Comment utiliser cette page
- Tu pars de zéro sur l'IA ? Commence par les 10 mots essentiels ci-dessous, puis lis les sections dans l'ordre.
- Tu cherches un mot précis, là, maintenant ? Ctrl+F (ou Cmd+F), tape le mot. Ou saute à l'index alphabétique en bas de page.
- La mention (notion avancée) signale un terme qu'il est possible de sauter en première lecture, sans perdre le fil.
Vocabulaire IA de base
Ce socle de vocabulaire ne dépend d'aucun métier ni d'aucun projet précis. C'est ce qu'il faut comprendre pour suivre n'importe quelle conversation sur l'IA, du café d'entreprise à la conférence de presse.
Les fondamentaux
- Intelligence artificielle (IA). Un programme capable de réaliser des tâches qui demandent normalement de l'intelligence humaine, comprendre, raisonner, créer. Un couteau suisse numérique qui s'adapte à ce qu'on lui demande, sans jamais "penser" comme un être humain.
- Machine learning (apprentissage automatique). Une méthode qui permet à un programme de s'améliorer en analysant des données, sans qu'on lui écrive une règle pour chaque cas. Comme un enfant à qui on montre des milliers de photos de chats plutôt qu'une liste de critères ("4 pattes, moustaches") : au bout d'un moment, il reconnaît un chat tout seul.
- Deep learning (apprentissage profond). Une famille de techniques de machine learning basée sur des réseaux de neurones empilés en plusieurs couches, chacune affinant un peu plus ce que la précédente a repéré.
- LLM (Large Language Model) / Modèle de langage. Un programme entraîné sur une quantité astronomique de texte, capable de comprendre et générer du langage. Imagine quelqu'un qui aurait lu toutes les bibliothèques du monde : il ne "sait" rien au sens humain, mais il peut parler de presque tout sujet de façon convaincante, en prédisant le mot le plus probable à chaque étape.
- GPT. Une famille de modèles de langage créée par OpenAI, celle derrière ChatGPT. Claude (Anthropic) et Gemini (Google) sont d'autres LLM, développés par d'autres entreprises. Confondre GPT et LLM revient à confondre une marque avec toute une catégorie de produits.
- Open source. Un logiciel dont le code est public, que chacun peut lire, utiliser et adapter. Les modèles propriétaires comme GPT ou Claude fonctionnent à l'inverse : leur fonctionnement interne reste fermé.
- IA générative. Une IA capable de créer du contenu nouveau (texte, image, son, vidéo) plutôt que de simplement classer ou prédire une valeur.
- Modèle de fondation (notion avancée). Un grand modèle entraîné une fois sur des données massives, puis réutilisé comme base pour de nombreuses applications différentes, plutôt que reconstruit de zéro à chaque fois.
- Entraînement (training). La phase pendant laquelle un modèle a été nourri de milliards de textes pour apprendre à générer du langage cohérent. Personne ne fait ça en utilisant ChatGPT. Le travail a déjà été fait en amont par l'entreprise qui a créé le modèle.
- Inférence. Le moment où l'IA produit une réponse à partir de ce qu'elle a appris. C'est l'action, pas l'apprentissage.
- NLP (Natural Language Processing). Le traitement automatique du langage humain par une machine. Le LLM en est l'aboutissement le plus visible aujourd'hui.
- Framework. Un cadre de travail ou une boîte à outils qui facilite le développement d'une application ou d'un agent (LangChain, n8n, par exemple).
- Workflow. Une suite organisée d'étapes automatisées pour accomplir un processus de bout en bout.
- JSON. Un format texte simple pour organiser et échanger des données entre logiciels, ou entre une IA et un outil.
Parler à l'IA (prompting)
- Prompt. L'instruction donnée à l'IA. Comme passer commande au restaurant : "un café" et "un grand café allongé, bien chaud, avec un nuage de lait" ne donnent pas le même résultat.
