Représente la structure de base inspirée du fonctionnement biologique du cerveau humain. Ces réseaux traitent les informations par couches successives de neurones artificiels pour identifier des motifs complexes dans les données. C'est le socle sur lequel repose tout le Deep Learning actuel. Ils permettent aux machines de réaliser des tâches de classification et de prédiction avec une précision qui s'approche de celle de l'humain.

Architecture de réseau de neurones spécifiquement conçue pour traiter des données organisées en grille, comme les images. Elle utilise des filtres de convolution pour extraire automatiquement des caractéristiques visuelles comme les bords, les formes puis les objets. Les CNN sont les champions incontestés de la vision par ordinateur et du diagnostic médical par image. Ils imitent la manière dont le cortex visuel humain traite l'information optique.

Désigne un réseau de neurones possédant un grand nombre de couches intermédiaires, appelées couches cachées. Cette profondeur permet au modèle d'apprendre des abstractions de plus en plus complexes à chaque niveau de traitement. Les DNN sont à l'origine des percées majeures de la dernière décennie dans presque tous les domaines de l'IA. Ils nécessitent une puissance de calcul massive pour être entraînés efficacement sur des milliards de paramètres.

Système composé de deux réseaux de neurones, le générateur et le discriminateur, qui s'affrontent pour créer des données réalistes. Le premier tente de créer des faux parfaits tandis que le second essaie de les démasquer. Ce duel constant pousse le modèle à produire des résultats d'une qualité visuelle ou sonore stupéfiante. C'est la technologie derrière les visages synthétiques ultra-réalistes et les filtres artistiques les plus avancés.

Architecture de modèle de langage pré-entraînée sur des volumes massifs de texte pour prédire la suite d'une séquence. Elle repose sur le mécanisme de "l'attention" qui permet de comprendre les relations entre des mots même s'ils sont éloignés dans une phrase. Le GPT a révolutionné la rédaction assistée, le codage informatique et l'interaction homme-machine. C'est le cœur technologique qui a permis l'émergence de ChatGPT et de l'IA générative grand public.

Modèle de langage de grande taille capable de comprendre et de générer du texte humain avec une fluidité bluffante. Ils sont entraînés sur la quasi-totalité du contenu textuel disponible sur Internet, ce qui leur donne une connaissance encyclopédique. Les LLM ne se contentent pas de traduire, ils résument, raisonnent et créent du contenu original. Ils sont devenus le nouveau socle des systèmes d'information et de l'automatisation du travail intellectuel.

Architecture qui divise un grand modèle en plusieurs sous-réseaux spécialisés appelés experts. Pour chaque tâche, seul un petit groupe d'experts est activé, ce qui permet d'avoir un modèle immense mais très économe en calcul lors de son utilisation. Cette technique permet de créer des modèles comme GPT-4 sans consommer une énergie infinie à chaque requête. C'est la clé de l'extensibilité des futurs géants de l'IA générative mondiale.

Type de réseau de neurones conçu pour traiter des séquences de données, où l'ordre des éléments est crucial comme dans le texte ou la musique. Contrairement aux réseaux classiques, il possède une mémoire interne des éléments précédents pour influencer le traitement actuel. Bien que souvent remplacé par les Transformers, il reste précieux pour l'analyse de signaux en temps réel. C'est l'ancêtre indispensable qui a ouvert la voie à la traduction automatique moderne.

Version compacte et optimisée des modèles de langage, conçue pour fonctionner localement sur des smartphones ou des ordinateurs personnels. Contrairement aux LLM, ils demandent peu de ressources tout en restant extrêmement performants pour des tâches spécifiques. Les SLM garantissent la confidentialité des données car le traitement ne quitte jamais l'appareil de l'utilisateur. C'est la solution idéale pour l'IA embarquée et les applications d'entreprise sécurisées.

Modèle génératif qui apprend à compresser des données dans un espace simplifié avant de les reconstruire. Cette méthode permet de générer de nouvelles variations d'une donnée d'entrée, comme des visages ou des styles artistiques originaux. Moins connu que les GAN, il est plus stable à entraîner et offre un contrôle mathématique plus fin sur la création. On l'utilise beaucoup dans la recherche de nouveaux matériaux ou de molécules médicamenteuses innovantes.

Sous-ensemble du Machine Learning utilisant des réseaux de neurones profonds pour extraire automatiquement des caractéristiques complexes. C'est la technologie derrière les plus grandes percées récentes en reconnaissance vocale et visuelle. Le Deep Learning nécessite d'immenses volumes de données et une puissance de calcul colossale pour être efficace. Il imite la hiérarchie de traitement de l'information du cerveau humain pour apprendre par lui-même.

