Comprendre l’IA, concept par concept.
Définitions directes reliées à des exemples, erreurs fréquentes, décisions techniques et analyses éditoriales vérifiées.
Fondamentaux
Unités, capacités et limites essentielles pour comprendre le fonctionnement d’un système d’IA.
Multimodalité
Capacidad de procesar o generar más de un tipo de información, como texto, imagen, audio o vídeo.
Parámetro
Valor numérico aprendido durante el entrenamiento que contribuye a transformar entradas en salidas.
Jeton
Unidad en la que un modelo divide una entrada o salida para procesarla y, a menudo, contabilizar contexto y uso.
Fenêtre contextuelle
Cantidad máxima de tokens que un modelo puede considerar entre entrada, historial, herramientas y salida en una solicitud.
Modèles et apprentissage
Architectures, entraînement et techniques qui déterminent le comportement d’un modèle.
Ajustement fin : ce qui change lorsqu’on poursuit l’entraînement d’un modèle, et ce qu’il ne garantit pas
L’ajustement fin consiste à entraîner davantage un modèle préentraîné afin de l’adapter à un objectif précis. Cette fiche explique le processus, présente trois exemples et distingue cette approche d’autres façons d’adapter ou d’utiliser des modèles.
Apprentissage autosupervisé : définition et fonctionnement
L’apprentissage autosupervisé construit des objectifs d’entraînement à partir des données elles-mêmes. Ce guide en explique le mécanisme, donne des exemples en langage, en vision et en audio, et en précise les limites ainsi que les différences avec d’autres approches.
Aprendizaje por refuerzo con feedback humano
Familia de métodos que usa preferencias humanas para entrenar señales de recompensa y orientar el comportamiento de un modelo.
Données synthétiques : définition, génération et limites des garanties
Les données synthétiques sont générées artificiellement afin de préserver certaines propriétés pertinentes de données réelles pour un objectif précis. Leur origine ne prouve pas, à elle seule, qu’elles sont utiles, de qualité ou respectueuses de la vie privée.
Distillation des connaissances : comment un modèle étudiant apprend d’un modèle enseignant, et ce que cela ne garantit pas
La distillation transfère des signaux d’entraînement d’un modèle enseignant vers un modèle étudiant. Elle peut prendre différentes formes ; elle ne garantit ni que l’étudiant conserve toutes les capacités de l’enseignant, ni qu’il soit plus efficace dans tous les environnements.
Fonction de perte : ce qu’elle mesure pendant l’entraînement et ce qu’elle ne dit pas sur un modèle
Une fonction de perte quantifie, selon un critère défini, l’écart entre une prédiction et une cible. Comprendre ce qu’elle pénalise — et ce qui échappe à cette mesure — aide à interpréter l’entraînement sans le confondre avec une évaluation complète du modèle.
LoRA : comment les matrices de faible rang adaptent un modèle et ce qu’elles ne garantissent pas
LoRA adapte un modèle préentraîné en conservant ses poids d’origine et en apprenant des matrices supplémentaires de faible rang. Cette fiche explique le mécanisme, le compare à d’autres formes d’adaptation et précise ce qu’on ne peut pas conclure du seul nombre de paramètres entraînables.
Mécanisme d’attention : comment un modèle relie différentes parties de l’entrée
L’attention est une opération mathématique qui combine des représentations en fonction de leur compatibilité. Ce guide explique Q, K et V, les variantes du mécanisme et ses limites, sans confondre calcul informatique, attention humaine et explication automatique du modèle.
Modèle distillé : ce que signifie l’étiquette et ce qu’elle ne prouve pas
Un modèle distillé est le modèle élève issu d’un processus qui transfère une partie du comportement d’un modèle professeur. L’étiquette décrit une relation d’entraînement ; elle ne garantit ni équivalence, ni qualité, ni efficacité.
Modelo fundacional
Modelo entrenado a gran escala sobre datos amplios y adaptable a múltiples tareas posteriores.
Préentraînement : ce qu’un modèle apprend avant d’être adapté
Le préentraînement est une phase d’entraînement qui précède certains usages ou adaptations. Son objectif, ses données et son articulation avec les autres étapes dépendent du modèle : il n’existe pas de recette universelle, et cette phase ne garantit pas à elle seule la fiabilité du système.
Sobreajuste
Situación en la que un modelo se adapta demasiado a los datos de entrenamiento y pierde rendimiento ante casos nuevos.
Transformer
Arquitectura neuronal basada principalmente en atención que procesa relaciones entre elementos de una secuencia o varias modalidades.
Génération et interaction
Concepts utilisés pour demander, contrôler et valider une réponse générée.
Aprendizaje con pocos ejemplos
Uso de unos pocos ejemplos dentro de la petición para mostrar al modelo la tarea, el criterio o el formato esperado.