- Prompt engineering. La compétence de formuler des prompts qui obtiennent exactement ce qu'on veut. Ce n'est plus le "métier à 300 000 $" annoncé il y a deux ans, c'est devenu une compétence transversale, comme savoir écrire un email clair.
- Contexte / Fenêtre de contexte. L'ensemble des informations que l'IA garde "en tête" pendant une conversation : ce qui a été écrit avant, les documents fournis, les instructions données. Sa mémoire à court terme. Une fois la fenêtre pleine, l'IA commence à "oublier" le début de l'échange, un peu comme quelqu'un qui décroche après une réunion trop longue sans pause.
- Chain-of-thought (raisonnement étape par étape) (notion avancée). Demander à l'IA de détailler son raisonnement avant de donner sa réponse finale. Comme à l'école, quand on demandait de "montrer son calcul" plutôt que juste le résultat : ça réduit le risque d'erreur.
- Few-shot / Zero-shot (notion avancée). Donner des exemples à l'IA avant de lui demander quelque chose (few-shot), ou lui demander directement sans exemple (zero-shot). Montrer 2-3 exemples de ce qu'on attend améliore presque toujours la réponse.
- Température (notion avancée). Le réglage qui contrôle à quel point l'IA prend des libertés créatives dans sa réponse. Un curseur entre "toujours la réponse la plus prévisible" (utile pour un résumé factuel) et "plus surprenant et créatif" (utile pour un brainstorm).
- Token. L'unité que l'IA facture, environ 4 caractères en anglais, 3 en français. Ce mot de 5 lettres explique pourquoi une facture IA grimpe plus vite que prévu sur de gros volumes.
- Hallucination. Quand l'IA invente une réponse fausse, avec la même assurance qu'une réponse vraie. Elle peut citer un article de loi qui n'existe pas, avec un aplomb total.
- Biais (IA). Une tendance de l'IA à reproduire, voire amplifier, des déséquilibres présents dans ses données d'entraînement. Si un modèle de recrutement a surtout appris sur des CV d'ingénieurs hommes, il risque de sous-noter des candidatures tout aussi bonnes venant de femmes, sans "intention", juste par reproduction du déséquilibre initial.
- Fine-tuning. Réentraîner un modèle sur des données spécifiques pour le spécialiser. Comme un médecin généraliste qui se spécialise en cardiologie : il ne repart pas de zéro, il suit une formation ciblée en plus. C'est la technique la plus vendue, et la moins utile pour la majorité des gens qui la réclament. Un bon prompt ou du RAG suffit dans 9 cas sur 10.
- Multi-modalité. La capacité d'un modèle à traiter plusieurs formats à la fois : texte, image, son.
- Embedding. La façon dont l'IA transforme un mot ou une phrase en une série de nombres pour en capter le sens. Comme placer chaque mot sur une carte : "roi" et "reine" se retrouvent proches l'un de l'autre, "banque" change de quartier selon qu'on parle d'argent ou de rivière.
Encadrement, éthique et sécurité
- RGPD. Le règlement européen qui encadre la collecte et l'utilisation des données personnelles : ce qu'on a le droit de collecter, où on a le droit de l'héberger, et le droit pour chacun de faire supprimer ses données.
- EU AI Act (règlement européen sur l'IA). La loi européenne qui classe les usages de l'IA selon leur niveau de risque, et impose des obligations plus strictes aux usages les plus sensibles (recrutement, santé, notation de crédit).
- Explicabilité (explainability). La capacité à comprendre comment une IA est arrivée à sa décision. Plus un modèle est explicable, plus une décision automatisée peut être justifiée face à un client, un régulateur ou un board.
- Éthique (ethics). La réflexion sur ce qui est juste ou non dans l'usage d'une IA, au-delà de ce que la loi impose déjà.
- Robustesse. La résistance d'un modèle face aux erreurs, aux cas limites, ou aux tentatives de le piéger.
