# 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 sémantique / Semantic Search**: 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](https://prompt-coach.pro/fr/guide)

© 2026 Slivaro GmbH. Tous droits réservés.

[Systèmes d’IA](https://prompt-coach.pro/ai-systems) · [Politique de confidentialité](https://prompt-coach.pro/privacy) · [Conditions d'utilisation](https://prompt-coach.pro/terms) · [Mentions légales](https://prompt-coach.pro/impressum) · [Contact](https://prompt-coach.pro/fr/contact)

Canonical: https://prompt-coach.pro/fr/glossary