (voir '''[[LLaMA]]'''), Mixtral de '''[[Mistral AI|Mistral]]''' et le modèle BLOOM de BigScience.

== Français ==
''' modèle ouvert'''

== Anglais ==
''' open-source model'''

== Sources ==
[https://arxiv.org/abs/2412.12004v3 Source : Arxiv]

[https://mediacenter.ibm.com/media/Open+Source+vs+Closed+AI%3A+LLMs%2C+Agents++the+AI+Stack+Explained/1_93qkt80c Source : IBM]

[https://medium.com/@akankshasinha247/the-open-vs-closed-ai-frontier-navigating-transparency-power-and-the-future-of-innovation-4b96c68feb06 Source : Medium]

[[Catégorie:vocabulary]]

Multi-hop question answering

2026-09-14T16:21:58Z

Arianne :

== en construction ==

== Définition ==
Ensemble de tâches dans lesquelles un '''[[Intelligence artificielle|système d’IA]]''' doit fournir une réponse à une question complexe formulée en '''[[langage naturel]]''' en enchaînant des étapes de '''[[raisonnement]]''' – appelées « sauts » (''hop'' en anglais) – à partir de plusieurs éléments d’information disjoints, généralement dispersés dans des documents, des phrases ou des nœuds d’une '''[[base de connaissances]]'''.

Voir aussi '''[[multi-hop reasoning]]''' et '''[[réseau neuronal de graphes]]'''

== Compléments ==
Intègre des modules de recherche, de compréhension de texte et de déduction afin de surmonter la dérive sémantique (''semantic shift'') et les raccourcis de raisonnement.

== Français ==
''' XXXXXXXXX'''

== Anglais ==
''' multi-hop question answering'''

''' MHQA'''

== Sources ==
[https://arxiv.org/abs/2204.09140v2 Source : Arxiv]

[https://www.emergentmind.com/topics/multi-hop-question-answering-tasks Source : Emergent Mind]

[[Catégorie:vocabulary]]

Multi-hop reasoning

2026-09-14T16:21:20Z

Arianne : Page créée avec « == en construction == == Définition == Capacité des '''systèmes d’IA''' à établir des liens logiques entre différents éléments de contexte afin de répondre à des questions ou à prendre des décisions en combinant plusieurs faits à l’appui, déductions et relations contextuelles répartis dans des documents, des '''bases de connaissances''' et d’autres ressources. Voir aussi '''multi-hop... »

== en construction ==

== Définition ==
Capacité des '''[[Intelligence artificielle|systèmes d’IA]]''' à établir des liens logiques entre différents éléments de contexte afin de répondre à des questions ou à prendre des décisions en combinant plusieurs faits à l’appui, déductions et relations contextuelles répartis dans des documents, des '''[[Base de connaissances|bases de connaissances]]''' et d’autres ressources.

Voir aussi '''[[multi-hop question answering]]'''

== Français ==
''' XXXXXXXXX'''

== Anglais ==
''' multi-hop reasoning'''

== Sources ==
[https://www.moveworks.com/us/en/resources/ai-terms-glossary/multi-hop-reasoning Source : Moveworks]

[https://arxiv.org/abs/2204.09140v2 Source : Arxiv]

[[Catégorie:vocabulary]]

Fouille arborescente Monte Carlo

2026-09-13T17:11:12Z

Arianne :

==Définition==
En '''[[intelligence artificielle]]''', la fouille arborescente Monte Carlo est un '''[[algorithme]]''' de '''[[recherche heuristique]]''' dans un arbre pour la prise de décision. Il est notamment employé dans les jeux. Chaque nœud de l'arbre de fouille mémorise deux nombres: le nombre de simulations gagnantes, et le nombre de simulations totales.

==Français==
'''fouille arborescente Monte Carlo '''

'''recherche arborescente Monte Carlo '''

==Anglais==
'''Monte Carlo tree search '''

==Sources==

[https://fr.wikipedia.org/wiki/Recherche_arborescente_Monte-Carlo Source: Wikipedia]

[[Utilisateur:Claude COULOMBE | source : Claude Coulombe]] ([[Discussion utilisateur:Claude COULOMBE | discussion]])

[[Category:GRAND LEXIQUE FRANÇAIS]]

