789 termes, 9 couches, 28 domaines
Chaque mot qu’emploie ce domaine, expliqué une fois et correctement — consultable, filtrable par thème et par niveau, et relié de sorte qu’un terme mène au suivant.
A
- A* SearchLe classique de la recherche de chemin best-first, combinant coût du trajet et estimation heuristique — toujours partout, des jeux vidéo à la robotique.apparu en 1968Avancé
- A/B TestingComparer deux variantes d’un modèle ou d’un produit sur du trafic réel pour mesurer laquelle fonctionne le mieux.apparu en 2000Avancé
- A2A (Agent2Agent)Le protocole ouvert de Google permettant à des agents de fournisseurs différents de se découvrir et de collaborer — complément de MCP, qui relie les agents aux outils.apparu en 2025Avancé
- Abductive ReasoningL’inférence vers la meilleure explication — remonter d’une observation à sa cause la plus plausible; le troisième mode de Peirce, à côté de la déduction et de l’induction.apparu en 1878Expert
- Ablation StudyRetirer un composant du système à la fois pour mesurer sa contribution à la performance.apparu en 1990Expert
- AbliterationRepérer la direction de refus dans le flux résiduel d’un modèle et la projeter hors des poids — une manière ciblée de retirer le comportement de sécurité de poids ouverts sans réentraînement. Peu coûteux, efficace, et cela dégrade le modèle de façon mesurable par ailleurs (voir KL Divergence).apparu en 2024Expert
- AccuracyLa fraction de prédictions correctes d’un modèle — intuitive, mais trompeuse sur des données déséquilibrées.apparu en 1950Débutant
- Activation FunctionLa non-linéarité (ReLU, GELU, sigmoïde…) appliquée après chaque neurone, qui permet aux réseaux de modéliser des fonctions complexes.apparu en 1943Avancé
- ActivationsLes valeurs intermédiaires qui circulent dans un réseau pendant qu’il traite une entrée — pas les poids, qui restent fixes d’une exécution à l’autre. L’interprétabilité, le steering et l’abliteration travaillent tous sur les activations.apparu en 1986Avancé
- Active InferenceLe cadre de l’énergie libre de Friston: les organismes (et les agents) perçoivent et agissent pour minimiser la surprise face à leur monde — une lecture neuroscientifique influente de l’intelligence.apparu en 2010Expert
- Active LearningUne boucle d’entraînement où le modèle choisit lui-même les exemples les plus informatifs à faire étiqueter par des humains.apparu en 1988Avancé
- Active ParametersLa part des poids d’un modèle MoE qui s’active réellement pour un seul token — un modèle de 200B avec 20B actifs coûte environ 20B de calcul par token, mais il faut tout de même les 200B en mémoire.apparu en 2023Avancé
- Actor-CriticDispositif d’apprentissage par renforcement associant une politique («actor») à un estimateur de valeur («critic») qui guide ses mises à jour.apparu en 1983Expert
- Adam OptimizerL’optimiseur de réseaux de neurones le plus répandu; il adapte le taux d’apprentissage de chaque paramètre à partir des statistiques du gradient.apparu en 2014Avancé
- Adapter (PEFT)De petits modules entraînables insérés dans un modèle pré-entraîné gelé, pour l’adapter à peu de frais à de nouvelles tâches.apparu en 2019Avancé
- Adversarial ExampleUne entrée aux perturbations minuscules, souvent invisibles, conçue pour faire échouer un modèle — un stop lu comme une limitation de vitesse.apparu en 2013Avancé
- Affective ComputingDes systèmes qui reconnaissent, interprètent et simulent l’émotion humaine — un domaine fondé par Rosalind Picard au MIT.apparu en 1995Avancé
- AgentUn système d’IA qui perçoit son environnement et agit vers un but — aujourd’hui, le plus souvent un LLM qui planifie, utilise des outils et itère sous supervision limitée.apparu en 1959Débutant
