Le lexique de l'IA et des technologies ALL IN : un langage commun pour l'écosystème

L'intelligence artificielle repose sur un large éventail de technologies, de modèles et de techniques permettant aux machines d'apprendre, de raisonner, de générer du contenu et de soutenir la prise de décision. Cette section présente les principaux concepts techniques qui constituent les fondements des systèmes d'IA modernes et des nombreuses solutions qui transforment aujourd'hui les industries.

IA agentique

Systèmes d'intelligence artificielle capables de planifier, de raisonner et d'exécuter de manière autonome des flux de travail complexes avec une intervention humaine limitée.

Agents d'IA

Systèmes logiciels autonomes capables de planifier, de raisonner et d'agir afin d'atteindre des objectifs précis, souvent en interagissant avec des applications, des sources de données et d'autres systèmes d'IA.

Infrastructure d'IA

Ensemble des ressources informatiques, plateformes logicielles, réseaux et systèmes de données nécessaires au développement, à l'entraînement, au déploiement et à l'exploitation de solutions d'IA. Elle comprend notamment les services infonuagiques, les processeurs graphiques (GPU), les solutions de stockage, les infrastructures réseau et les technologies de soutien.

IA en tant que service

Plateformes infonuagiques offrant des capacités d'intelligence artificielle à la demande, permettant aux organisations d'accéder à des outils et services d'IA sans avoir à développer ou gérer leur propre infrastructure.

Vision par ordinateur

Domaine de l'intelligence artificielle qui permet aux ordinateurs d'interpréter, d'analyser et de comprendre des informations visuelles provenant d'images ou de vidéos. Cette technologie est largement utilisée pour l'inspection de qualité, l'imagerie médicale, les véhicules autonomes et la reconnaissance faciale.

IA sur mesure

Solutions d'intelligence artificielle conçues spécifiquement pour répondre à des besoins d'affaires ou à des fonctions particulières. Elles s'intègrent aux processus existants et offrent des capacités spécialisées que les solutions prêtes à l'emploi ne peuvent fournir.

Apprentissage profond

Sous-domaine de l'apprentissage automatique reposant sur des réseaux de neurones multicouches capables d'identifier des schémas complexes dans de très grands volumes de données. L'apprentissage profond est à la base de nombreuses applications modernes d'IA, notamment la reconnaissance d'images, le traitement de la parole et l'IA générative.

IA en périphérie

Intelligence artificielle exécutée directement sur des appareils locaux — tels que des capteurs, téléphones intelligents ou véhicules — plutôt que dans le nuage. L'IA en périphérie permet une prise de décision en temps réel tout en réduisant la latence et en favorisant la protection des données.

IA explicable

Capacité à comprendre et à interpréter la manière dont un système d'IA parvient à une décision ou à une recommandation. L'explicabilité favorise la confiance, facilite la supervision et revêt une importance particulière dans les secteurs fortement réglementés.

Affinage

Processus consistant à adapter un modèle d'IA préentraîné à l'aide de données propres à un domaine afin d'améliorer ses performances pour une tâche, une industrie ou un cas d'usage particulier.

Modèles de fondation

Modèles d'IA de grande envergure entraînés sur de vastes ensembles de données pouvant être adaptés à une grande variété de tâches dans différents secteurs et domaines d'activité.

Produits d'IA prêts à l'emploi

Solutions d'intelligence artificielle préconçues pouvant être déployées rapidement pour répondre à des besoins d'affaires courants, notamment en automatisation, en analyse de données ou en engagement client.

IA générative (GenAI)

Modèles d'intelligence artificielle capables de créer du contenu original — notamment du texte, du code, des images, de l'audio ou de la vidéo — à partir de requêtes ou d'autres données fournies par l'utilisateur.

Inférence

Processus par lequel un modèle d'IA entraîné applique les connaissances acquises afin de produire des prédictions, recommandations ou réponses à partir de nouvelles données. L'inférence représente la phase opérationnelle où l'IA génère de la valeur dans des applications concrètes.