Multi-hop question answering

2026-09-13T17:08:47Z

Arianne : Page créée avec « == en construction == == Définition == Ensemble de tâches dans lesquelles un '''système d’IA''' doit fournir une réponse à une question complexe formulée en '''langage naturel''' en enchaînant des étapes de '''raisonnement''' – appelées « sauts » (''hop'' en anglais) – à partir de plusieurs éléments d’information disjoints, généralement dispersés dans des documents, des phrases ou des nœuds d’une... »

== en construction ==

== Définition ==
Ensemble de tâches dans lesquelles un '''[[Intelligence artificielle|système d’IA]]''' doit fournir une réponse à une question complexe formulée en '''[[langage naturel]]''' en enchaînant des étapes de '''[[raisonnement]]''' – appelées « sauts » (''hop'' en anglais) – à partir de plusieurs éléments d’information disjoints, généralement dispersés dans des documents, des phrases ou des nœuds d’une '''[[base de connaissances]]'''.

Voir aussi '''[[réseau neuronal de graphes]]'''

== Compléments ==
Intègre des modules de recherche, de compréhension de texte et de déduction afin de surmonter la dérive sémantique (''semantic shift'') et les raccourcis de raisonnement.

== Français ==
''' XXXXXXXXX'''

== Anglais ==
''' multi-hop question answering'''

''' MHQA'''

== Sources ==
[https://arxiv.org/abs/2204.09140v2 Source : Arxiv]

[https://www.emergentmind.com/topics/multi-hop-question-answering-tasks Source : Emergent Mind]

[[Catégorie:vocabulary]]

Monte Carlo Dropout

2026-09-13T16:58:46Z

Arianne : Page créée avec « == en construction == == Définition == Technique permettant aux '''réseaux neuronaux''' de se comporter comme des modèles probabilistes sans modifier leur structure, en maintenant le '''décrochage''' actif lors de l’évaluation et en effectuant plusieurs '''propagations avant''', plutôt que de l’utiliser uniquement pour éviter le '''surapprentissage''' pendant l’'... »

== en construction ==

== Définition ==
Technique permettant aux '''[[Réseau de neurones artificiels|réseaux neuronaux]]''' de se comporter comme des modèles probabilistes sans modifier leur structure, en maintenant le '''[[Extinction de neurone|décrochage]]''' actif lors de l’évaluation et en effectuant plusieurs '''[[Propagation avant|propagations avant]]''', plutôt que de l’utiliser uniquement pour éviter le '''[[surapprentissage]]''' pendant l’'''[[entraînement]]'''. Son objectif est d’estimer l’incertitude et d’éviter le surapprentissage.

== Français ==
''' décrochage de Monte Carlo'''

''' abandon de Monte Carlo'''

''' extinction de neurone de Monte Carlo'''

''' régularisation par extinction de neurone de Monte Carlo'''

== Anglais ==
''' Monte Carlo dropout'''

''' MC dropout'''

''' MCD'''

== Sources ==
[https://www.geeksforgeeks.org/deep-learning/what-is-monte-carlo-mc-dropout/ Source : Geeks for Geeks]

[https://medium.com/@ciaranbench/monte-carlo-dropout-a-practical-guide-4b4dc18014b5 Source : Medium]

[[Catégorie:vocabulary]]

Memory wall

2026-09-13T16:47:31Z

Arianne : Page créée avec « == en construction == == Définition == Il s’agit du point à partir duquel l''''inférence''' excède la capacité de mémoire physique des '''processeurs graphiques (GPU)''' qui traitent la charge de travail. Ce phénomène est responsable d'une grande partie de la consommation d’énergie et de la latence dans les systèmes informatiques. Voir aussi '''cache clé-valeur''' == Français == '''XXXXXXX''' == Anglais == '''... »

== en construction ==

== Définition ==
Il s’agit du point à partir duquel l''''[[inférence]]''' excède la capacité de mémoire physique des '''[[Processeur graphique|processeurs graphiques (GPU)]]''' qui traitent la charge de travail. Ce phénomène est responsable d'une grande partie de la consommation d’énergie et de la latence dans les systèmes informatiques.