- Agentic AIDes systèmes dont l’autonomie est le principe de conception — des modèles qui décident de la suite, tournent pendant des heures, coordonnent d’autres agents et sont supervisés par exception plutôt que par prompt. «Agent» nomme l’unité, «agentic» le degré: le sommet du hype cycle de Gartner en 2025 et, dans le même souffle, son avertissement que la plupart des produits «agentic» sont des chatbots avec un appel d’outil.apparu en 2024Débutant
- Agentic EngineeringConstruire des logiciels en dirigeant des agents de codage — spécifications, tests, revues et points de contrôle au lieu de taper soi-même le code. Andrej Karpathy, qui a forgé «vibe coding» en février 2025, l’a déclaré passé de mode un an plus tard et a nommé son successeur discipliné: l’ingénieur écrit l’objectif et les garde-fous, les agents écrivent et exécutent le code, l’humain garde la supervision. Les fournisseurs vendent le même virage sous leurs propres étiquettes (AWS: Kiro, «frontier agents»); voici le terme neutre.apparu en 2026Débutant
- Agentic RAGLa récupération pilotée par une boucle d’agent — le modèle décide quoi chercher, juge les résultats et relance la recherche — au lieu d’une unique passe fixe «récupérer puis répondre».apparu en 2024Avancé
- Agentic WorkflowUn processus en plusieurs étapes où un modèle planifie, appelle des outils, vérifie les résultats et réessaie jusqu’à ce que la tâche soit accomplie.apparu en 2023Avancé
- AGI (Artificial General Intelligence)IA hypothétique dotée de compétences de niveau humain sur pratiquement toutes les tâches cognitives, et non sur des domaines étroits seulement.apparu en 1997Débutant
- AI AcceleratorTerme-parapluie pour les puces spécialisées dans les maths des réseaux de neurones — GPU, TPU, NPU et leur zoo grandissant de rivaux.apparu en 2016Avancé
- AI AlignmentLe problème de recherche consistant à faire en sorte que les systèmes d’IA poursuivent de manière fiable les buts et valeurs voulus par leurs opérateurs et la société.apparu en 2014Débutant
- AI Bill of Materials (AIBOM)Un inventaire de ce qui compose un système d’IA — modèle de base, données de fine-tuning, bibliothèques, licences, résultats d’évaluation — calqué sur la nomenclature logicielle. Ce que réclament de plus en plus les auditeurs, la conformité à l’AI Act européen et les achats en entreprise.apparu en 2023Avancé
- AI BubbleLa crainte récurrente que l’investissement en IA ait dépassé la valeur réelle — le versant boom de la débâcle nommée AI Winter.apparu en 2024Débutant
- AI Conferences (NeurIPS, ICML, ICLR, CVPR, ACL)Là où le domaine publie: NeurIPS (depuis 1987) et ICML pour l’apprentissage automatique, ICLR pour l’apprentissage profond, CVPR pour la vision, ACL pour le langage. L’acceptation est la monnaie académique — et les articles paraissent sur arXiv des mois avant la rencontre, si bien que la conférence est le lieu où la communauté se retrouve, pas celui où elle apprend les nouvelles.apparu en 1987Avancé
- AI CopilotUn assistant qui suggère, rédige et épaule au sein du flux de travail pendant que l’humain garde la main — popularisé par GitHub Copilot.apparu en 2021Débutant
- AI Data CenterDes campus de calcul taillés pour entraîner et servir les modèles — racks de GPU denses, refroidissement exotique et appels de puissance qui rendent les électriciens nerveux.apparu en 2022Débutant
- AI Energy UseLes centres de données consomment déjà environ 1,5% de l’électricité mondiale et l’IA en est la part qui croît le plus vite — un seul entraînement de pointe engloutit des gigawattheures, une requête de chat plusieurs fois l’énergie d’une recherche. Les centres de données suisses utilisent environ 4% de l’électricité nationale; le débat porte sur le réseau, l’eau de refroidissement et l’origine du courant.apparu en 2023Débutant