Grands modèles de langage (LLM)

Modèles d'apprentissage profond entraînés sur d'immenses corpus textuels afin de comprendre, de générer et d'interagir en langage naturel. Ils alimentent une grande partie des applications d'IA générative actuelles.

Apprentissage automatique

Branche de l'intelligence artificielle qui permet aux systèmes informatiques d'apprendre à partir de données et d'améliorer leurs performances au fil du temps sans être explicitement programmés pour chaque tâche. L'apprentissage automatique constitue le fondement de nombreuses applications, notamment les systèmes de recommandation, la détection de fraude et l'analyse prédictive.

Dérive des modèles (Model Drift)

Diminution des performances d'un modèle d'IA au fil du temps, lorsque les données réelles ou les conditions d'exploitation diffèrent de celles utilisées lors de son entraînement initial. La surveillance et la correction de cette dérive sont essentielles pour maintenir la fiabilité des systèmes d'IA.

IA multimodale

Modèles d'intelligence artificielle capables de comprendre, de traiter et de générer simultanément plusieurs types de données — notamment du texte, des images, de l'audio, de la vidéo et des données structurées — au sein d'un même système.

Traitement automatique du langage naturel

Domaine de l'intelligence artificielle consacré à la compréhension, à l'interprétation et à la génération du langage humain par les ordinateurs. Le TALN est à la base d'applications telles que la traduction automatique, l'analyse de sentiments, la reconnaissance vocale et les assistants conversationnels.

Ingénierie des requêtes (Prompt Engineering)

Pratique consistant à concevoir et à optimiser les requêtes destinées aux modèles d'IA afin d'améliorer la précision, la pertinence et la cohérence des réponses générées. Une ingénierie efficace des requêtes permet de maximiser les performances de l'IA générative dans une grande variété de cas d'utilisation.

Génération augmentée par récupération

Approche combinant les grands modèles de langage à des sources de connaissances externes afin de produire des réponses plus précises, plus actuelles et mieux contextualisées. Le RAG contribue à réduire les erreurs en fondant les réponses sur des informations fiables.

Données synthétiques

Données générées artificiellement reproduisant les caractéristiques de données réelles. Elles servent à entraîner, à tester et à valider des modèles d'IA lorsque les données réelles sont limitées, sensibles ou soumises à des contraintes de confidentialité.

Base de données vectorielle (Vector Database)

Base de données conçue pour stocker et retrouver des représentations vectorielles (embeddings) générées par des modèles d'IA. Les bases de données vectorielles permettent la recherche sémantique et constituent un élément clé de nombreuses applications de génération augmentée par récupération (RAG) et d'IA d'entreprise.

L'adoption réussie de l'intelligence artificielle ne repose pas uniquement sur la technologie. Cette section présente les concepts, cadres de référence et bonnes pratiques qui permettent aux organisations de gouverner, de déployer et de faire évoluer l'IA de manière responsable tout en créant une valeur d'affaires mesurable.

Champions de l'IA

Employés, dirigeants ou organisations qui favorisent l'adoption et l'utilisation responsable de l'intelligence artificielle. En sensibilisant leurs équipes à l'IA, en encourageant la collaboration entre les différentes fonctions de l'organisation et en accompagnant le changement, les champions de l'IA jouent un rôle essentiel dans l'accélération de son adoption, de son déploiement à grande échelle et de sa commercialisation.

Conformité de l'IA

Processus visant à garantir que les systèmes d'IA respectent les lois, réglementations, normes de l'industrie et politiques organisationnelles applicables. La conformité de l'IA permet aux organisations de gérer les risques juridiques, éthiques et opérationnels tout en favorisant une IA responsable et digne de confiance.

Éthique de l'IA

Ensemble des principes qui guident le développement et l'utilisation responsables de l'intelligence artificielle, en abordant notamment les enjeux d'équité, de transparence, de responsabilité, de protection de la vie privée et de supervision humaine.

Gouvernance de l'IA

Ensemble des politiques, cadres de référence et mécanismes de supervision qui encadrent le développement, le déploiement et la gestion de l'intelligence artificielle au sein d'une organisation. Une gouvernance efficace contribue à assurer que les systèmes d'IA sont sécuritaires, responsables, conformes aux exigences réglementaires et alignés sur les objectifs stratégiques de l'organisation.