Apprentissage en contexte (ICL) : comment un modèle répond aux exemples du prompt
L’apprentissage en contexte permet d’orienter la réponse d’un modèle à l’aide d’instructions et d’exemples intégrés à son entrée. Découvrez ce que cela signifie, comment le mettre à l’épreuve et en quoi il diffère de l’entraînement et d’autres méthodes.
Chaîne de pensée en IA : ce qu’elle est et ce qu’elle ne prouve pas
Une chaîne de pensée est une séquence d’étapes intermédiaires formulées en texte, qu’un modèle génère ou reçoit comme exemple. Elle peut aider à structurer une tâche et à rendre certaines étapes visibles, mais sa cohérence ne prouve ni leur exactitude ni leur fidélité au processus interne ayant produit la réponse.
Ingénierie du contexte : sélectionner et maintenir les informations reçues par un système d’IA
L’ingénierie du contexte consiste à déterminer quelles informations un modèle doit recevoir pour accomplir une tâche, comment les obtenir et comment les maintenir pertinentes pendant l’exécution. Elle ne se résume pas à rédiger un prompt plus long : elle englobe aussi la sélection de documents, l’utilisation d’outils et la gestion de l’état.
Prompt
Conjunto de instrucciones y contexto entregado a un modelo para orientar una tarea y su formato de salida.
Razonamiento en modelos
Capacidad observable de combinar información, restricciones y pasos intermedios para resolver una tarea.
sortie structurée
Respuesta que debe ajustarse a un esquema definido para poder validarse y procesarse de forma automática.
Temperatura
Parámetro de muestreo que modifica la distribución de probabilidad usada para seleccionar los siguientes tokens.
Données et connaissances
Comment les données sont représentées, récupérées et reliées à des réponses vérifiables.
Base de données vectorielle : ce qu’elle stocke et comment elle recherche par similarité
Une base de données vectorielle stocke des représentations numériques et permet de retrouver les plus proches d’une requête. Elle ne génère pas nécessairement les embeddings et ne décide pas, à elle seule, de la pertinence des résultats.
Búsqueda semántica
Recuperación de información basada en relaciones de significado, normalmente combinada con filtros o búsqueda léxica.
Intégration
Representación numérica que sitúa elementos en un espacio donde ciertas relaciones pueden medirse por proximidad.
Fragmentación de documentos
División de documentos en unidades recuperables que conservan suficiente contexto para responder preguntas.
Source primaire : définition, identification et portée
Une source est primaire par rapport à une question lorsqu’elle présente directement l’objet, les données, la méthode ou la décision que l’on souhaite étudier. Cela ne garantit ni sa véracité, ni son impartialité, ni sa suffisance : il faut évaluer ce qu’elle affirme et les limites de ses conclusions.
Generación aumentada por recuperación (RAG)
Patrón que recupera información externa relevante y la incorpora al contexto antes de generar una respuesta.
Grounding
Conexión de una respuesta con datos recuperados, observaciones, herramientas o fuentes externas que pueden comprobarse.
Reranking : définition, fonctionnement et limites dans les systèmes de récupération
Le reranking est la deuxième étape de scoring dans les systèmes de récupération, évaluant les paires requête-document pour améliorer la précision. Cette fiche technique explique son fonctionnement, distingue les architectures à une et deux étapes, et analyse ses limites opérationnelles dans les pipelines RAG et la recherche sémantique.
Agents et automatisation
Outils, mémoire et modèles pour les systèmes capables d’exécuter des tâches.
Agent IA : définition, fonctionnement et différences avec un chatbot
Un agent IA est un système qui poursuit un objectif en observant son environnement et en choisissant des actions. Ce guide explique son cycle de fonctionnement, ses limites et ce qui le distingue d’un chatbot ou d’une automatisation fixe.
Llamada a herramientas
Mecanismo por el que un modelo selecciona una operación y propone argumentos estructurados para que la aplicación la ejecute.
Memoria de agente
Mecanismo para conservar y recuperar estado relevante entre pasos o sesiones de un sistema basado en modelos.
Model Context Protocol (MCP) : ce qu’il connecte, son fonctionnement et ce qu’il ne garantit pas
MCP est un standard ouvert d’intégration qui permet de connecter des applications d’IA à des systèmes externes, à des données et à des outils. Cette fiche explique ce que les sources disponibles permettent d’affirmer, propose des exemples conditionnels et distingue le protocole d’une API, de l’appel d’outils et d’un agent.
Évaluation
Méthodes pour mesurer qualité, coût, robustesse et utilité dans des conditions reproductibles.
Benchmark en intelligence artificielle : ce qu’il mesure et ce que révèle un score
Un benchmark est une évaluation définie par des tâches, des données, un protocole et des métriques. Son score décrit les performances obtenues dans ces conditions précises ; à lui seul, il ne prouve ni une capacité générale ni des résultats garantis en production.
Contaminación de datos
Presencia total o parcial de datos de evaluación en el entrenamiento, ajuste o contexto previo de un modelo.