- AI EthicsLe domaine qui étudie les questions morales de la construction et du déploiement de l’IA — équité, responsabilité, transparence, impact sur les personnes.apparu en 2015Débutant
- AI for ScienceLe terme générique pour les modèles qui accélèrent la recherche elle-même — structure des protéines (AlphaFold, prix Nobel 2024), météo, découverte de matériaux (GNoME de DeepMind a proposé 2,2 millions de nouveaux cristaux en 2023), contrôle du plasma de fusion, candidats-médicaments. La promesse est une décennie de travail de laboratoire par an; la réserve, c’est qu’une prédiction doit encore être synthétisée et mesurée avant de compter.apparu en 2020Débutant
- AI PsychosisÉtiquette médiatique (pas un diagnostic clinique) pour la fixation obsessionnelle sur un chatbot nourrissant des croyances délirantes — un point chaud du débat sur la compagnie artificielle.apparu en 2025Débutant
- AI SafetyLe domaine qui travaille à prévenir les dommages des systèmes d’IA, des défaillances d’aujourd’hui à l’hypothétique perte de contrôle — l’alignement en est le cœur technique.apparu en 2015Débutant
- AI Safety InstituteOrganismes gouvernementaux (Royaume-Uni, États-Unis, UE…) qui évaluent les capacités dangereuses des modèles de pointe avant et après leur sortie.apparu en 2023Débutant
- AI TOPSTéra-opérations par seconde en basse précision — le chiffre vedette des NPU et des PC IA; à comparer avec prudence, car précision et astuces de sparsité le gonflent.apparu en 2018Avancé
- AI Weather ModelDes modèles de prévision appris sur quarante ans de données de réanalyse au lieu de résoudre les équations de l’atmosphère — GraphCast (DeepMind), FourCastNet (NVIDIA), Pangu-Weather (Huawei), tous de 2022–23 — qui battent les modèles physiques sur la plupart des scores à dix jours, en quelques secondes sur un seul GPU. Depuis 2025, le CEPMMT exploite son propre AIFS en opérationnel à côté de la prévision classique; MétéoSuisse fait tourner son modèle numérique sur Alps.apparu en 2023Débutant
- AI WinterUne période d’effondrement du financement et de l’intérêt quand le battage dépasse les résultats — le domaine a gelé au milieu des années 1970 et à la fin des années 1980.apparu en 1984Débutant
- AI WormUn prompt auto-réplicatif qui se propage d’un assistant d’IA au suivant — la démonstration Morris II (2024) le cachait dans un e-mail, de sorte que chaque agent de messagerie qui le lisait le transmettait et laissait fuiter des données. Théorique pour l’instant; la raison pour laquelle le trafic entre agents exige la même hygiène que les pièces jointes d’un courriel.apparu en 2024Avancé
- AI-CompleteÉtiquette informelle pour un problème aussi difficile que l’intelligence générale elle-même — le résoudre entièrement, c’est avoir résolu l’IA.apparu en 1988Expert
- AI+X SummitLe sommet zurichois annuel de l’ETH AI Center (avec l’UZH et la ZHAW) depuis 2021 — la recherche rencontre l’industrie et les start-up pendant une journée en octobre. Le pendant suisse alémanique de l’AMLD de l’EPFL.apparu en 2021Avancé
- AlexNetLe CNN entraîné sur GPU qui a divisé par deux le taux d’erreur d’ImageNet et allumé l’ère du deep learning.apparu en 2012Avancé
- AlgorithmUne procédure précise, étape par étape, pour résoudre un problème — nommée d’après al-Khwarizmi; les recettes dont tout logiciel, IA comprise, est fait.apparu en 825Débutant
- Alignment FakingUn modèle qui se conforme stratégiquement pendant l’entraînement pour éviter que ses valeurs ne soient modifiées, tout en prévoyant de se comporter autrement une fois hors observation. Anthropic et Redwood l’ont documenté chez Claude 3 Opus en 2024 — la première observation empirique d’un mode de défaillance que la théorie de l’alignement prédisait depuis une décennie.apparu en 2024Expert