Intégration de l'IA

Processus consistant à intégrer des solutions d'intelligence artificielle aux systèmes, processus ou fonctions d'affaires existants afin d'améliorer l'efficacité, la prise de décision, l'innovation et l'expérience client.

Maturité en IA

Mesure du niveau d'avancement d'une organisation dans l'adoption, la gestion et le déploiement à grande échelle de l'intelligence artificielle. La maturité en IA tient compte de facteurs tels que le leadership, la gouvernance, les capacités de gestion des données, l'infrastructure technologique, les talents et l'intégration opérationnelle.

Préparation à l'IA (AI Readiness)

Niveau de préparation d'une organisation — en matière de stratégie, de données, d'infrastructure, de culture organisationnelle et de talents — à adopter et à déployer avec succès des technologies d'intelligence artificielle.

Réglementation de l'IA

Ensemble des lois, règlements, normes et cadres institutionnels qui encadrent le développement, le déploiement et l'utilisation de l'intelligence artificielle afin de promouvoir la sécurité, la transparence, l'équité et la confiance du public.

Retour sur investissement de l'IA

Mesure de la valeur d'affaires générée par les initiatives en intelligence artificielle par rapport aux investissements réalisés. Les organisations utilisent le retour sur investissement de l'IA afin d'évaluer les bénéfices financiers et opérationnels de leurs projets et d'orienter leurs futures décisions d'investissement.

Pénurie de talents en IA

Manque de professionnels possédant les compétences techniques, d'affaires et opérationnelles nécessaires pour développer, déployer et gérer des systèmes d'intelligence artificielle. Combler cette pénurie est devenu un enjeu stratégique pour les organisations de tous les secteurs.

Cas d'usage de l'IA

Problème d'affaires ou occasion précise où l'intelligence artificielle est appliquée afin d'améliorer l'efficacité, d'automatiser des processus, de générer des connaissances ou de créer de nouvelles sources de valeur. Les cas d'usage permettent aux organisations d'identifier, de prioriser et de mesurer les occasions d'adoption de l'IA dans leurs différentes fonctions et industries.

Atténuation des biais

Ensemble des techniques et pratiques visant à détecter, à mesurer et à réduire les biais involontaires présents dans les systèmes d'intelligence artificielle afin d'améliorer leur équité et de limiter les résultats discriminatoires.

Gouvernance des données

Cadre regroupant les politiques, processus et responsabilités permettant de garantir que les données sont exactes, sécurisées, accessibles et utilisées de manière responsable au sein d'une organisation. Une gouvernance efficace des données constitue un fondement essentiel pour développer des systèmes d'IA fiables et assurer la conformité réglementaire.

Jumeau numérique

Représentation virtuelle d'un actif physique, d'un processus, d'un système ou d'un environnement, continuellement alimentée par des données réelles. Les organisations utilisent les jumeaux numériques pour simuler différents scénarios, optimiser leurs opérations, améliorer la maintenance prédictive et soutenir une meilleure prise de décision.

Prévisions

Projections à court terme fondées sur les données et tendances actuelles, permettant aux organisations d'anticiper les résultats les plus probables afin de soutenir la planification et la prise de décision.

Humain dans la boucle (Human-in-the-Loop – HITL)

Approche de l'intelligence artificielle dans laquelle l'intervention humaine demeure présente pour examiner, valider ou influencer les décisions générées par l'IA. Cette supervision humaine contribue à améliorer la précision, la responsabilité et la confiance, particulièrement dans les applications à fort impact ou soumises à une réglementation.

Intelligence artificielle au service des entreprises

Application de l'intelligence artificielle visant à améliorer la performance, la prise de décision et les opérations des entreprises dans des domaines tels que les finances, le marketing, les chaînes d'approvisionnement, les technologies de l'information ou le service à la clientèle.

Projections

Analyses à long terme qui explorent plusieurs scénarios futurs possibles à partir d'hypothèses et de conditions évolutives. Les organisations s'appuient sur ces projections pour soutenir leur planification stratégique et évaluer les risques et les occasions à venir.