Voir aussi '''[[cache clé-valeur]]'''

== Français ==
'''XXXXXXX'''

== Anglais ==
''' memory wall'''

== Sources ==
[https://www.frontiersin.org/journals/science/articles/10.3389/fsci.2025.1611658/full Source : Frontiers]

[https://www.weka.io/learn/ai-ml/ai-memory-wall/ Source : Weka.io]

[[Catégorie:vocabulary]]

Center for Research on Foundation Models

2026-09-13T16:40:47Z

Arianne : Page créée avec « == en construction == == Définition == Initiative interdisciplinaire menée au sein de l’Institut de Stanford pour l’intelligence artificielle centrée sur l’humain, qui réalise des avancées fondamentales dans l’étude, le développement et le déploiement des '''modèles fondateurs'''. Elle rassemble un groupe multidisciplinaire composé de professeurs, d’étudiants, de chercheurs et d’ingénieurs issus de plus de 10 départ... »

== en construction ==

== Définition ==
Initiative interdisciplinaire menée au sein de l’Institut de Stanford pour l’intelligence artificielle centrée sur l’humain, qui réalise des avancées fondamentales dans l’étude, le développement et le déploiement des '''[[Modèle fondateur|modèles fondateurs]]'''. Elle rassemble un groupe multidisciplinaire composé de professeurs, d’étudiants, de chercheurs et d’ingénieurs issus de plus de 10 départements de l’Université de Stanford.

== Français ==
''' CRFM'''

== Anglais ==
''' Center for Research on Foundation Models'''

''' CRFM'''

== Sources ==
[https://crfm.stanford.edu/ Source: Stanford CRFM]

[[Catégorie:vocabulary]]

Adaptative knowledge graph memory

2026-09-11T20:48:22Z

Arianne : Page créée avec « == en construction == == Définition == Graphe partagé de faits et de relations auquel plusieurs '''agents''' contribuent et dans lequel ils puisent des informations. Il organise l’information par ordre d’importance et filtre ce qui est partagé, de sorte que les agents aient accès aux connaissances qui leur sont pertinentes. La mémoire est donc à la fois hiérarchique et adaptative. == Compléments == Les nœuds peuvent représenter des entit... »

== en construction ==

== Définition ==
Graphe partagé de faits et de relations auquel plusieurs '''[[Agent|agents]]''' contribuent et dans lequel ils puisent des informations. Il organise l’information par ordre d’importance et filtre ce qui est partagé, de sorte que les agents aient accès aux connaissances qui leur sont pertinentes. La mémoire est donc à la fois hiérarchique et adaptative.

== Compléments ==
Les nœuds peuvent représenter des entités, des affirmations, des sorties d’outils ou des étapes clés d’une tâche. Les arêtes peuvent représenter des relations : « confirme », « contredit », « dérivé de », « attribué à ».

== Français ==
'''XXXXXXXX'''

== Anglais ==
'''adaptative knowledge graph memory'''

== Sources ==
[https://arize.com/glossary/adaptive-knowledge-graph-memory/ Source : Arize]

[[Catégorie:vocabulary]]

Modèle fermé

2026-09-04T16:46:44Z

Arianne :

== en construction ==

== Définition ==
Paradigme dans lequel les '''[[poids]]''', le '''[[corpus]]''' d’entraînement et les détails architecturaux du '''[[Modèle d'intelligence artificielle|modèle]]''' tels que le nombre de '''[[Paramètre|paramètres]]''', les stratégies d’optimisation et les configurations des '''[[Hyperparamètre|hyperparamètres]]''' sont divulgués partiellement, voire pas du tout. À défaut d’être transparents et personnalisables par l’utilisateur, les modèles de ce paradigme possèdent une sécurité centralisée, une performance et une stabilité élevées.

Voir aussi '''[[apprentissage par renforcement avec rétroaction humaine]]''', '''[[apprentissage par curriculum]]''', '''[[ChatGPT]]''', '''[[Claude]]''', '''[[entraînement]]''', '''[[Gemini]]''' et '''[[mixture d'experts]]'''

== Compléments ==
*L'interaction avec ces modèles s'effectue par l'intermédiaire d'une '''[[Interface de programmation applicative|API]]''' ou d'environnements de déploiement contrôlés.
*Son coût repose soit sur un modèle d'abonnement, soit sur un modèle de paiement au '''[[jeton textuel]]'''.