- Shadow AI (IA fantôme). L'usage d'outils IA non validés par une entreprise, par des salariés qui contournent les process officiels parce que c'est plus rapide. Le même principe que le "shadow IT" d'avant, sauf qu'ici on colle potentiellement des données sensibles dans un outil gratuit sans savoir où elles finissent.
- Prompt injection. Une attaque qui consiste à glisser une instruction cachée dans un texte ou un document pour détourner le comportement de l'IA.
Agents IA
Un agent qui échoue silencieusement coûte plus cher qu'un agent qui n'existe pas. Ce vocabulaire distingue un vrai agent d'un chatbot habillé en agent, et pose les bases de ce qui garantit qu'on peut lui faire confiance.
Agents et architectures
- Agent IA. Une IA à qui on donne un objectif, et qui prend elle-même les décisions pour l'atteindre, en enchaînant plusieurs actions sans validation à chaque étape. Un chatbot répond à une question, un agent IA planifie, compare et agit.
- Chatbot. Un agent IA conçu spécifiquement pour discuter avec des humains, une sous-catégorie plutôt qu'un synonyme d'"IA" en général.
- IA agentique. L'adjectif qui décrit une IA capable de planifier, exécuter et corriger ses propres actions, par opposition à une IA qui se contente de répondre à une question posée.
- Archétype d'agent. La catégorie d'un agent IA : Classification, Extraction, Synthèse, Chat, Orchestration. Savoir dans quelle catégorie se range un agent aide à évaluer si la promesse qui l'accompagne est réaliste.
- Multi-agent (notion avancée). Une architecture où plusieurs agents IA collaborent, chacun spécialisé sur une sous-tâche, plutôt qu'un seul agent généraliste qui tente de tout faire.
- Orchestrateur / Orchestration IA. Le composant qui coordonne plusieurs agents et services entre eux pour accomplir une tâche complexe de bout en bout, sans validation manuelle à chaque étape.
Connecter et faire agir un agent
- MCP (Model Context Protocol). Le standard qui permet à une IA de se connecter à des outils externes (Gmail, Slack, une base de données) sans connexion sur mesure pour chacun. Le port USB de l'IA : un seul format de branchement pour tout connecter.
- Tool Use / Tool calling. Le mécanisme qui permet à un modèle d'appeler des fonctions externes, lire une base de données, envoyer un email. Ce qui transforme un générateur de texte en agent capable d'agir.
- A2A (Agent-to-Agent) (notion avancée). Un protocole qui permet à des agents IA développés par des équipes ou des entreprises différentes de communiquer entre eux selon un langage commun.
- Browser Use. Une catégorie d'agent qui utilise un navigateur pour interagir avec des sites web, comme le ferait un humain.
- Provider (LLM). Le fournisseur du modèle utilisé derrière l'agent (Anthropic, OpenAI, Google, Mistral). Le choix du provider a un impact direct sur le coût, la qualité et la dépendance à un seul acteur.
- Prompt caching (notion avancée). La mise en cache du début d'un prompt pour le facturer jusqu'à 10 fois moins cher à partir du deuxième appel.
Fiabiliser un agent
- Eval set (notion avancée). Un jeu de 10 à 20 cas test avec la sortie attendue, utilisé pour valider la qualité d'un agent avant de le déployer.
- Harnais (notion avancée). L'environnement dans lequel l'agent tourne réellement (un outil comme Cowork, une Edge Function, un environnement de développement). Ça détermine ce que l'agent peut ou ne peut pas faire concrètement.
- Guardrails (garde-fous). Les limites techniques imposées à un agent pour l'empêcher de sortir du cadre prévu. Comme les rambardes sur une route de montagne : elles n'empêchent pas de rouler, elles empêchent de sortir de la route.
- Circuit breaker. Un mécanisme qui désactive automatiquement un agent après un certain nombre d'erreurs en peu de temps. Le même principe que le disjoncteur électrique d'une maison : mieux vaut couper le courant que laisser un court-circuit continuer.