Evaluación de IA
Prueba reproducible que mide un comportamiento mediante casos, condiciones, métricas y una rúbrica explícita.
Generalización
Capacidad de mantener un comportamiento útil ante ejemplos o condiciones que no coinciden exactamente con los datos de entrenamiento.
Incertidumbre
Grado de falta de certeza sobre una predicción, una respuesta, la evidencia disponible o la validez de una medición.
Le modèle comme juge (LLM-as-a-judge) : ce qu’il évalue et quels biais vérifier
Un modèle utilisé comme juge s’appuie sur un modèle de langage pour évaluer des réponses ou des actions selon des critères explicites. Ce guide présente le processus, distingue les différentes formes de jugement et indique ce qu’il convient de vérifier avant de se fier aux résultats.
Reproducibilidad
Capacidad de repetir una evaluación con versiones, datos, configuración y procedimiento documentados y obtener resultados compatibles.
Robustez
Capacidad de mantener un comportamiento aceptable ante variaciones, ruido, casos extremos o intentos de manipulación.
Rúbrica de evaluación
Conjunto explícito de criterios y niveles que convierte una valoración en una puntuación interpretable y repetible.
Sécurité et gouvernance
Risques, contrôles et responsabilités tout au long du cycle de vie.
Hallucination en IA : définition et moyens de reconnaître une réponse non étayée
Une réponse fluide n’est pas nécessairement correcte. Ce guide explique ce que l’on entend par hallucination en IA, comment la distinguer d’autres erreurs et quelles vérifications permettent d’évaluer des affirmations précises.
Guardrail en IA : ce qu’il contrôle, où il intervient et ce qu’il ne garantit pas
Un guardrail est un contrôle qui vérifie les entrées, les sorties ou les actions d’un système d’IA au regard d’une politique définie. Sa portée dépend de ce qu’il examine et du moment où il intervient : il peut réduire certains risques, mais ne prouve pas à lui seul que l’ensemble du système est sûr.
Humain dans la boucle (HITL) : ce qu’une personne décide et ce que son intervention ne garantit pas
HITL désigne une conception dans laquelle une personne intervient à un point défini d’un système automatisé. À lui seul, le terme ne précise pas son niveau d’autorité et ne garantit pas qu’elle détectera les erreurs.
Injection d’instructions
Ataque o interferencia en la que contenido no confiable intenta desviar al sistema de sus reglas u objetivo legítimo.
Moderación
Clasificación y tratamiento de contenido según políticas de seguridad, uso aceptable o requisitos legales.
Principe du moindre privilège : définition et application aux systèmes d’IA
Le principe du moindre privilège limite chaque identité — personne, processus ou service — aux autorisations nécessaires à sa tâche. Dans les systèmes d’IA, il encadre l’accès des agents, des outils et des services, sans remplacer l’authentification ni garantir à lui seul un comportement sûr du modèle.
Tests adversariaux : définition, méthode et limites des systèmes d’IA
Les tests adversariaux en IA visent à mettre à l’épreuve les garanties d’un système au moyen d’entrées hostiles ou de scénarios conçus pour provoquer des défaillances. Cette fiche définit la pratique, distingue l’évaluation manuelle de l’automatisation, décrit le cycle technique et examine les limites de couverture et de reproductibilité.
Supervisión humana
Capacidad efectiva de personas responsables para comprender, vigilar, intervenir y detener un sistema cuando sea necesario.
Verificación de hechos
Proceso de contrastar afirmaciones verificables con evidencia identificable, vigente y suficientemente autorizada.
Exploitation et infrastructure
Techniques pour déployer, optimiser et observer les systèmes d’IA en production.
Cache de contexte en IA : ce qu’elle réutilise et pourquoi cela ne signifie pas « se souvenir »
Un cache peut conserver des calculs du modèle afin d’éviter de les répéter. Cette fiche distingue le cache KV du cache de préfixe, explique quand ils peuvent être réutilisés et en précise les limites.
Quantification en IA : ce qui change quand on réduit la précision numérique
La quantification représente les nombres avec moins de niveaux afin de réduire les ressources nécessaires. Mais « 4 bits » ne suffit pas à prédire la mémoire, la vitesse ni la qualité d’un modèle.
Inférence en IA : ce qui se passe lorsqu’un modèle traite une entrée
L’inférence consiste à utiliser un modèle déjà entraîné pour calculer une sortie à partir d’une entrée. Elle peut produire une classe, un score, une représentation ou du contenu généré ; elle ne garantit pas que le résultat soit correct.
Latence en IA : quel temps mesure-t-on et pourquoi le jalon de réponse compte
La latence est le temps écoulé entre un début et une fin définis. Apprenez à distinguer le premier résultat, la réponse complète et le temps perçu par les personnes qui utilisent une application d’IA.
Rendimiento de procesamiento
Cantidad de trabajo que un sistema completa por unidad de tiempo, por ejemplo solicitudes o tokens por segundo.
Essayez un autre mot, un alias ou un autre domaine.