== Français ==
''' XXXXXXXXXXXXX'''

== Anglais ==
''' closed-source model'''

== Sources ==
[https://arxiv.org/abs/2412.12004v3 Source : Arxiv]

[https://mediacenter.ibm.com/media/Open+Source+vs+Closed+AI%3A+LLMs%2C+Agents++the+AI+Stack+Explained/1_93qkt80c Source : IBM]

[https://medium.com/@akankshasinha247/the-open-vs-closed-ai-frontier-navigating-transparency-power-and-the-future-of-innovation-4b96c68feb06 Source : Medium]

[[Catégorie:vocabulary]]

Modèle fermé

2026-09-04T16:45:05Z

Arianne :

== en construction ==

== Définition ==
Paradigme dans lequel les '''[[poids]]''', le '''[[corpus]]''' d’entraînement et les détails architecturaux du '''[[Modèle d'intelligence artificielle|modèle]]''' tels que le nombre de '''[[Paramètre|paramètres]]''', les stratégies d’optimisation et les configurations des '''[[Hyperparamètre|hyperparamètres]]''' sont divulgués partiellement, voire pas du tout. À défaut d’être transparents et personnalisables par l’utilisateur, les modèles de ce paradigme possèdent une sécurité centralisée, une performance et une stabilité élevées.

Voir aussi '''[[apprentissage par renforcement avec rétroaction humaine]]''', '''[[apprentissage par curriculum]]''', '''[[ChatGPT]]''', '''[[Claude]]''', '''[[entraînement]]''', '''[[Gemini]]''' et '''[[mixture d'experts]]'''

== Compléments ==
*L'interaction avec ces modèles s'effectue par l'intermédiaire d'une '''[[Interface de programmation applicative|API]]''' ou d'environnements de déploiement contrôlés.
*Son coût repose soit sur un modèle d'abonnement, soit sur un modèle de paiement au '''[[jeton textuel]]'''.

== Français ==
''' XXXXXXXXXXXXX'''

== Anglais ==
''' closed-source model'''

== Sources ==
[https://medium.com/@akankshasinha247/the-open-vs-closed-ai-frontier-navigating-transparency-power-and-the-future-of-innovation-4b96c68feb06 Source : Medium]

[https://arxiv.org/abs/2412.12004v3 Source : Arxiv]

[[Catégorie:vocabulary]]

Modèle de pointe

2026-09-04T16:39:53Z

Arianne :

== Définition ==
Désigne les '''[[Modèle d'intelligence artificielle|modèles d'intelligence artificielle ]]''' à la fine pointe de la technologie. Généralement, il s'agit de la version la plus récente des '''[[grand modèle de langues|grands modèles de langues]]''' qui dominent l'écosystème.

Ainsi, on peut aussi considérer qu'un modèle frontière est un '''[[modèle fondateur]]''' à la pointe de la technologie.

== Compléments ==

Généralement, ce terme désigne un modèle à usage général entraîné de manière non supervisée à l’aide de ressources de calculs extrêmement importantes (de l’ordre de 10²⁶ '''[[FLOPS]]'''). Ses deux principales caractéristiques sont son '''[[comportement émergent]]''' (par exemple, l’'''[[apprentissage zéro-coup]]''') et son '''[[entraînement]]''' basé sur des '''[[Jeu de données|jeux de données]]''' massifs.
<hr/>
Plusieurs sources considèrent les modèles de pointe comme potentiellement dangereux sur le plan de la cybersécurité.
<hr/>

*Il y a plusieurs types de modèles de pointe, tels que les ''regulatory frontier'', les ''efficiency frontier'', les ''cost frontier'', les ''multimodal frontier''.
* Les versions les plus récentes de '''[[ChatGPT]]''', '''[[Claude]]''', '''[[Gemini]]''' et '''[[Grok]]''' sont les modèles frontières les plus polyvalents.

== Français ==
'''modèle de pointe'''

'''modèle à la fine pointe'''

''' modèle frontière'''

== Anglais ==
''' frontier model'''

== Sources ==

[https://www.lapresse.ca/affaires/techno/2026-07-28/geants-de-l-intelligence-artificielle/un-millier-d-employes-demandent-a-temporiser-la-sortie-des-modeles.php La Presse - modèle de pointe]

[https://www.cyber.gc.ca/en/guidance/frontier-artificial-intelligence-itsap10050 Centre canadien pour la cybersécurité - modèle de pointe]

[https://fr.wikipedia.org/wiki/Mod%C3%A8le_fronti%C3%A8re_(intelligence_artificielle) Wikipédia - modèle frontière, modèle de pointe]

[https://en.wikipedia.org/wiki/Foundation_model#Frontier_models - Wikipedia - Frontier model]

[https://www.datacamp.com/blog/frontier-models datacamp, blog - Frontier model]

