AI1 GLOSSARY - FR-FR

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 3

Terminologie de l'intelligence artificielle

Algorithmes
Les algorithmes sont des instructions mathématiques écrites par des
spécialistes en science de données qui indiquent à la machine comment
trouver des solutions à un problème. Lorsqu'une petite sélection de données
(appelée données de formation) est soumise à plusieurs reprises à un
algorithme, et est ajustée à chaque fois par un spécialiste en science de
données jusqu'à ce que ses résultats soient exacts et fiables, on obtient un
modèle que la machine peut utiliser pour apprendre par elle-même.

Chatbot (agent conversationnel)


Un chatbot (agent conversationnel) est un logiciel conçu pour simuler la
conversation avec des utilisateurs humains, surtout sur Internet. Il s'agit
d'un assistant qui communique avec nous via des messages texte ou vocaux et
s'intègre sous forme de compagnon virtuel aux sites Web, aux applications ou
aux messageries instantanées.

Données
Les données alimentent l'IA. Elles permettent aux systèmes d'IA de révéler
des modèles, des tendances, et des associations en toute confiance.
Certaines données sont structurées, c'est-à-dire qu’elles ont été organisées
dans un format que les ordinateurs peuvent facilement lire et analyser, par
exemple une base de données ou un fichier Excel. Certaines autres données ne
sont pas structurées, par exemple des tweets, des PDF et des fichiers vidéo.

Apprentissage en profondeur
L'apprentissage en profondeur (deep learning) est un groupe de réseaux de
neurones (qui sont eux-mêmes des groupes de modèles d'apprentissage
automatique). L'apprentissage en profondeur peut détecter des modèles dans
des structures de données telles que les images, la vidéo et l'audio. De
nombreux modèles n'ont pas de formation explicite pour trouver une solution.
Ils sont excellents pour résoudre des problèmes de trop grande ampleur ou
trop complexes pour pouvoir être traités par des humains. L'apprentissage en
profondeur a permis de former des véhicules autonomes, de détecter les
fraudes et même de créer des vidéos “DeepFake” de célébrités.

Apprentissage automatique
L'apprentissage automatique (machine learning) est le moteur de tout système
d'IA. Il s'agit de machines qui apprennent sans recevoir d'instructions
explicites sur la façon d'exécuter des tâches. L'apprentissage automatique
dépend souvent de modèles, c'est-à-dire d'artefacts formés qui guident les
machines lors de l’interprétation de nouvelles données. Les modèles
représentent des tendances des données et aident le système d'apprentissage
automatique à établir des prédictions sans lui indiquer comment procéder.

Traitement automatique du langage naturel


Le traitement automatique du langage naturel (NLP) désigne la capacité d'un
logiciel à comprendre le langage humain tel que nous le parlons. Il est
capable de former les ordinateurs à traiter de grandes quantités de texte
d'origine humaine, par exemple des articles de presse ou des conversations,
en comprenant l'intention et la signification de ces données. Avec le
traitement automatique du langage naturel, une machine peut alors répondre à
des interlocuteurs humains de façon nuancée et éclairée. Un exemple courant
est le chatbot (agent conversationnel) d'un service client.
Réseaux de neurones
Les réseaux de neurones sont des groupes de modèles d'apprentissage
automatique. Ils simulent les cellules densément interconnectées du cerveau
humain. Ils peuvent apprendre, reconnaître des modèles, et prendre des
décisions sans devoir être programmés explicitement. Les réseaux de neurones
sont capables de détecter des modèles au sein de données si complexes
qu'aucun être humain ne pourrait en programmer l'analyse.
Apprentissage par renforcement
L'apprentissage par renforcement est un type de modèle d'apprentissage
automatique qui ne fournit pas de données, étiquetées ou non. A la place, la
machine essaie différentes actions et reçoit des signaux de récompense (un
peu comme un chien à qui on donne une friandise !) lorsqu'elle prend des
décisions correctes. Le système est ainsi formé à résoudre un problème, sans
qu'aucune intervention humaine ne soit requise.
Reconnaissance vocale
La reconnaissance vocale est une technologie capable de reconnaître des mots
prononcés à voix haute, qui peuvent ensuite être convertis en texte ou être
utilisés pour une commande vocale. Un sous-ensemble de la reconnaissance
vocale est la reconnaissance individuelle de la voix, qui permet
d'identifier une personne par sa voix.
Apprentissage supervisé
L'apprentissage supervisé est un type de modèle d'apprentissage automatique
qui fournit à la machine des données d'une très grande précision, étiquetées
par un être humain. La machine utilise ce modèle pour reconnaître des objets
apparentés entre eux dans des ensembles de données non entraînés.
Apprentissage non supervisé
L'apprentissage non supervisé est un type de modèle d'apprentissage
automatique qui ne fournit pas de données étiquetées à l'IA. Il fournit à la
place à l'IA des données non étiquetées, et l'IA suggère différentes façons
de les regrouper et de les organiser. C'est important lorsque les données
sont si vastes et si complexes que les êtres humains ne peuvent pas
identifier eux-mêmes leurs tendances.
Reconnaissance visuelle
La reconnaissance visuelle, aussi appelée vision par ordinateur, est une
sous-catégorie de l'IA dont l'objectif est de former les ordinateurs à
comprendre et interpréter des images et des vidéos. Les modèles de
reconnaissance visuelle apprennent à identifier les objets, les personnes,
ou les caractéristiques individuelles dans une image. Par exemple, un modèle
peut contribuer à évaluer les accidents de voiture, identifier le type de
véhicule concerné et les dommages subis, et estimer son coût de réparation.

Vous aimerez peut-être aussi