Ce lexique est conçu pour les débutants en intelligence artificielle (IA), automatisation et no-code. Il regroupe les termes les plus importants et les explique de manière simple, pour aider à comprendre les concepts clés de ces domaines en pleine évolution. Que vous soyez curieux de la technologie ou débutant dans le domaine, ce guide est votre porte d’entrée vers une meilleure compréhension de l’IA, de l’automatisation et des plateformes no-code.
- IA (Intelligence Artificielle) – Simulation de processus d’intelligence humaine par des machines, en particulier des systèmes informatiques.
- Machine Learning – Branche de l’IA qui permet aux machines d’apprendre de données et de s’améliorer au fil du temps sans être explicitement programmées.
- Deep Learning – Sous-ensemble du machine learning qui utilise des réseaux de neurones profonds pour analyser divers facteurs.
- Algorithmes – Séries d’instructions programmées pour effectuer des tâches spécifiques.
- Automatisation – Utilisation de systèmes ou de logiciels pour exécuter des tâches automatiquement afin de réduire l’intervention humaine.
- Robotique – Conception, construction et utilisation de robots pour exécuter des tâches automatisées.
- NLP (Traitement du Langage Naturel) – Branche de l’IA qui donne aux ordinateurs la capacité de comprendre, interpréter et répondre au langage humain.
- Vision par ordinateur – Technique permettant aux ordinateurs d’interpréter et de comprendre le monde visuel.
- Chatbot – Programme informatique conçu pour simuler une conversation avec des utilisateurs humains, surtout sur Internet.
- IA faible – Systèmes d’IA conçus pour répondre à des tâches spécifiques et ne possédant pas de conscience ou d’intentions propres.
- IA forte – Système d’IA avec une conscience de soi et une capacité à penser et à raisonner de manière autonome.
- No-code – Plateformes qui permettent de développer des applications et des systèmes sans écrire de code informatique classique.
- Low-code – Plateformes qui réduisent le besoin de code manuel, simplifiant la programmation grâce à des interfaces graphiques.
- API (Interface de Programmation d’Applications) – Ensemble de règles qui permettent à différentes applications de communiquer entre elles.
- Data Mining – Processus d’analyse de grandes quantités de données pour trouver des motifs et des relations.
- Big Data – Ensembles de données si volumineux ou complexes qu’ils nécessitent des systèmes avancés pour être traités.
- Réseau de neurones – Modèles informatiques qui imitent le fonctionnement du cerveau humain pour traiter l’information.
- Apprentissage supervisé – Type de machine learning où le modèle est entraîné sur des données étiquetées.
- Apprentissage non supervisé – Type de machine learning utilisé pour trouver des structures cachées dans des données non étiquetées.
- Apprentissage par renforcement – Type de machine learning où un agent apprend à prendre des décisions en observant les conséquences de ses actions.
- Modèle prédictif – Modèle utilisé pour prédire des résultats en se basant sur des données antérieures.
- Classification – Processus de prédiction de la catégorie à laquelle appartient un objet ou une donnée.
- Régression – Technique statistique utilisée pour déterminer la relation entre des variables et prédire des valeurs continues.
- Clustering – Technique d’apprentissage non supervisé utilisée pour regrouper un ensemble de données en catégories basées sur leur similarité.
- Validation croisée – Méthode utilisée pour évaluer les capacités généralisatrices d’un modèle statistique ou de machine learning.
- Séries temporelles – Séquence de points de données mesurés à des intervalles de temps successifs.
- Feature engineering – Processus de sélection, modification et création de nouvelles caractéristiques à partir de données brutes pour augmenter la performance des algorithmes de machine learning.
- Hyperparamètres – Paramètres de configuration qui ne sont pas appris pendant le processus d’entraînement d’un modèle et qui doivent être définis avant l’apprentissage.
- Overfitting – Phénomène où un modèle de machine learning apprend trop bien les détails et les bruits des données d’entraînement, au détriment de sa performance sur de nouvelles données.
- Underfitting – Situation où un modèle est trop simple pour apprendre la structure sous-jacente des données.
- Précision – Mesure de performance qui évalue la proportion de vrais positifs par rapport à la somme des vrais positifs et des faux positifs.
- Rappel – Mesure qui indique la proportion de vrais positifs détectés par rapport au nombre total de cas positifs réels.
- F1-Score – Moyenne harmonique de la précision et du rappel, utilisée comme mesure de l’exactitude d’un modèle.
- Ensemble Learning – Technique où plusieurs modèles sont entraînés pour résoudre le même problème et combinés pour améliorer les performances.
- Boosting – Méthode d’ensemble qui ajuste la pondération des instances de données pour améliorer les performances des modèles de prédiction.