[https://www.nvidia.com/en-us/glossary/frontier-models/ Nvidia - Frontier model]

[[Catégorie:vocabulary]]

[[Catégorie:Publication]]

Membership inference attack

2026-09-02T16:10:49Z

Arianne : Page créée avec « == en construction == == Définition == À partir d’un '''modèle''' entraîné et d’un échantillon de '''données''', un attaquant interroge le modèle à plusieurs reprises afin de déterminer si l'échantillon faisait partie de l’'''entraînement''' du modèle. Les modèles qui intègrent des données accessibles au public sont davantage exposés à ce type d’attaques. Ce type d'attaques visent à repro... »

== en construction ==

== Définition ==
À partir d’un '''[[Modèle d'intelligence artificielle|modèle]]''' entraîné et d’un échantillon de '''[[données]]''', un attaquant interroge le modèle à plusieurs reprises afin de déterminer si l'échantillon faisait partie de l’'''[[entraînement]]''' du modèle. Les modèles qui intègrent des données accessibles au public sont davantage exposés à ce type d’attaques. Ce type d'attaques visent à reproduire le modèle, à le falsifier ou à divulguer des données confidentielles.

Voir aussi '''[[renseignements personnels]]'''

== Français ==
''' XXXXXX'''

== Anglais ==
''' membership inference attack'''

''' MIA'''

== Sources ==
[https://arxiv.org/abs/1610.05820 Source : Arxiv]

[https://blogs.ubc.ca/dependablesystemslab/projects/membership-inference-attacks-in-machine-learning-models/ Source : University of British Columbia]

[[Catégorie:vocabulary]]

Large audio language model

2026-09-02T15:56:54Z

Arianne : Page créée avec « == en construction == == Définition == '''Modèle multimodal''' qui enrichit les '''grands modèles de langues''' en leur ajoutant des capacités auditives, telles que la compréhension et la '''génération audio''', grâce à une architecture intégrant trois composantes : un encodeur acoustique, un projecteur d’alignement et un ''LLM backbone''. Son '''entraînement''' se fait... »

== en construction ==

== Définition ==
'''[[Modèle multimodal]]''' qui enrichit les '''[[Grand modèle de langues (GML)|grands modèles de langues]]''' en leur ajoutant des capacités auditives, telles que la compréhension et la '''[[Génération automatique d'audio|génération audio]]''', grâce à une architecture intégrant trois composantes : un encodeur acoustique, un projecteur d’alignement et un ''LLM backbone''. Son '''[[entraînement]]''' se fait avec de vastes '''[[corpus]]''' de paires audio-textes, couvrant souvent la parole, la musique et des scènes ambiantes.

== Compléments ==
Ces modèles peuvent faire de nombreuses tâches, telles que: la '''[[reconnaissance automatique de la parole]]''', le sous-titrage audio et le raisonnement audio complexe.

== Français ==
''' XXXXXXXX'''

== Anglais ==
''' large audio language model'''

''' LALM'''

== Sources ==
[https://aclanthology.org/2025.findings-acl.56/ Source : ACL Anthology]

[https://arxiv.org/abs/2605.20266 Source : Arxiv]

[https://www.emergentmind.com/topics/large-audio-language-model-lalm Source : Emergent Mind]

[[Catégorie:vocabulary]]

Holistic Evaluation of Language Models

2026-09-01T15:21:39Z

Arianne : Page créée avec « == en construction == == Définition == Cadre '''Python''' ''open-source'' normalisé et transparent, créé par le ''Center for Research on Foundation Models'' (CRFM) de l’Université de Stanford afin d’évaluer les '''grands modèles de langues''' et visant à offrir une vue d’ensemble des capacités, des limites et des risques associés à ces modèles grâce à une évaluation holistique et à la mesure de plusie... »

== en construction ==

== Définition ==
Cadre '''[[Python]]''' ''open-source'' normalisé et transparent, créé par le ''Center for Research on Foundation Models'' (CRFM) de l’Université de Stanford afin d’évaluer les '''[[Grand modèle de langues (GML)|grands modèles de langues]]''' et visant à offrir une vue d’ensemble des capacités, des limites et des risques associés à ces modèles grâce à une évaluation holistique et à la mesure de plusieurs indicateurs.

== Compléments ==
Il comporte deux niveaux :

1) une taxonomie abstraite de scénarios et de mesures permettant de définir l’espace de conception pour l’évaluation de la gestion du cycle de vie;

2) un ensemble concret de scénarios et de mesures mis en œuvre, qui ont été élaborés afin de hiérarchiser la couverture, la valeur et la faisabilité.

