Lexique IA : les fondamentaux de l'intelligence artificielle

_INTRODUCTION

L'intelligence artificielle repose sur un socle de concepts techniques que tout décideur doit comprendre. Non pas pour coder, mais pour prendre les bonnes décisions : choisir le bon modèle, évaluer un prestataire, arbitrer entre performance et coût. Ces 8 termes sont les fondations de tout projet IA.

Modèle

Un modèle est un programme entraîné à reconnaître des patterns dans les données pour produire des prédictions ou des contenus. C'est le cœur de tout système IA. Concrètement, quand vous utilisez ChatGPT, vous interagissez avec un modèle (GPT-4, Claude, Gemini). Pour un décideur, le choix du modèle détermine la qualité des résultats, le coût d'exploitation et les contraintes de déploiement. Tous les modèles ne se valent pas, et le plus puissant n'est pas toujours le plus pertinent pour votre cas d'usage.

Dataset

Le dataset est l'ensemble de données utilisé pour entraîner un modèle. Sa qualité, sa taille et sa diversité déterminent directement les performances du modèle final. Un dataset biaisé produit un modèle biaisé. Un dataset incomplet produit un modèle limité. Pour les entreprises, la question du dataset est stratégique : vos données propriétaires sont un avantage compétitif si elles sont bien structurées, un handicap si elles ne le sont pas.

Entraînement (Training)

L'entraînement est le processus par lequel un modèle apprend à partir d'un dataset. Le modèle ajuste progressivement ses paramètres internes pour minimiser ses erreurs. C'est une phase coûteuse en temps et en ressources de calcul : entraîner un grand modèle de langage peut coüter plusieurs millions de dollars. Pour les entreprises, la distinction clé est entre entraîner un modèle from scratch (rarement pertinent) et fine-tuner un modèle existant (souvent suffisant).

Inférence

L'inférence est le moment où le modèle entraîné produit un résultat à partir de nouvelles données. C'est l'utilisation concrète du modèle en production. Chaque requête que vous envoyez à une IA génère un coût d'inférence. Ce coût est récurrent, contrairement à l'entraînement qui est ponctuel. Pour les entreprises qui déploient l'IA à grande échelle, le coût d'inférence devient souvent le poste budgétaire principal.

Paramètres

Les paramètres sont les valeurs numériques internes que le modèle ajuste pendant l'entraînement. Un modèle comme GPT-4 en contient des centaines de milliards. Le nombre de paramètres est souvent utilisé comme indicateur de la puissance d'un modèle, mais ce raccourci est trompeur : un modèle plus petit, bien entraîné sur des données de qualité, peut surpasser un modèle plus gros. Ce qui compte, c'est l'adéquation entre la taille du modèle et votre cas d'usage.

Loss function

La loss function (fonction de perte) mesure l'écart entre la prédiction du modèle et le résultat attendu. C'est le critère d'évaluation qui guide l'entraînement. Plus la loss est faible, plus le modèle est performant sur ses données d'entraînement. Pour les décideurs, comprendre la loss function permet de poser la bonne question à vos équipes techniques : sur quel critère exact le modèle est-il optimisé, et ce critère correspond-il vraiment à votre objectif business ?

Gradient descent

Le gradient descent (descente de gradient) est l'algorithme d'optimisation qui permet au modèle d'apprendre. À chaque étape, il calcule dans quelle direction ajuster les paramètres pour réduire la loss function. C'est le mécanisme fondamental de tout apprentissage en deep learning. L'essentiel à retenir pour les décideurs : l'apprentissage n'est pas magique, c'est un processus itératif d'optimisation mathématique, ce qui explique pourquoi il nécessite du temps, de la puissance de calcul et des données en quantité.

Architecture

L'architecture désigne la structure interne d'un modèle : comment ses composants sont organisés et interconnectés. Le Transformer, par exemple, est l'architecture qui a révolutionné le traitement du langage et rendu possible les modèles comme GPT et Claude. Le choix d'architecture détermine ce qu'un modèle peut faire et ses limites. Pour les entreprises, comprendre l'architecture d'un modèle aide à évaluer s'il est adapté à un cas d'usage spécifique : un Transformer excelle sur le texte, mais d'autres architectures sont plus efficaces pour le traitement d'images ou de données tabulaires.