- Shadow mode. Faire tourner un agent sur de vraies données, mais sans déclencher d'action réelle, le temps de vérifier son comportement. Comme un pilote qui s'entraîne sur simulateur avant de voler avec de vrais passagers à bord.
- Idempotence. La garantie que rejouer deux fois la même requête ne produit pas un doublon. Comme appuyer plusieurs fois sur un bouton d'ascenseur déjà activé : ça n'envoie pas trois ascenseurs.
- Human-in-the-loop. Le principe qui garde un humain dans la boucle de décision, en supervision ou validation, plutôt que de laisser l'agent agir seul sur les sujets sensibles.
Construire sans coder
Que ce soit pour un site, une automatisation ou un agent, il est aujourd'hui possible de construire un outil qui, il y a deux ans encore, demandait une équipe de développeurs.
Construire un produit
- Vibe coding. Construire un site, une application en décrivant ce qu'on veut en langage naturel, en laissant l'IA écrire le code.
- No-code. Construire un outil sans écrire de code, via des interfaces visuelles (glisser-déposer, blocs, formulaires).
- Low-code. Un entre-deux : des interfaces visuelles pour l'essentiel, avec la possibilité d'ajouter un peu de code sur mesure pour les cas particuliers.
- MVP (Minimum Viable Product). La plus petite version d'un produit qui résout déjà le problème principal, et qu'un vrai utilisateur peut utiliser. Pas un prototype qu'on montre, un produit qui fonctionne.
- Front-end. La partie visible de l'application, ce que l'utilisateur voit et manipule.
- Back-end. La partie invisible, ce qui traite les demandes et applique les règles derrière l'écran.
- Base de données. La mémoire de l'application, où sont rangées toutes les informations, organisées en tables.
- API. Le catalogue de services qu'une partie de l'application met à disposition d'une autre pour qu'elles communiquent. Comme le serveur d'un restaurant : il présente ce qu'on peut commander, transmet la commande en cuisine, et rapporte le plat. Un agent IA a un cerveau, mais sans API il n'a ni mains ni yeux.
Automatiser des tâches
- Automatisation. L'exécution de tâches répétitives par un logiciel, sans intervention humaine à chaque fois.
- Webhook. Une adresse web qu'un système appelle automatiquement dès qu'un événement se produit (un paiement reçu, un formulaire rempli).
- Trigger (déclencheur). L'événement qui lance un workflow automatisé : un email reçu, une heure précise, un nouveau formulaire soumis.
- Node (n8n). Un bloc visuel qui représente une action dans un outil d'automatisation comme n8n (envoyer un email, appeler une API, transformer une donnée).
- CRON. Un mécanisme qui déclenche une tâche automatiquement à intervalles réguliers (tous les jours à 8h, toutes les heures).
- RPA (Robotic Process Automation). Une automatisation qui simule les actions d'un humain sur un écran (cliquer, copier-coller, remplir un formulaire), sans passer par une API.
- Scraping. L'extraction automatisée de données depuis un site web, quand ce site ne propose pas d'API pour y accéder proprement.
- RAG (Retrieval Augmented Generation). La technique qui permet à une IA de lire tes propres documents avant de répondre, plutôt que de se baser uniquement sur ce qu'elle a appris à l'entraînement.
Héberger et faire tourner
- Cloud computing. Faire tourner une application sur des serveurs distants plutôt que sur sa propre machine. Comme louer un ordinateur ailleurs, accessible par internet, plutôt que d'en acheter et d'en entretenir un soi-même.
- SaaS (Software as a Service). Un logiciel accessible en ligne par abonnement, sans rien installer (Notion, Supabase, Vercel en sont des exemples).
- OAuth. Le mécanisme qui permet de se connecter à un outil avec un compte existant (Google, Microsoft) sans jamais partager son mot de passe. Comme donner les clés d'une voiture à un voiturier : il peut la conduire, pas ouvrir le coffre-fort à la maison.
- Déploiement. Mettre l'application en ligne pour la rendre accessible sur le web. Chaque mise à jour du code crée un nouveau déploiement, avec son propre état (réussi, échoué, en cours).