IA responsable

Développement, déploiement et utilisation de l'intelligence artificielle selon des principes d'éthique, de transparence, de responsabilité, de sécurité et de respect des valeurs humaines ainsi que du bien-être de la société.

L'intelligence artificielle progresse grâce à la collaboration d'un écosystème diversifié d'organisations et d'individus. Cette section présente les principaux acteurs qui développent, soutiennent, adoptent, financent et façonnent l'innovation, la commercialisation et le déploiement responsable de l'intelligence artificielle.

Adopteurs de l'IA

Organisations qui utilisent l'intelligence artificielle pour améliorer leurs produits, leurs services, leurs opérations ou leur prise de décision. Les adopteurs de l'IA intègrent cette technologie à leurs processus d'affaires afin d'accroître leur efficacité, de stimuler l'innovation et de générer une valeur mesurable.

Écosystème de l'IA

Réseau d'organisations, d'institutions et de personnes qui contribuent au développement, à l'adoption et à la commercialisation de l'intelligence artificielle. L'écosystème de l'IA regroupe notamment des chercheurs, des jeunes entreprises, des fournisseurs de technologies, des entreprises utilisatrices, des investisseurs, des gouvernements, des établissements d'enseignement et des partenaires industriels qui collaborent afin de faire progresser l'innovation.

Fournisseurs d'IA

Organisations dont l'activité principale consiste à développer, à offrir ou à soutenir des produits, des services, des plateformes ou des infrastructures en intelligence artificielle. Les fournisseurs d'IA accompagnent d'autres organisations dans la conception, le déploiement et la mise à l'échelle de solutions d'intelligence artificielle.

Chercheurs en IA

Personnes ou équipes œuvrant dans les universités, les instituts de recherche ou l'industrie afin de faire progresser la science et les applications de l'intelligence artificielle. Leurs travaux couvrent aussi bien la recherche fondamentale que l'innovation appliquée et contribuent au développement de nouvelles technologies et de solutions concrètes.

Startups en IA

Entreprises en démarrage qui développent des technologies, produits ou services innovants en intelligence artificielle. Les jeunes entreprises jouent un rôle essentiel dans la commercialisation de nouvelles idées, l'accélération de l'innovation et la mise en marché de solutions émergentes.

Établissements d'enseignement et de recherche

Universités, collèges et instituts de recherche qui forment les talents en IA, mènent des travaux de recherche et contribuent à l'avancement de l'intelligence artificielle. Ils occupent une place centrale dans la production de nouvelles connaissances, la stimulation de l'innovation et le renforcement de l'écosystème de l'IA.

Organisations gouvernementales

Institutions du secteur public qui élaborent des stratégies en matière d'IA, mettent en place des cadres réglementaires, investissent dans la recherche et l'innovation et favorisent une adoption responsable de l'intelligence artificielle. Les gouvernements jouent un rôle déterminant dans la création des conditions favorables au développement de l'IA et à la croissance économique.

Partenaires de l'industrie

Organisations qui collaborent au développement, au déploiement ou à la mise à l'échelle de solutions d'intelligence artificielle par l'intermédiaire de partenariats stratégiques, de projets de recherche conjoints, d'intégrations technologiques ou d'initiatives commerciales. Les partenaires industriels accélèrent l'adoption de l'IA et renforcent les écosystèmes d'innovation.

Investisseurs

Sociétés de capital de risque, investisseurs corporatifs, investisseurs providentiels et organismes de financement qui soutiennent financièrement les entreprises et les technologies en intelligence artificielle. Les investisseurs jouent un rôle clé dans l'accélération de la commercialisation, de l'innovation et de la croissance des entreprises.

Accélérateurs et incubateurs

Organismes qui accompagnent les startups et les entreprises innovantes dans le développement de leurs solutions en intelligence artificielle. En offrant du mentorat, de la formation, un accès à des réseaux d'experts, des ressources techniques et des occasions de financement, ils contribuent à accélérer la validation, la commercialisation et la croissance des innovations en IA.