Les termes d'IA expliqués sans jargon

Un assistant vraiment bien lu. Un LLM a été entraîné sur des milliards de pages de texte — livres, articles, sites web, code, conversations — et a appris les schémas du langage assez bien pour générer du nouveau texte qui sonne humain. Il ne “sait” pas les choses comme toi. Il prédit le mot suivant le plus probable, encore et encore, incroyablement vite. Mais le résultat est tellement bon que la différence est souvent académique.

Un morceau de mot. L'IA ne lit pas les mots comme toi — elle découpe le texte en “tokens”, qui sont des morceaux qui peuvent être un mot entier, une partie d'un mot, ou même un seul caractère. Les mots courants comme “bonjour” sont généralement un token. Les mots plus longs sont divisés : “extraordinaire” devient environ 3 tokens. Règle approximative : 1 token ≈ 0,75 mot, ou environ 4 caractères.

La fenêtre de contexte est la quantité totale de texte que l'IA peut garder dans sa mémoire de travail pendant une conversation. Tout ce que tu as dit, tout ce qu'elle a dit, plus tous les documents que tu as collés — tout doit tenir dans la fenêtre de contexte. Une fois que la conversation dépasse la fenêtre, l'IA commence à “oublier” les premières parties.

Tes instructions à l'IA. Un prompt peut être aussi simple que “Quelle est la capitale de la France ?” ou aussi complexe qu'un ensemble d'instructions sur plusieurs paragraphes avec des exemples, des contraintes et des exigences de formatage. La qualité de ton prompt est le plus grand facteur de la qualité de la réponse.

Quand un modèle d'IA traite ton prompt et génère une sortie, ça s'appelle l'inférence. Le modèle lui-même a été entraîné une fois (ce qui prend des semaines ou des mois et des millions de dollars). Chaque fois que tu l'utilises après ça, il fait de l'inférence — appliquant ce qu'il a appris à ton entrée spécifique. Pense à l'entraînement comme aller à l'école, et à l'inférence comme passer l'examen.

Un paramètre (généralement de 0 à 1) qui contrôle à quel point les réponses de l'IA sont prévisibles ou créatives. À température 0, l'IA choisit toujours le mot suivant le plus probable — fiable, cohérent, parfois ennuyeux. À température 1, elle introduit du hasard, choisissant des mots moins évidents, menant à une sortie plus créative et variée. Pense à ça comme un curseur entre “comptable strict” et “musicien de jazz”.

Une hallucination d'IA, c'est quand le modèle génère une information qui sonne autoritaire et plausible mais qui est complètement inventée. Il ne ment pas (il n'a pas d'intention) — il prédit à quoi ressemble un texte qui sonne plausible, et parfois cette prédiction ne correspond pas à la réalité. Fausses citations, statistiques inventées, URL inexistantes et affirmations factuelles confiantes-mais-fausses sont toutes des hallucinations.

Prendre un LLM pré-entraîné et l'entraîner davantage sur un jeu de données spécialisé pour qu'il devienne meilleur à une tâche spécifique. Le modèle de base connaît déjà le langage ; le fine-tuning lui enseigne les schémas particuliers de ton domaine. C'est comme engager quelqu'un de généralement intelligent puis lui donner une formation spécialisée en entreprise.

Au lieu de se fier uniquement à ce que le modèle a appris pendant l'entraînement, le RAG permet à l'IA de chercher dans un ensemble spécifique de documents avant de répondre. Il récupère d'abord les infos pertinentes, puis génère une réponse basée sur ce qu'il a trouvé. Ça réduit dramatiquement les hallucinations pour les questions factuelles parce que l'IA travaille à partir de matériel source réel, pas juste de sa mémoire.

Un embedding convertit un morceau de texte en une liste de nombres (un “vecteur”) qui capture son sens. Des textes similaires obtiennent des nombres similaires. Ça permet à l'IA de faire une recherche sémantique — trouver des documents qui portent sur le même sujet, même s'ils utilisent des mots complètement différents. C'est la technologie qui propulse le RAG, les systèmes de recommandation et la recherche intelligente.

L'organisation qui entraîne, héberge et sert le modèle d'IA. Quand tu utilises Claude, le fournisseur est Anthropic. Quand tu utilises GPT-4, le fournisseur est OpenAI. Quand tu utilises Gemini, c'est Google. Les fournisseurs possèdent le modèle, font tourner les GPU et fixent les prix. Certains fournisseurs font leurs propres modèles (Anthropic, Google) ; d'autres hébergent des modèles faits par différentes équipes (Together.ai, Fireworks).

Une entreprise qui ne fait pas tourner sa propre IA mais construit un produit par-dessus l'API de quelqu'un d'autre. Certains wrappers ajoutent une vraie valeur — meilleures interfaces, fonctions de facturation, accès multi-fournisseur. D'autres ne font que revendre l'accès à l'API avec une marge et un logo. La question clé est : quelle valeur ajoute le wrapper ? Si la réponse est “aucune”, tu ne fais que payer en plus.

Au lieu de payer le prix majoré d'une plateforme, tu obtiens ta propre clé API directement du fournisseur (comme Anthropic ou OpenAI) et tu la branches dans la plateforme. Tu paies le fournisseur directement à ses tarifs de gros, et la plateforme ne fait que fournir l'interface. C'est comme apporter tes propres ingrédients à un restaurant qui facture des frais de cuisine au lieu du prix complet du repas.

Une IA multimodale peut traiter et générer plusieurs types de contenu : texte, images, audio, vidéo ou code. L'IA des premiers jours était uniquement texte — tu tapais, elle répondait. Les modèles multimodaux modernes peuvent regarder une image et la décrire, écouter un audio et le transcrire, ou prendre une description textuelle et générer une image. La tendance est vers des modèles qui gèrent tout.

Une façon standard de connecter les modèles d'IA à des outils et sources de données externes. Au lieu de juste discuter, l'IA peut chercher sur le web, interroger des bases de données, lire des fichiers, exécuter du code, appeler des API et prendre des actions dans le monde réel. MCP définit comment ces connexions fonctionnent pour que n'importe quel outil compatible fonctionne avec n'importe quel modèle compatible. Pense à ça comme USB pour l'IA — une prise universelle qui te permet de connecter n'importe quel outil.