- Repository (repo). Le dossier du projet suivi par GitHub, qui garde l'historique de chaque modification.
- Fork. Une copie d'un dépôt de code qui t'appartient, pour repartir d'une base existante plutôt que d'une page blanche.
- RLS (Row Level Security). Les règles qui décident qui a le droit de voir ou modifier quelle donnée, ligne par ligne. Sans RLS activée, n'importe qui connaissant l'adresse de l'API peut accéder à tout.
Suivre un projet en production
- Build. L'étape où le code est transformé en version prête à être publiée. Si le build échoue, rien n'est mis en ligne. C'est le premier endroit à vérifier quand "le site ne marche pas".
- Environnement (local vs production). Le contexte où tourne l'application : en local sur une machine personnelle, ou en production, en ligne pour tout le monde.
- Erreur serveur (5xx). La famille de codes qui signale un problème côté serveur, pas côté utilisateur. Le 500 est le plus fréquent en développement rapide, souvent une clé d'API ou une variable d'environnement mal configurée. Le 503 signale un serveur surchargé, le 504 un temps de réponse trop long.
- Code d'erreur HTTP. Règle simple : 4xx, le problème vient de la demande (côté visiteur) ; 5xx, le problème vient du serveur.
- Log. L'historique automatique et horodaté de tout ce qui se passe dans l'application, la première chose à consulter quand quelque chose plante.
- Monitoring. Observer une application en production pour vérifier qu'elle tourne, que les données arrivent, et qu'elle sert son objectif.
- Dashboard (tableau de bord). Un écran qui rassemble les informations importantes en chiffres et graphiques.
- Scaling (montée en charge). La capacité de l'application à encaisser plus d'utilisateurs sans ralentir ni planter, et sans faire exploser la facture au passage.
- Disponibilité (uptime). Le pourcentage de temps où le site est réellement accessible. "99,9 %" représente quelques minutes d'indisponibilité par mois.
- Latence. Le temps que met l'application à répondre. Une latence élevée, ce sont des utilisateurs qui partent avant d'avoir leur réponse.
- Analytics. Les statistiques de fréquentation d'un site : visiteurs, pages vues, vitesse.
- Seed / fausse data. Des données fictives injectées volontairement pour simuler une activité réelle avant le vrai lancement.
Créer avec l'IA : images, vidéos, voix
C'est la famille de mots la plus visible dans les médias, Midjourney, Sora, les deepfakes qui font scandale, et pourtant la plus souvent absente des glossaires IA "sérieux", trop centrés sur le texte.
- Génération d'image (text-to-image). Une IA qui transforme une description en texte ("un lion dans un bureau, style aquarelle") en image. Midjourney, DALL-E ou Stable Diffusion en sont les outils les plus connus.
- Diffusion model. La technique derrière la plupart des générateurs d'images actuels : le modèle part d'une image de bruit aléatoire et la "débruite" progressivement jusqu'à obtenir une image cohérente. Un peu comme dégager une sculpture d'un bloc de marbre brut, en retirant peu à peu ce qui ne fait pas partie de la forme finale.
- GAN (Generative Adversarial Network). Une technique de génération plus ancienne, où deux IA s'affrontent : l'une génère des images, l'autre essaie de repérer les fausses. Un faux-monnayeur et un enquêteur qui s'entraînent l'un contre l'autre : plus l'un progresse, plus l'autre doit s'améliorer. Elle est moins utilisée aujourd'hui pour l'image, mais encore très présente dans les deepfakes.
- Texte-to-vidéo. Le même principe que la génération d'image, appliqué à la vidéo : une description en texte devient un clip animé (Sora en est l'exemple le plus médiatisé).
- Deepfake. Un contenu (visage, voix) généré ou manipulé par IA pour faire dire ou faire faire à quelqu'un ce qu'il n'a jamais dit ou fait. Le risque business est réel : usurpation d'identité en visio, fausses déclarations attribuées à un dirigeant.