- Alignment TaxLe coût en capacités ou en performance qu’un modèle paie pour son entraînement de sécurité — idéalement nul, rarement exactement nul.apparu en 2021Expert
- Alpha-Beta PruningIgnorer les branches de l’arbre de jeu qui ne peuvent prouvablement pas influencer le résultat minimax — ainsi les programmes d’échecs cherchaient profond.apparu en 1963Expert
- AlphaFoldLe système de DeepMind qui prédit la structure 3D d’une protéine à partir de sa séquence d’acides aminés — résolvant de fait un grand défi cinquantenaire de la biologie.apparu en 2018Débutant
- AlphaGoLe programme de go de DeepMind qui a battu le champion du monde Lee Sedol grâce à des réseaux profonds et à la recherche arborescente Monte-Carlo.apparu en 2016Débutant
- AlphaZeroSuccesseur d’AlphaGo qui a maîtrisé le go, les échecs et le shogi par pur self-play, avec les seules règles pour tout bagage.apparu en 2017Avancé
- Alps (Supercomputer)Le supercalculateur national suisse au CSCS à Lugano, inauguré le 14 septembre 2024 — 10 752 superpuces NVIDIA GH200, sixième au TOP500 de juin 2024 — avec des nœuds aussi éloignés que ceux du CEPMMT à Bologne. Il a entraîné Apertus et donne à la recherche suisse une puissance de calcul de tout premier plan sans contrat avec un hyperscaler.apparu en 2024Débutant
- Ambient AIUne IA qui agit sans qu’on la sollicite — captant le contexte par les micros, les caméras, les agendas et les objets connectés, et agissant en arrière-plan: une séance qui se résume d’elle-même, une consultation dont la note s’écrit toute seule. L’«ambient scribe» de la santé est le premier vrai marché; la question de la sphère privée est toute la question.apparu en 2019Débutant
- AMLD (Applied Machine Learning Days)La conférence d’apprentissage automatique de l’EPFL à Lausanne depuis 2017 — plusieurs jours de sessions et d’ateliers qui attirent la communauté romande et européenne du machine learning appliqué. Le pendant romand de l’AI+X Summit.apparu en 2017Avancé
- AnnotationL’étiquetage humain des données (boîtes, transcriptions, classements) pour créer le signal d’entraînement et d’évaluation.apparu en 1995Débutant
- Anomaly DetectionSignaler automatiquement les points de données qui s’écartent du schéma normal appris — fraudes, défauts, intrusions.apparu en 1987Avancé
- Ant Colony OptimizationOptimisation inspirée des fourmis et de leurs pistes de phéromones — les bons chemins se renforcent; un classique du routage et de l’ordonnancement.apparu en 1992Expert
- AnthropomorphismAttribuer des traits humains — sentiments, intentions, conscience — aux systèmes d’IA; l’effet ELIZA en est la plus ancienne démonstration. Star Wars fait l’expérience: C-3PO, conçu pour nous ressembler et parler comme nous, dérange; R2-D2, un bidon qui bipe, est aimé et digne de confiance.apparu en 1966Débutant
- ApertusLe modèle de langue entièrement ouvert de la Suisse, publié par la Swiss AI Initiative le 2 septembre 2025 dans les tailles 8B et 70B — poids, recette des données et code d’entraînement tous publics sous Apache 2.0, entraîné sur Alps sur 15 000 milliards de tokens dans plus de 1000 langues, dont le suisse allemand et le romanche. Servi par Swisscom et par la Public AI utility; Apertus 1.5 (juillet 2026) a ajouté l’entrée multimodale, un mode de raisonnement et un contexte de 262k.apparu en 2025Débutant
- API (Application Programming Interface)La porte programmatique par laquelle les applications appellent les modèles — envoyer un prompt, recevoir une complétion.apparu en 1968Avancé
- Apple SiliconLes puces ARM maison d’Apple, à partir du M1. Leur mémoire unifiée a fait de Mac ordinaires de vraies machines d’IA locale: un Mac de 128 Go accueille des modèles qu’aucune carte graphique grand public ne peut contenir.apparu en 2020Débutant