Champ d'étude de l'IA qui donne aux ordinateurs la capacité d'apprendre à partir de données sans être explicitement programmés pour chaque tâche. Il utilise des modèles statistiques pour trouver des motifs et prendre des décisions de plus en plus précises. C'est la base de la recommandation de produits, du filtrage des spams et de la détection de fraudes. Le Machine Learning est l'outil premier du Data Scientist pour prédire le futur à partir du passé.

Méthode d'entraînement où un agent apprend à prendre des décisions en interagissant avec un environnement pour maximiser une récompense. C'est le principe du "test et erreur" appliqué à l'IA à une échelle massive. Cette technique a permis à des IA de battre les champions du monde de Go ou de piloter des drones complexes. Le RL est fondamental pour la robotique autonome et les systèmes de trading automatique les plus sophistiqués.

Processus crucial pour aligner le comportement des IA génératives sur les attentes et les valeurs humaines. Des humains notent les réponses de la machine, apprenant ainsi au modèle ce qui est utile, poli ou dangereux. C'est ce qui rend les assistants comme ChatGPT conversables, sécurisés et agréables à utiliser. Sans RLHF, les modèles de langage seraient souvent brutaux, imprévisibles et déconnectés de nos normes sociales.

Algorithme d'optimisation mathématique utilisé pour entraîner les réseaux de neurones en minimisant leurs erreurs. Il ajuste les poids des connexions neurone par neurone de manière itérative après chaque petit lot de données. C'est le moteur interne qui permet à l'IA de "s'améliorer" au fil des exemples présentés. Bien que technique, c'est l'un des algorithmes les plus importants au monde car il permet l'apprentissage des modèles géants.

Technique de NLP qui identifie et classe automatiquement les noms propres, les dates, les lieux ou les entreprises dans un texte brut. C'est ce qui permet d'extraire des informations clés d'un contrat ou d'une dépêche sans lecture humaine. La NER est essentielle pour l'organisation automatique de documents massifs en entreprise. Elle transforme le texte non structuré en données exploitables pour une base de données business structurée.

Partie de l'IA dédiée à la production de texte fluide et cohérent à partir de données informatiques structurées. C'est la technologie qui permet à un chatbot de répondre ou à un outil de rédiger un rapport financier automatique. La NLG moderne cherche à imiter parfaitement le style et le ton humain pour paraître naturelle. Elle est le pilier de la création de contenu automatisée et de la personnalisation de la communication client à grande échelle.

Discipline globale qui fait le pont entre le langage humain et la compréhension informatique. Elle englobe tout, de la simple correction orthographique à la compréhension fine de l'ironie ou des sentiments. Le NLP est ce qui rend Siri, Google Translate et les moteurs de recherche modernes intelligents. C'est l'un des domaines de l'IA les plus matures et les plus intégrés dans nos outils de productivité quotidiens.

Sous-domaine du NLP focalisé sur la compréhension réelle de l'intention derrière les mots d'un utilisateur. Il s'agit de déchiffrer ce que l'internaute veut réellement dire, même s'il s'exprime de manière ambiguë. La NLU est la brique qui permet aux assistants virtuels de ne pas se tromper de commande. Sans elle, la machine se contenterait d'une analyse mot à mot sans jamais saisir le contexte ou les sous-entendus.

Technique qui permet à un modèle de langage d'aller chercher des informations fraîches dans une base de données externe avant de répondre. Cela évite que l'IA ne "hallucine" en inventant des faits sur des sujets récents ou privés qu'elle n'a pas appris lors de son entraînement. Le RAG est la solution n°1 pour les entreprises souhaitant utiliser l'IA sur leurs propres documents internes. Il garantit des réponses sourcées et précises.

Discipline permettant aux ordinateurs de tirer une compréhension de haut niveau à partir d'images numériques ou de vidéos. Elle englobe la détection d'objets, la reconnaissance faciale et l'analyse de mouvement en temps réel. La CV est l'œil indispensable de la voiture autonome et des robots de tri industriel. C'est l'une des branches de l'IA les plus spectaculaires par ses applications directes dans notre monde physique et sécuritaire.

Technologie convertissant des documents scannés ou des photos de texte en fichiers numériques éditables et interrogeables. L'IA moderne a rendu l'OCR capable de lire les écritures manuscrites les plus complexes avec une fiabilité inédite. C'est l'outil fondamental de la dématérialisation des archives et de la saisie comptable automatique. Il permet de transformer des siècles de savoir papier en données numériques instantanément exploitables.

Algorithme de détection d'objets ultra-rapide capable d'identifier des éléments dans une vidéo en une fraction de seconde. Contrairement aux méthodes anciennes, il analyse l'image entière d'un seul coup, ce qui le rend incroyablement efficace pour le temps réel. YOLO est utilisé massivement dans la surveillance intelligente et les systèmes d'assistance à la conduite. Sa rapidité permet à l'IA d'interagir avec son environnement sans délai perceptible.