== Français ==
''' XXXXXXXXX'''

== Anglais ==
''' Holistic Evaluation of Language Models'''

''' HELM'''

== Sources ==
[https://arxiv.org/abs/2211.09110 Source : Arxiv]

[https://www.geeksforgeeks.org/artificial-intelligence/holistic-evaluation-of-language-models-helm/ Source : Geek for Geek]

[https://github.com/stanford-crfm/helm Source : GitHub]

[[Catégorie:vocabulary]]

Granular-ball computing

2026-09-01T15:08:37Z

Arianne : Page créée avec « == en construction == == Définition == Paradigme d’apprentissage basé sur l’'''intelligence artificielle''' qui, contrairement au '''regroupement de données''' traditionnel qui les représente sous forme de points, les représente sous forme de régions hyper-sphériques adaptatives, appelées ''« granular-ball »'', en tant qu’unités de représentation de niveau mésoscopique. Cela améliore l’efficacité et la '''robustesse''', puisq... »

== en construction ==

== Définition ==
Paradigme d’apprentissage basé sur l’'''[[intelligence artificielle]]''' qui, contrairement au '''[[regroupement de données]]''' traditionnel qui les représente sous forme de points, les représente sous forme de régions hyper-sphériques adaptatives, appelées ''« granular-ball »'', en tant qu’unités de représentation de niveau mésoscopique.

Cela améliore l’efficacité et la '''[[robustesse]]''', puisque l’apprentissage et l’'''[[inférence]]''' s’effectuent sur ces granules, ce qui permet de réduire considérablement les coûts et la sensibilité au bruit.

== Français ==
''' XXXXXXXXXX'''

== Anglais ==
''' granular-ball computing'''

''' GB computing'''

''' GBC'''

== Sources ==
[https://arxiv.org/abs/2304.11171 Source : Arxiv]

[https://www.emergentmind.com/topics/granular-ball-computing-gbc Source : Emergent Mind]

[[Catégorie:vocabulary]]

Generalization gap

2026-09-01T14:52:43Z

Arianne : Page créée avec « == en construction == == Définition == Différence entre la performance d’un '''modèle''' sur des '''données d’entraînement''' et des '''jeux de données''' tests qui indique le '''surajustement''' et la fiabilité des prédictions du modèle. L’ampleur et le comportement de cet écart dépendent étroitement du contexte du problème, de l’ar... »

== en construction ==

== Définition ==
Différence entre la performance d’un '''[[Modèle d'intelligence artificielle|modèle]]''' sur des '''[[Données d'entraînement|données d’entraînement]]''' et des '''[[Jeu de données|jeux de données]]''' tests qui indique le '''[[Surapprentissage|surajustement]]''' et la fiabilité des prédictions du modèle. L’ampleur et le comportement de cet écart dépendent étroitement du contexte du problème, de l’architecture du modèle, des paramètres algorithmiques, des propriétés des données d’apprentissage et du scénario d’évaluation.

Voir aussi '''[[paramètre]]''' et '''[[réseau de neurones]]'''

== Français ==
''' XXXXXX'''

== Anglais ==
''' generalisation gap'''

''' generalization gap'''

== Sources ==
[https://www.emergentmind.com/topics/generalization-gap Source : Emergent Mind]

[https://www.sciencedirect.com/science/article/pii/S0925231224005587 Source : ScienceDirect]

[[Catégorie:vocabulary]]

Modèle de pointe

2026-09-01T04:14:56Z

Arianne : Page créée avec « == en construction == == Définition == '''Modèle d'intelligence artificielle (IA)''' à usage général entraîné de manière non supervisée à l’aide de ressources de calculs extrêmement importantes (de l’ordre de 10²⁶ '''FLOPS'''). Ses deux principales caractéristiques sont son '''comportement émergent''' (par exemple, l’'''apprentissage zéro-coup''') et son '''entraînement''' basé sur... »

== en construction ==

== Définition ==
'''[[Modèle d'intelligence artificielle|Modèle d'intelligence artificielle (IA)]]''' à usage général entraîné de manière non supervisée à l’aide de ressources de calculs extrêmement importantes (de l’ordre de 10²⁶ '''[[FLOPS]]'''). Ses deux principales caractéristiques sont son '''[[comportement émergent]]''' (par exemple, l’'''[[apprentissage zéro-coup]]''') et son '''[[entraînement]]''' basé sur des '''[[Jeu de données|jeux de données]]''' massifs.