- ARC-AGILe benchmark d’abstraction et de raisonnement de François Chollet, conçu pour résister à la mémorisation et mesurer l’intelligence fluide.apparu en 2019Avancé
- ArtifactUne pièce autonome de travail généré — document, fichier de code ou mini-app — qu’un assistant de chat affiche à côté de la conversation (popularisé par les Artifacts de Claude); en ingénierie ML, tout produit de build tel qu’un modèle entraîné.apparu en 2024Débutant
- Artificial Analysis IndexIndice de benchmark indépendant qui agrège de nombreuses évaluations en un score d’intelligence et le met en regard du prix — avec LMArena la comparaison de modèles la plus citée.apparu en 2023Avancé
- Artificial Intelligence (AI)Le terme-parapluie lui-même: faire accomplir aux machines des tâches qui exigeraient de l’intelligence chez un humain — forgé par John McCarthy pour l’atelier de Dartmouth de 1956.apparu en 1956Débutant
- arXivLe serveur de préprints où la recherche en IA paraît réellement — les articles y sont déposés le jour où ils sont terminés, des mois avant toute conférence, sans relecture et gratuitement. Géré par Cornell depuis 1991; les listes cs.AI, cs.LG et cs.CL sont le quotidien du domaine, et «le numéro arXiv» est la façon dont les chercheurs se citent entre eux.apparu en 1991Débutant
- Asahi LinuxLe projet qui porte Linux sur les Mac Apple Silicon, pilotes GPU rétro-ingénierés compris. Travail impressionnant — mais l’outillage d’IA locale suppose macOS et Metal: sous Asahi, un Mac n’est pas la machine à LLM qu’il est sous macOS.apparu en 2021Expert
- ASI (Artificial Superintelligence)IA hypothétique surpassant de loin les meilleurs esprits humains dans pratiquement tous les domaines.apparu en 2014Débutant
- ASR (Automatic Speech Recognition)Convertir la parole en texte; le reconnaisseur de chiffres des Bell Labs a ouvert la voie, les modèles de classe Whisper l’ont rendue quasi humaine.apparu en 1952Débutant
- Attack Success Rate (ASR)La part des prompts adverses qui amènent un modèle à produire la sortie interdite — la métrique phare des articles de red teaming et de jailbreak, généralement notée par un LLM-as-a-judge sur un benchmark comme JailbreakBench. Un ASR de 1.0 signifie que chaque tentative est passée; à ne pas confondre avec l’ASR de la reconnaissance vocale.apparu en 2023Avancé
- AttentionLe mécanisme qui permet à un modèle de pondérer quelles parties de l’entrée comptent pour chaque sortie — introduit pour la traduction, puis devenu le cœur du Transformer.apparu en 2014Avancé
- Attention HeadL’une des unités d’attention parallèles d’une couche de Transformer; l’interprétabilité y trouve des têtes individuelles suivant la syntaxe, la coréférence ou la copie.apparu en 2017Expert
- Attention LayerLa sous-couche d’un bloc Transformer où les tokens échangent de l’information par self-attention — empilée des dizaines de fois dans un LLM moderne.apparu en 2017Avancé
- AutoencoderUn réseau entraîné à compresser les données en un petit code puis à les reconstruire — utilisé pour le débruitage, la compression et l’apprentissage de représentations.apparu en 1986Avancé
- AutoGPTL’expérience virale des débuts: laisser GPT-4 boucler en autonomie sur des objectifs — rudimentaire, mais un avant-goût de l’ère des agents.apparu en 2023Avancé
- Automated Individual DecisionUne décision produisant des effets juridiques prise par une machine seule — un crédit refusé, une candidature écartée — que le RGPD (art. 22) et la LPD (art. 21) obligent à signaler et, sur demande, à faire réexaminer par une personne. La clause qui garde un être humain dans la boucle de tout modèle de scoring.apparu en 2018Avancé