- Bagging – Méthode d’ensemble qui utilise la combinaison de multiples modèles pour réduire la variance et éviter l’overfitting.
- Réseau de Neurones Artificiels (ANN) – Modèle de computing qui s’inspire du réseau neuronal biologique des animaux.
- Apprentissage par transfert – Technique où un modèle développé pour une tâche est réutilisé comme point de départ pour un modèle sur une seconde tâche.
- Génération de langage naturel (NLG) – Sous-domaine du NLP qui s’occupe de la production de texte qui semble naturel.
- Reconnaissance d’images – Technique permettant de détecter et d’identifier des objets ou des personnes dans des images numériques.
- Segmentation – Processus de partitionnement d’une image numérique en plusieurs segments pour simplifier son analyse.
- Réseau de Neurones Convolutifs (CNN) – Type de réseau de neurones profonds souvent utilisé dans le traitement d’images.
- Réseau de Neurones Récurrents (RNN) – Type de réseau de neurones profonds, adapté pour traiter des séquences de données comme le langage.
- LSTM (Long Short-Term Memory) – Forme avancée de RNN, efficace pour apprendre des ordres longs et éviter le problème de disparition du gradient.
- Gradient Descendant – Algorithme d’optimisation utilisé pour minimiser la fonction de coût en machine learning.
- TensorFlow – Bibliothèque de programmation utilisée pour les calculs numériques et le machine learning.
- PyTorch – Framework open source pour machine learning développé par Facebook.
- Scikit-learn – Bibliothèque pour machine learning en Python qui supporte de nombreuses techniques de classification, régression et clustering.
- Keras – API de haut niveau pour la création de modèles de deep learning, fonctionnant sur TensorFlow ou Theano.
- Automatisation des processus robotiques (RPA) – Technologie utilisant des robots logiciels pour automatiser des tâches répétitives basées sur des règles.
- Agents intelligents – Programmes capables de réaliser des tâches spécifiques de manière autonome pour les utilisateurs.
- Plateforme as a Service (PaaS) – Catégorie de services cloud offrant une plateforme permettant aux clients de développer, exécuter et gérer des applications sans la complexité de construire et maintenir l’infrastructure.
- Infrastructure as a Service (IaaS) – Fourniture d’infrastructure informatique par internet, y compris stockage, serveurs et connexions réseau.
- Software as a Service (SaaS) – Modèle de distribution de logiciels où les applications sont hébergées par un fournisseur tiers et mises à disposition des clients sur Internet.
- ChatGPT – Modèle de traitement de langage naturel basé sur l’architecture de génération de texte GPT (Generative Pre-trained Transformer).
- GPT (Generative Pre-trained Transformer) – Architecture d’apprentissage profond pour le traitement automatique du langage, développée par OpenAI.
- Régression logistique – Modèle statistique utilisé pour prédire la probabilité d’une variable binaire.
- Arbre de décision – Modèle de prévision utilisant une structure d’arbre pour aller de observations sur les caractéristiques d’un élément aux conclusions sur la valeur cible.
- Forêt aléatoire – Méthode d’ensemble utilisant de multiples arbres de décision pour améliorer la précision des prédictions.
- SVM (Machine à Vecteurs de Support) – Modèle d’apprentissage supervisé utilisé pour la classification et la régression en analysant les données et reconnaissant des motifs.
- XAI (Explainable Artificial Intelligence) – Ensemble de processus et de méthodes utilisés pour aider à rendre les résultats des systèmes d’IA compréhensibles par les humains.
- Ethique de l’IA – Étude des implications morales de l’utilisation de l’intelligence artificielle, se concentrant sur des aspects comme la vie privée, la sécurité, l’équité, et la responsabilité.
- Biais algorithmique – Tendance d’un système algorithmique à produire des résultats qui sont systématiquement préjudiciables à certains groupes de personnes.
- Transparence des données – Pratique consistant à rendre les données utilisées pour entraîner les algorithmes d’IA accessibles et compréhensibles.
- Blockchain – Technologie de stockage et de transmission d’informations, sécurisée et transparente, fonctionnant sans organe central de contrôle.
- Internet des Objets (IoT) – Réseau d’objets physiques (« choses ») intégrant des capteurs, des logiciels et d’autres technologies pour connecter et échanger des données avec d’autres dispositifs et systèmes sur Internet.
- Edge Computing – Paradigme de calcul qui consiste à traiter les données à la périphérie du réseau, près de la source des données.
- Virtualisation – Création d’une version virtuelle (plutôt que physique) de quelque chose, comme des serveurs, des dispositifs de stockage ou des réseaux.