Utilisation de l'IA pour analyser les données de l'entreprise et aider à la prise de décision stratégique par les dirigeants. Elle transforme des millions de lignes de données en tableaux de bord visuels et prédictifs. La BI moderne permet de détecter des tendances de marché avant vos concurrents directs. C'est le tableau de bord indispensable de tout manager souhaitant piloter son activité par les faits plutôt que par l'intuition.

Phase cruciale où le Data Scientist analyse un jeu de données pour en comprendre les caractéristiques avant tout entraînement d'IA. Elle permet de détecter des erreurs, des valeurs aberrantes ou des biais cachés qui pourraient fausser les résultats. Une bonne EDA évite de construire un modèle coûteux sur des fondations bancales. C'est l'étape de diagnostic qui garantit la fiabilité et la robustesse future de vos prédictions numériques.

Processus consistant à extraire des données de diverses sources, à les nettoyer et à les charger dans une base de données prête pour l'IA. C'est la tuyauterie invisible mais vitale qui assure que le modèle reçoit des informations de haute qualité. Un mauvais processus ETL conduit inévitablement à une IA défaillante ou biaisée. C'est un métier d'expert absolument capital pour la réussite de tout projet d'intelligence artificielle en entreprise.

Règlement européen imposant des contraintes strictes sur la collecte et l'utilisation des données personnelles par les systèmes d'IA. Il garantit le droit à la vie privée et impose la transparence sur les décisions automatisées. Pour une entreprise suisse, la conformité au RGPD est souvent nécessaire pour opérer sur le marché européen. C'est le cadre qui empêche l'IA de devenir un outil de surveillance intrusive sans consentement explicite.

Intelligence Artificielle explicable dont on peut comprendre et justifier mathématiquement les décisions. Contrairement aux modèles "boîtes noires", la XAI permet de savoir pourquoi une IA a refusé un crédit ou diagnostiqué une pathologie. C'est une exigence éthique et légale croissante dans les secteurs de la santé et de la finance. Elle permet de rétablir la confiance indispensable entre l'utilisateur humain et l'outil automatique.

Processeur graphique détourné pour effectuer les calculs massifs et parallèles requis par l'IA. C'est le moteur physique du Deep Learning moderne. Les entreprises leaders comme NVIDIA dominent ce marché car leurs puces permettent d'entraîner des modèles en quelques jours au lieu de plusieurs années. Sans la puissance des GPU, l'explosion actuelle de l'IA générative et des grands modèles de langage n'aurait jamais pu avoir lieu.

Circuit intégré spécifique conçu par Google uniquement pour accélérer les calculs de réseaux de neurones. Ils sont encore plus optimisés que les GPU pour les opérations de tenseurs qui sont le cœur mathématique de l'IA. Les TPU sont la colonne vertébrale des services IA de Google Cloud et permettent de traiter des volumes de données astronomiques avec une efficacité énergétique supérieure aux processeurs classiques.

Technologie utilisant des logiciels pour automatiser des tâches répétitives sur ordinateur, comme la saisie de factures ou la gestion d'emails. Couplée à l'IA, elle devient l'automatisation intelligente, capable de prendre des décisions simples en fonction du contexte. La RPA libère vos collaborateurs des tâches ingrates pour les concentrer sur la stratégie. C'est le premier pas concret vers l'entreprise autonome et ultra-productive de demain.

Logiciel de base servant de standard mondial pour programmer et contrôler des robots complexes. Il fournit les outils nécessaires pour la navigation, la perception et la manipulation d'objets dans l'espace. ROS permet à l'IA de commander des bras articulés ou des robots de livraison avec une précision millimétrée. C'est la plateforme qui permet aux machines de se déplacer et d'agir en toute sécurité dans des environnements humains changeants.

Niveau théorique d'IA capable de comprendre, d'apprendre et d'appliquer son intelligence à n'importe quelle tâche humaine sans spécialisation préalable. Contrairement aux IA actuelles qui sont expertes dans un domaine précis, l'AGI aurait une polyvalence cognitive totale. C'est le "Saint Graal" de la recherche, soulevant autant d'espoirs que de craintes existentielles. Sa réalisation marquerait un tournant civilisationnel majeur dans l'histoire de l'humanité.

Intelligence dépassant de loin les capacités cognitives des humains les plus brillants dans tous les domaines imaginables. C'est un concept spéculatif où la machine inventerait ses propres connaissances et technologies. L'ASI pourrait résoudre des problèmes insolubles pour nous, comme le changement climatique ou les maladies incurables. C'est l'horizon ultime de la singularité technologique, où l'intelligence machine devient une entité supérieure et autonome.