Glossaire

Un agent IA est un système reposant sur un LLM capable d’aller au-delà du simple dialogue. À partir d’un prompt initial, il peut planifier plusieurs étapes, organiser des actions et mobiliser différents outils pour accomplir une tâche. Il possède un degré d’autonomie supérieur au chatbot ou au Gem.

Exemple :

Un agent reçoit la consigne « Analyse cette copie et propose un plan de remédiation personnalisé », puis il examine le document, identifie les erreurs et génère un programme d’entraînement structuré.

Suite d’instructions permettant de résoudre un problème ou de produire un résultat.

Exemple :

L’algorithme qui trie les résultats d’une recherche Google.

Un biais en intelligence artificielle est une distorsion systématique dans les réponses ou décisions produites par un système d’IA.

Il apparaît lorsque les données d’entraînement ou la conception du modèle reflètent des déséquilibres, des stéréotypes ou des omissions.

L’IA reproduit alors ces tendances au lieu d’adopter une position neutre.

Exemple :

Si un générateur d’images crée majoritairement des hommes lorsqu’on demande « un scientifique », cela révèle un biais lié aux représentations dominantes présentes dans ses données d’apprentissage.

Un chatbot est une interface conversationnelle qui utilise un système d’IA générative pour dialoguer avec un utilisateur. Il répond aux prompts dans un échange interactif, sans autonomie propre : il attend une demande pour produire une réponse. Son rôle principal est l’interaction et l’accompagnement ponctuel.

Exemple :

Un élève demande « Explique-moi le théorème de Pythagore simplement » et le chatbot génère une explication adaptée.

Informations (textes, images, sons, chiffres) utilisées par l’IA pour apprendre ou fonctionner.

Exemple :

Les textes disponibles sur Internet servant à entraîner un modèle linguistique.

Ensemble d’informations utilisées pour apprendre à un modèle d’IA à reconnaître des modèles.

Exemple :

Des milliers d’images de chats pour apprendre à reconnaître un chat.

Processus d’apprentissage d’un modèle à partir de données.

Exemple :

Ajuster un modèle en lui montrant des milliers d’exemples.

Un Gem ou GPT personnalisé est un chatbot configuré pour remplir un rôle spécifique à partir d’un LLM. Il fonctionne toujours par prompts, mais ses réponses sont encadrées par des consignes permanentes, un rôle défini ou des documents de référence. Il s’agit d’une IA générative spécialisée.

Exemple :

Un “Correcteur méthodologique” qui analyse une dissertation selon des critères précis et propose des pistes d’amélioration.

Production automatique de contenu (texte, image, son, code).

Exemple :

Création d’une image à partir d’une description écrite.

Réponse produite par une IA qui paraît crédible et cohérente, mais qui est en réalité fausse, inexacte ou inventée.

Cela se produit lorsque le modèle génère une information plausible sans disposer de données fiables pour la confirmer.

Exemple :

Un élève demande la source d’une citation et l’IA invente un auteur, une date et un ouvrage qui n’existent pas, tout en présentant l’information avec assurance.

Type d’IA capable de créer du contenu original à partir d’instructions.

Exemple :

Générer un poème ou un logo à partir d’un prompt.

Système informatique capable de réaliser des tâches qui nécessitent normalement l’intelligence humaine (comprendre, prédire, générer).

Exemple :

Un chatbot qui répond aux questions d’un élève.

Méthode permettant à une IA d’apprendre à partir des données sans être programmée règle par règle.

Exemple :

Un système qui apprend à reconnaître le spam dans les emails.

Programme entraîné à partir de données et capable de faire des prédictions ou générer du contenu.

Exemple :

Le modèle derrière ChatGPT.

Résultat estimé par un modèle à partir des données analysées.

Exemple :

Prédire si un élève risque de décrocher.

Un prompt est l’instruction formulée par l’utilisateur pour orienter la production d’un système d’IA générative basé sur un LLM. Il constitue l’entrée du modèle : sans prompt, il n’y a pas de réponse générée. La qualité et la précision du prompt influencent directement la pertinence du résultat produit.

Exemple :

« Résume ce texte en 10 lignes en conservant les notions essentielles. »

Règlement européen protégeant les données personnelles des citoyens.

Exemple :

Une école doit informer les parents si elle utilise une application IA collectant des données élèves.

Les Systèmes d’IA générative (LLM) sont des outils capables de produire du contenu à partir d’une instruction formulée par un utilisateur, appelée prompt. Le modèle analyse cette consigne et génère une réponse adaptée au contexte. Il ne fonctionne donc qu’en réaction à une demande précise.

Exemple de prompt :

« Explique-moi la photosynthèse avec un schéma simplifié et un exemple concret adapté à un élève de 14 ans. »

Dans cet exemple, la phrase constitue la consigne donnée au modèle. La réponse produite ensuite (l’explication et le schéma) est le résultat généré par le LLM.

Vérification de la performance d’un modèle sur de nouvelles données.

Exemple :

Tester si l’IA reconnaît correctement des images qu’elle n’a jamais vues.