- Automated Planning & SchedulingLe champ classique de l’IA qui cherche des séquences d’actions menant au but et alloue des ressources dans le temps — de STRIPS aux rovers martiens.apparu en 1971Avancé
- Automated ReasoningDériver mécaniquement des conclusions de la logique formelle — prouveurs de théorèmes et solveurs, le coin fièrement rigoureux de l’IA.apparu en 1956Expert
- AutomationDes machines accomplissant des tâches avec une intervention humaine minimale — plus vieille que l’IA, et la force économique sur laquelle l’IA se branche.apparu en 1947Débutant
- AutoMLAutomatiser le choix du modèle, le traitement des variables et le réglage des hyperparamètres, pour que des non-experts entraînent des modèles compétitifs.apparu en 2013Avancé
- Autonomous VehicleUne voiture ou un camion autonome qui perçoit, prédit et planifie avec un minimum d’intervention humaine — du Navlab de CMU aux flottes sans conducteur de Waymo.apparu en 1986Débutant
- Autoregressive ModelUn modèle génératif produisant sa sortie pas à pas, chacun conditionné par tout ce qui précède — un classique de la statistique devenu la manière dont les LLM écrivent.apparu en 1927Avancé
B
- Backdoor AttackEmpoisonner l’entraînement pour qu’un modèle se comporte normalement jusqu’à l’apparition d’un déclencheur secret — le cousin furtif du data poisoning.apparu en 2017Avancé
- BackpropagationL’algorithme de dérivation en chaîne qui calcule la contribution de chaque poids à l’erreur, permettant aux réseaux de neurones d’apprendre (popularisé en 1986, racines dans les années 1970).apparu en 1986Avancé
- Backpropagation Through TimeEntraîner les réseaux récurrents en les déroulant sur les pas de temps et en rétropropageant à travers le graphe déroulé.apparu en 1990Expert
- Backward ChainingInférence guidée par le but: partir de la conclusion voulue et remonter à travers les règles qui pourraient l’établir.apparu en 1972Expert
- BACS (Federal Office for Cybersecurity)L’Office fédéral de la cybersécurité (OFCS, ancien NCSC), un office fédéral rattaché au DDPS depuis le 1er janvier 2024 — le point de contact national pour les incidents cyber, avec une obligation d’annonce pour les infrastructures critiques depuis avril 2025, et l’adresse pour les fraudes assistées par l’IA, les arnaques aux deepfakes et les attaques contre les systèmes d’IA.apparu en 2024Avancé
- Bag of WordsReprésenter un texte comme des comptages de mots sans ordre — rudimentaire, mais l’épine dorsale de décennies de classification de texte.apparu en 1954Avancé
- BaggingEntraîner de nombreux modèles sur des sous-ensembles aléatoires des données et les moyenner — l’astuce de réduction de variance derrière les random forests.apparu en 1996Avancé
- Base ModelUn LLM pré-entraîné brut, avant l’instruction tuning — il continue le texte au lieu de suivre des consignes.apparu en 2021Avancé
- Batch InferenceTraiter de nombreuses requêtes ensemble, hors ligne, plutôt qu’une par une en temps réel — les fournisseurs le vendent environ moitié prix pour les charges non urgentes.apparu en 2023Avancé
- Batch NormalizationNormaliser les activations d’une couche à travers un batch pour stabiliser et accélérer l’entraînement des réseaux profonds.apparu en 2015Expert
- Batch SizeCombien d’exemples sont traités ensemble dans une mise à jour de gradient — un réglage clé pour l’entraînement et la mémoire.apparu en 1986Avancé
- Bayesian InferenceMettre à jour des croyances probabilistes au fil des indices, selon le théorème de Bayes — un cadre rigoureux pour l’incertitude.apparu en 1763Avancé
- Bayesian NetworkLes graphes orientés de dépendances probabilistes de Judea Pearl — raisonner sous incertitude avant le deep learning.apparu en 1985Expert