- DevOps – Ensemble de pratiques combinant le développement de logiciels et les opérations informatiques pour raccourcir le cycle de développement des systèmes.
- Containerisation – Utilisation de conteneurs logiciels pour déployer et exécuter des applications sans lancer une machine virtuelle entière pour chaque application.
- Microservices – Style d’architecture où les applications sont structurées comme une collection de services plus petits, indépendants et modulables.
- Agile – Méthodologie de gestion de projet, en particulier pour le développement logiciel, qui met l’accent sur les itérations, la collaboration et l’adaptation tout au long du processus de création.
- Scrum – Cadre de développement Agile pour gérer des travaux complexes, caractérisé par des cycles de développement courts et répétitifs appelés sprints.
- Kanban – Méthode Agile axée sur l’amélioration continue, la productivité et l’efficacité en utilisant un tableau Kanban pour visualiser le flux de travail.
- Workflow – Représentation des étapes nécessaires à la réalisation d’une tâche ou d’un processus pour aider à organiser et à exécuter ces étapes efficacement.
- Automatisation des flux de travail – Technologie qui utilise des règles pour automatiser la réalisation d’une série de tâches et optimiser les processus d’affaires.
- Intégration continue (CI) – Pratique de développement logiciel où les membres d’une équipe intègrent leur travail fréquemment, le plus souvent chaque personne le fait au moins quotidiennement.
- Déploiement continu (CD) – Extension de l’intégration continue pour s’assurer que les modifications de code peuvent être automatiquement préparées et déployées à la production.
- Plateforme no-code – Environnement de développement qui utilise une interface graphique pour permettre la création d’applications sans écriture de code traditionnel.
- Modélisation prédictive – Utilisation de statistiques pour prédire des résultats.
- OCR (Reconnaissance optique de caractères) – Technologie utilisée pour convertir différents types de documents, tels que des documents scannés, des fichiers PDF ou des images prises par un appareil photo numérique, en données modifiables et recherchables.
- Computer-Aided Design (CAD) – Utilisation de logiciels pour la création, la modification, l’analyse ou l’optimisation de conceptions.
- Réalité augmentée (AR) – Technologie qui superpose des informations numériques dans l’environnement réel de l’utilisateur.
- Réalité virtuelle (VR) – Utilisation de logiciels pour créer un environnement simulé qui peut être similaire ou complètement différent du monde réel.
- Métaheuristiques – Techniques d’optimisation qui guident le processus de recherche pour résoudre des problèmes complexes par des heuristiques.
- Heuristique – Technique permettant de faciliter la résolution de problèmes avec une méthode pratique non garantie pour être optimale, mais suffisamment bonne pour atteindre les objectifs immédiats.
- Systèmes multi-agents – Systèmes composés de plusieurs agents intelligents qui peuvent interagir ou travailler ensemble pour résoudre des problèmes.
- Synthèse vocale – Technologie qui convertit le texte en parole audible.
- Reconnaissance vocale – Capacité des machines ou des programmes à identifier les mots et les phrases dans la parole humaine.
- IA conversationnelle – Intelligence artificielle utilisée pour alimenter des assistants virtuels capables de comprendre et de mener des conversations avec les humains.
- Analyse prédictive – Utilisation de données, de statistiques et de techniques de machine learning pour identifier la probabilité de résultats futurs basés sur des données historiques.
- Data lake – Système ou référentiel de stockage qui contient une grande quantité de données brutes stockées à leur format natif jusqu’à ce qu’elles soient nécessaires.
- Data warehouse – Système utilisé pour le reporting et l’analyse des données. Les données sont téléchargées à partir de sources opérationnelles, nettoyées et chargées dans un entrepôt de données.
- Minage de processus – Technique de gestion des processus qui permet l’analyse des processus basée sur les logs.
- Logique floue – Forme de traitement de l’information qui traite l’imprécision et la logique non binaire.
- Système expert – Programme informatique qui simule le jugement et le comportement d’un humain ou d’une organisation possédant des connaissances spécialisées et de l’expérience dans un domaine particulier.
- IA distribuée – Branche de l’IA qui s’intéresse aux systèmes autonomes composés de plusieurs éléments interagissant.
- Transformation numérique – Intégration de la technologie numérique dans tous les domaines d’une entreprise, changeant fondamentalement la manière dont elle opère et livre de la valeur aux clients.
- Blockchain as a Service (BaaS) – Service cloud qui permet aux clients de développer, héberger et utiliser leurs propres applications blockchain, contrats intelligents et fonctions sans avoir à gérer ou à installer l’infrastructure nécessaire.
- Quantum computing – Utilisation de phénomènes quantiques tels que la superposition et l’intrication pour effectuer des calculs à des vitesses incroyablement élevées.