L'industrie IA produit 3-4 néologismes par semaine. Impossible de suivre les podcasts tech sans butin linguistique.
Le problème : ces mots flottent comme des signaux sans décodeur. Un dev dit « fine-tuning », un PM dit « alignment », un journaliste dit « hallucination » — et personne n'utilise le même référent. C'est l'effet Tower of Babel du machine learning.
C'est l'effet Tower of Babel du machine learning..
Ce glossaire fixe 20 pivots sémantiques : prompt engineering, RAG, quantization, emergent abilities, etc. Pas des définitions wiki — des explications courtes calibrées pour un dev qui lit ArXiv.
Dans 18 mois, ces termes seront des commodités conversationnelles. Aujourd'hui, les connaître c'est 6 mois d'avance en recrutement IA, architecture et discussions stakeholder.
Oublier de clarifier « LLM » auprès d'un client coûte une réunion. Ce glossaire te l'épargne.
-- glossaire
Fine-tuning
— Adaptation d'un modèle pré-entraîné sur un dataset spécifique pour une tâche ou domaine précis.RAG (Retrieval-Augmented Generation)
— Technique qui alimente un LLM avec des documents externes récupérés pour réduire les hallucinations.Prompt engineering
— Art de formuler des instructions au LLM pour maximiser la qualité des réponses.Alignment
— Processus de calibration d'un modèle pour que ses sorties correspondent aux valeurs et intentions humaines.Hallucination
— Génération de contenu plausible mais factuellement faux ou inventé par un modèle.Quantization
— Compression d'un modèle en réduisant la précision numérique (32-bit → 8-bit) pour économiser mémoire/calcul.Emergent abilities
— Capacités imprévisibles d'un modèle apparaissant seulement au-delà d'un certain seuil de taille ou données.Transformer
— Architecture neuronale basée sur l'attention, fondation de GPT, Claude, Llama.Token
— Unité atomique de texte traitée par un LLM (mot, subword, ou caractère selon le vocabulaire).Context window
— Nombre maximum de tokens qu'un modèle peut traiter en entrée/sortie simultanément.// IA7 — L'IA. En clair. Maintenant.