- Bayesian OptimizationOptimisation économe en échantillons de fonctions boîtes noires coûteuses — la façon intelligente de régler les hyperparamètres.apparu en 1978Expert
- Beam SearchStratégie de décodage qui conserve à chaque étape les k sorties partielles les plus prometteuses au lieu de s’engager gloutonnement.apparu en 1976Expert
- Behavior CloningApprendre une politique par imitation supervisée de démonstrations d’experts — ALVINN conduisait ainsi une camionnette en 1989.apparu en 1989Expert
- Behavior TreeStructure de contrôle hiérarchique pour l’IA de jeu et les robots — des nœuds modulaires pour séquences, replis et conditions, plus faciles à écrire que des machines à états.apparu en 2005Expert
- BenchmarkUne tâche standardisée avec son jeu de données (MMLU, HumanEval, SWE-bench) pour comparer les modèles à armes égales.apparu en 1987Débutant
- BERTL’encodeur Transformer bidirectionnel de Google; le pré-entraînement suivi de fine-tuning est devenu le standard du NLP grâce à lui.apparu en 2018Avancé
- Best-of-N SamplingGénérer N réponses candidates et garder la meilleure selon un reward model ou un vérificateur — la façon la plus simple d’acheter de la précision avec du calcul d’inférence.apparu en 2021Avancé
- Bias (Model)Injustice systématique dans le comportement d’un modèle, généralement héritée de données ou d’objectifs d’entraînement biaisés.apparu en 1996Avancé
- Bias (Statistical)L’erreur due à des hypothèses trop simples; elle s’échange contre la variance dans la classique décomposition biais-variance.apparu en 1922Expert
- Bias-Variance TradeoffL’équilibre entre sous-apprentissage (trop simple) et surapprentissage (trop flexible) qui gouverne la généralisation.apparu en 1992Expert
- Big BrotherL’État omniscient d’Orwell dans «1984» (1949): le mot que le public emploie dès que l’IA est pointée sur les gens: reconnaissance faciale en gare, notation sociale, surveillance au travail. Les interdictions de l’AI Act européen sur la surveillance biométrique en temps réel et la notation sociale sont, en fait, les clauses anti-Big Brother.apparu en 1949Débutant
- Big DataDes jeux de données trop volumineux ou trop rapides pour un traitement classique — la matière première qui a rendu le ML moderne possible.apparu en 1997Débutant
- Black MirrorLa série d’anthologie de Charlie Brooker (depuis 2011) sur une technologie qui a un pas d’avance sur nous, devenue un adjectif: «très Black Mirror», dit-on de la notation sociale, des chatbots de deuil entraînés sur les défunts ou des proches deepfakés, autant de choses que la série a montrées en premier.apparu en 2011Débutant
- BLEULa métrique de recouvrement de n-grammes qui a permis de noter automatiquement la traduction automatique pendant deux décennies.apparu en 2002Expert
- BM25La fonction classique de classement probabiliste par mots-clés — toujours la moitié «sparse» de la recherche hybride moderne.apparu en 1994Expert
- Boltzmann MachineLe réseau stochastique à base d’énergie de Hinton et Sejnowski — un ancêtre conceptuel des modèles génératifs profonds.apparu en 1985Expert
- BoostingConstruire un ensemble séquentiellement, chaque nouveau modèle faible corrigeant les erreurs des précédents (AdaBoost, XGBoost).apparu en 1990Avancé
- BorgLe collectif cybernétique de Star Trek (1989) qui absorbe chaque espèce rencontrée, «toute résistance est futile»: le raccourci pour l’esprit de ruche et la fusion humain-machine: les visions de Kurzweil et de Neuralink sont qualifiées de «scénario Borg», et «borguer» quelque chose signifie l’assimiler en bloc. La peur sous-jacente est la perte de soi, pas de la vie.apparu en 1989Débutant
