Chargement…
Recherche
Prompt dont l’objet est de faire rédiger, améliorer ou évaluer un autre prompt par un modèle d’IA, plutôt que de produire directement le contenu final.
Professionnel chargé de concevoir, tester et améliorer les instructions données aux modèles d’IA générative afin d’obtenir des résultats fiables et adaptés à un usage précis.
Professionnel qui collecte, analyse et modélise des données pour en tirer des connaissances utiles et des prédictions, en combinant statistiques, programmation et compréhension du métier.
Professionnel qui conçoit, intègre et met en production des systèmes fondés sur l’intelligence artificielle, du choix du modèle jusqu’à son fonctionnement fiable dans les outils du quotidien.
Architecture de réseau de neurones qui traite une séquence en mettant à jour un état interne de taille fixe, avec un coût qui croît linéairement avec la longueur du texte.
Logiciel en ligne, généralement vendu par abonnement, qui s’appuie sur un ou plusieurs modèles d’IA fournis par des tiers et y ajoute une interface, des fonctions métier ou des intégrations.
Situation concrète et délimitée dans laquelle l’IA est appliquée à un besoin métier précis, avec des utilisateurs, des données et un résultat attendu clairement identifiés.
Méthode d’évaluation qui confie à un grand modèle de langage le soin de noter ou de comparer les réponses produites par un autre système d’IA, selon des critères écrits.
Méthode publiée en 2023 qui ajoute un contrôle spatial précis à un modèle de diffusion, en le conditionnant sur des contours, une pose humaine, une carte de profondeur ou un croquis.
Ensemble standardisé de tâches et de questions, accompagné d’une méthode de notation, qui sert à mesurer et comparer les performances de différents modèles d’IA dans des conditions identiques.
Ensemble des règles, rôles, processus et contrôles qu’une organisation met en place pour encadrer le choix, le déploiement et l’usage de l’intelligence artificielle.
Méthode de raisonnement qui fait explorer à un modèle plusieurs pistes intermédiaires en parallèle, les évalue, puis poursuit les plus prometteuses ou revient en arrière face à une impasse.
Méthode de machine learning dans laquelle un agent apprend à agir dans un environnement en recevant des récompenses ou des pénalités selon les conséquences de ses actions.
Discipline qui consiste à sélectionner, organiser et mettre à jour l’ensemble des informations fournies à un modèle à chaque appel : instructions, documents, historique, mémoire et résultats d’outils.
Méthode d’agent dans laquelle un modèle de langage alterne explicitement étapes de raisonnement, actions sur des outils et observations des résultats, jusqu’à pouvoir répondre.
Méthode de machine learning dans laquelle le modèle analyse des données sans étiquettes afin d’y découvrir par lui-même des structures, des regroupements ou des régularités.
Méthode de machine learning dans laquelle le modèle apprend à partir d’exemples étiquetés, c’est-à-dire de données associées à la bonne réponse attendue.
Méthode d’échantillonnage qui ne retient, à chaque étape, que les tokens les plus probables dont les probabilités cumulées atteignent un seuil p, puis tire le suivant parmi eux.
Méthode de fine-tuning économe qui gèle les poids d’origine d’un modèle et n’entraîne que de petites matrices de bas rang ajoutées à certaines de ses couches.
Méthode d’alignement où des humains comparent des réponses d’un modèle, ces préférences entraînent un modèle de récompense, puis l’apprentissage par renforcement optimise le modèle pour maximiser cette récompense.