Ce type de modèles est utilisé dans l'analyse des tendances et prévisions, la génération de code, les processus de conformité et d’audit, la détection et analyse des menaces, les systèmes industriels autonomes ainsi que les copilotes d'IA sur Internet.

Voir aussi '''[[apprentissage non supervisé]]'''

== Compléments ==

*Il y a plusieurs types de modèles frontières, tels que les ''regulatory frontier'', les ''efficiency frontier'', les ''cost frontier'', les ''multimodal frontier''.
* '''[[Gemini]]''', '''[[ChatGPT]]''', '''[[Claude]]''' et '''[[Grok]]''' sont les modèles frontières les plus polyvalents.

== Français ==
''' Modèle frontière'''

''' Modèle fermé''' 

== Anglais ==
''' frontier model'''

== Sources ==
[https://www.datacamp.com/blog/frontier-models Source : datacamp, blog]

[https://www.nvidia.com/en-us/glossary/frontier-models/ Source : Nvidia]

[[Catégorie:vocabulary]]

Differentially Private Stochastic Gradient Descent

2026-08-31T20:25:05Z

Arianne : Page créée avec « == en construction == == Définition == Technique algorithmique utilisée dans les domaines possédant des données sensibles, telles que la '''cybersécurité''' et la médecine. Elle suit les mêmes étapes que la '''descente de gradient stochastique''', mais qui limite la norme des gradients à un seuil avant d'ajouter du bruit gaussien. Elle fournit un cadre permettant de contrôler et de suivre la perte de confidentialité subie pendant l''''entra... »

== en construction ==

== Définition ==
Technique algorithmique utilisée dans les domaines possédant des données sensibles, telles que la '''[[cybersécurité]]''' et la médecine. Elle suit les mêmes étapes que la '''[[descente de gradient stochastique]]''', mais qui limite la norme des gradients à un seuil avant d'ajouter du bruit gaussien. Elle fournit un cadre permettant de contrôler et de suivre la perte de confidentialité subie pendant l''''[[entraînement]]''' privé de modèles d’apprentissage profond.

Voir aussi '''[[apprentissage fédéré]]''' et '''[[réseau de neurones profond]]'''

== Français ==
''' XXXXXXXXX'''

== Anglais ==
''' Differentially Private Stochastic Gradient Descent'''

''' DP-SGD'''

== Sources ==
[https://arxiv.org/abs/2408.10456 Source : Arxiv]

[https://en.wikipedia.org/wiki/Differentially_private_stochastic_gradient_descent Source : Wikipedia]

[[Catégorie:vocabulary]]

Dense passage retrieval

2026-08-31T20:08:58Z

Arianne : Page créée avec « == en construction == == Définition == Ensemble d’outils et de modèles qui utilisent une méthode de rappel/récupération qui récupère les passages pertinents d’un large corpus en réponse à une requête et qui représente les requêtes et les passages comme des vecteurs dense dans un espace compact continu. Cette méthode permet une recherche/récupération basée sur la similitude sémantique. Autrement dit, le système peut identifier les documents... »

== en construction ==

== Définition ==
Ensemble d’outils et de modèles qui utilisent une méthode de rappel/récupération qui récupère les passages pertinents d’un large corpus en réponse à une requête et qui représente les requêtes et les passages comme des vecteurs dense dans un espace compact continu. Cette méthode permet une recherche/récupération basée sur la similitude sémantique. Autrement dit, le système peut identifier les documents les plus pertinents même lorsqu’ils ne contiennent pas de correspondances exactes avec les mots-clés.

Voir aussi '''[[vecteur sémantique compact]]'''

== Compléments ==
Son architecture possède deux composantes principales : l’encodeur de requêtes et l’encodeur de passages.


== Français ==
'''XXXXXXXXXXX'''

== Anglais ==
''' dense passage retrieval'''

''' DPR'''

== Sources ==
[https://arxiv.org/abs/2410.20315 Source : Arxiv]

[https://www.geeksforgeeks.org/nlp/what-is-dense-passage-retrieval-dpr/ Source : Geek for Geek]

[https://huggingface.co/docs/transformers/model_doc/dpr Source : Hugging Face]

[[Catégorie:vocabulary]]