Glossaire

Un dictionnaire de référence pour comprendre le vocabulaire lié aux prompts, aux modèles d'IA et à tout ce qui gravite autour.

Les Concepts Clés

Grand modèle de langage (LLM) / Large Language Model (LLM)
Un modèle d'IA entraîné sur d'énormes quantités de texte pour comprendre et générer le langage humain.
Intelligence artificielle (IA) / Artificial Intelligence (AI)
Systèmes informatiques conçus pour accomplir des tâches qui requièrent normalement l'intelligence humaine.
Prompt
L'instruction ou l'entrée donnée à un modèle d'IA.
Ingénierie de prompt / Prompt Engineering
L'art de concevoir des prompts pour obtenir des réponses plus fiables et de meilleure qualité.
Contexte / Context
Informations supplémentaires qui aident le modèle à mieux comprendre la tâche ou la situation.
Token
Une petite unité de texte traitée par le modèle, comme un mot ou un morceau de mot.
Hallucination
Une réponse fausse ou inventée par l'IA qui semble crédible.
Chaîne de pensée / Chain of Thought
Un style de raisonnement où le modèle explique ses étapes intermédiaires.
Modèle multimodal / Multimodal Model
Un modèle d'IA capable de traiter plusieurs types de données comme le texte, les images et l'audio.
Agent
Un système d'IA capable d'exécuter des actions de manière autonome et d'utiliser des outils pour accomplir des tâches.
Appel d'outils / Tool Calling
La capacité d'un modèle d'IA à utiliser des outils, des API ou des services externes pendant une tâche.

Sous le capot

Prompt système / System Prompt
Instructions cachées qui définissent le comportement, les règles et la personnalité de l'IA.
Fenêtre de contexte / Context Window
La quantité maximale de texte qu'un modèle peut traiter et mémoriser à la fois.
Injection de contexte / Context Injection
Ajouter des informations externes à un prompt pour améliorer la réponse du modèle.
Limite de tokens / Token Limit
Le nombre maximal de tokens qu'un modèle peut gérer dans une seule interaction.
Données d'entraînement / Training Data
La vaste collection de textes et d'informations utilisée pour entraîner le modèle.
Inférence / Inference
Le processus de génération d'une sortie à l'aide d'un modèle d'IA entraîné.
Complétion / Completion
La réponse textuelle générée par le modèle d'IA.
Prédiction du token suivant / Next-Token Prediction
Le mécanisme central par lequel le modèle prédit le token le plus probable dans une séquence.
Transformer
L'architecture de réseau neuronal utilisée par les modèles de langage modernes comme GPT.
Mécanisme d'attention / Attention Mechanism
Un système qui aide le modèle à se concentrer sur les parties les plus pertinentes de l'entrée.
Poids / Weights
Les paramètres internes appris qui stockent les connaissances du modèle.
Température / Temperature
Un paramètre qui contrôle le degré de créativité ou de prévisibilité des réponses du modèle.
Modèle de raisonnement / Reasoning Model
Un modèle optimisé pour la réflexion logique approfondie et la résolution de problèmes étape par étape.
Taux d'hallucination / Hallucination Rate
La fréquence à laquelle un modèle produit des informations inexactes ou inventées.
Ancrage (grounding) / Grounding
Relier les sorties de l'IA à des données réelles ou des sources fiables pour améliorer la précision.
Alignement / Alignment
Le processus visant à faire suivre aux systèmes d'IA les objectifs, valeurs et règles de sécurité humaines.
Garde-fous / Guardrails
Restrictions de sécurité conçues pour empêcher les comportements nuisibles ou indésirables de l'IA.
Jailbreak
Une tentative de contourner les restrictions ou systèmes de sécurité intégrés au modèle.
Prompting avec peu d'exemples / Few-Shot Prompting
Fournir quelques exemples dans le prompt pour guider le comportement du modèle.
Prompting avec un exemple / One-Shot Prompting
Fournir un seul exemple dans le prompt pour illustrer la sortie attendue.
Prompting sans exemple / Zero-Shot Prompting
Demander au modèle d'effectuer une tâche sans lui fournir d'exemples.
Chaînage de prompts / Prompt Chaining
Diviser une tâche complexe en plusieurs prompts connectés.
Sortie structurée / Structured Output
Une réponse générée dans un format fixe comme JSON, XML ou tableaux.
Apprentissage avec peu d'exemples / Few-Shot Learning
La capacité d'un modèle à s'adapter à des tâches avec seulement quelques exemples.
Embeddings
Représentations vectorielles numériques de texte qui capturent le sens sémantique.
Base de données vectorielle / Vector Database
Une base de données optimisée pour stocker et rechercher des embeddings.
Recherche basée sur le sens et le contexte plutôt que sur les mots-clés exacts.
Génération augmentée par récupération (RAG) / Retrieval-Augmented Generation (RAG)
Une méthode où le modèle récupère des informations externes avant de générer une réponse.
Fine-tuning / Fine-Tuning
Entraînement supplémentaire d'un modèle sur des données spécialisées pour une tâche ou un domaine spécifique.

Guide des prompts