- ASR (reconnaissance vocale). La technologie qui transforme la parole en texte, ce que fait Claude ou ChatGPT quand on leur parle à l'oral.
- TTS (synthèse vocale). L'inverse de l'ASR, transformer du texte en voix parlée, utilisé par les assistants vocaux et les voix off générées par IA.
Modélisation de données sans être développeur
Avant qu'une ligne de code soit écrite, tout projet commence par une question simple : qu'est-ce qu'on stocke, et comment c'est lié entre soi ? Ce vocabulaire permet de lire un schéma de données sans être développeur.
Les briques de base
- Entité. Un objet du monde réel que le projet doit stocker : Client, Commande, Logement. Chaque entité devient une table dans la base.
- Attribut. Une caractéristique d'une entité. Pour l'entité "Client" : nom, email, date d'inscription. Dans un tableau, ce sont les colonnes.
- Relation. Le lien entre deux entités, souvent un verbe métier : "un client passe plusieurs commandes". Il se traduit techniquement par une clé étrangère.
- Cardinalité. La règle qui précise combien d'éléments d'une entité peuvent être liés à combien d'éléments d'une autre. Comme une classe qui a plusieurs élèves, mais où chaque élève n'appartient qu'à une seule classe : un client peut passer plusieurs commandes, une commande n'a qu'un seul client.
- Clé primaire (PK). L'identifiant unique de chaque ligne d'une table, jamais dupliqué, jamais vide.
- Clé étrangère (FK). Le champ qui fait le lien concret entre deux tables (un "client_id" dans une commande, par exemple).
- Table. L'unité de stockage d'une entité : des lignes (les objets) et des colonnes (les attributs).
Concevoir un schéma
- Schéma de données. Le plan complet de la base : quelles tables, quelles colonnes, quels types, quels liens. Le plan d'architecte avant de couler le béton.
- Diagramme ERA (Entité-Relation-Attribut). La carte visuelle du schéma de données, la façon la plus rapide de repérer une erreur de modélisation sans lire une ligne de code.
- CRUD. Les 4 actions de base sur une donnée : Créer, Lire, Mettre à jour, Supprimer. Toute fonctionnalité d'un produit correspond à l'une de ces 4 opérations.
- Normalisation. Le principe qui évite de stocker la même information à deux endroits différents, pour ne jamais avoir à la corriger deux fois.
- Jointure. L'opération qui combine les données de deux tables liées (afficher une commande avec le nom du client qui l'a passée, par exemple).
- Typage. Le fait d'attribuer un type précis à chaque donnée (texte, nombre, date). Un typage bâclé, ce sont des bugs qu'on ne voit qu'en production.
- UUID. Un identifiant unique généré automatiquement, impossible à deviner. Un standard de sécurité de base pour tout projet sérieux.
- SQL. Le langage universel pour interroger une base de données. Savoir qu'il existe évite d'être perdu si quelqu'un affiche une requête à l'écran, même sans jamais avoir à l'écrire soi-même.
Recherche sémantique et RAG
- JSONB. Un type de donnée qui permet de stocker des informations semi-structurées (un peu comme un mini-document) directement dans une base de données relationnelle classique.
- Base vectorielle (notion avancée). Une base de données qui range l'information selon son sens plutôt que selon un mot-clé exact, ce qui permet de retrouver des contenus proches en signification même s'ils n'utilisent pas les mêmes mots. Comme un rayon de bibliothèque organisé par thème plutôt que par ordre alphabétique du titre.
- pgvector. L'extension de PostgreSQL (donc de Supabase) qui transforme une base de données classique en base vectorielle. C'est ce qui rend le RAG possible en pratique.
Un mot qui n'est pas encore dans la liste ? C'est normal, ce glossaire grandit avec le rythme de l'IA.
Et si tu veux dépasser le vocabulaire pour vraiment construire un projet IA, c'est exactement ce qu'on fait chez Lion, l'école de l'IA.