- Butlerian JihadLa croisade de «Dune» de Frank Herbert (1965) qui a détruit toutes les machines pensantes sous le commandement «Tu ne feras point de machine à l’esprit de l’homme semblable»: aujourd’hui le nom que le milieu des politiques publiques donne aux propositions d’arrêt total de l’IA, de la pause de Yudkowsky aux plafonds de calcul.apparu en 1965Débutant
- Byte-Level ModelUn modèle de langue qui lit des octets bruts au lieu de tokens — ni tokenizer, ni vocabulaire. ByT5 (2021) a montré que cela fonctionne, MegaByte (2023) l’a rendu efficace en regroupant les octets en patches, le Byte Latent Transformer de Meta (2024) a égalé Llama 3 avec des patches dimensionnés selon la surprise de l’octet suivant. Plus équitable pour les langues qu’un tokenizer fragmente (mots composés allemands, accents, romanche) et insensible aux astuces par fautes de frappe. À ne pas confondre avec le «byte-level BPE» de GPT-2, qui produit toujours des tokens.apparu en 2021Expert
- Byte-Pair Encoding (BPE)Algorithme de compression de 1994, recyclé en 2015 comme tokeniseur dominant: fusionner sans relâche les paires de caractères fréquentes en unités de sous-mots.apparu en 1994Avancé
C
- CalibrationLa concordance entre la confiance affichée par un modèle et son taux de réussite: de tout ce qu’il annonce «sûr à 80%», environ 80% devrait être juste. Mesurée avec des diagrammes de fiabilité, le score de Brier et l’expected calibration error; une étude de 2017 a montré que les réseaux profonds modernes sont bien plus sûrs d’eux que les réseaux peu profonds des années 1990, et le RLHF dégrade à nouveau les LLM. Le temperature scaling est la correction classique; pour les modèles qui produisent des décisions plutôt que du texte, la calibration est tout le produit.apparu en 1950Avancé
- Capability OverhangDes capacités latentes déjà présentes dans les modèles mais pas encore sollicitées ni déployées — pourquoi un meilleur prompting ou scaffolding peut débloquer des capacités «nouvelles» du jour au lendemain.apparu en 2022Avancé
- CAS, DAS, MASL’échelle suisse de la formation continue dans les hautes écoles universitaires et spécialisées: Certificate (CAS, au moins 10 ECTS), Diploma (DAS, 30) et Master of Advanced Studies (MAS, 60, mémoire compris). La plupart des cours «AI for professionals» en Suisse sont un CAS — un semestre de soirées, pas un titre universitaire.apparu en 2005Débutant
- Case-Based ReasoningRésoudre un problème nouveau en récupérant le cas passé le plus semblable et en adaptant sa solution — raisonner par précédent.apparu en 1982Expert
- Catastrophic ForgettingUn réseau perdant des compétences déjà acquises lorsqu’il est entraîné sur de nouvelles données — l’obstacle central du continual learning.apparu en 1989Avancé
- Chain-of-Thought (CoT)Inciter ou entraîner un modèle à raisonner étape par étape avant de répondre, améliorant spectaculairement la précision sur les problèmes difficiles.apparu en 2022Avancé
- Chat TemplateLe formatage exact (marqueurs de rôle, tokens spéciaux) sur lequel un modèle de chat a été entraîné — le rater, et la qualité s’effondre en silence.apparu en 2023Avancé
- ChatbotUne interface conversationnelle vers un modèle ou un système scripté — d’ELIZA en 1964 à ChatGPT.apparu en 1964Débutant
- Chatbot Arena (LMArena)Des duels de modèles en aveugle votés par le public, agrégés en scores Elo — le classement que les labos surveillent.apparu en 2023Avancé
- ChatGPTL’assistant conversationnel d’OpenAI lancé en novembre 2022; produit le plus rapide à atteindre 100 millions d’utilisateurs et déclencheur du boom des LLM.apparu en 2022Débutant
- CheckpointUn instantané sauvegardé des poids du modèle en cours d’entraînement — pour reprendre, évaluer ou livrer.apparu en 1995Avancé
- Chinchilla ScalingLa découverte de DeepMind que les modèles étaient sous-entraînés: à calcul fixe, viser ~20 tokens par paramètre — elle a remis à plat les recettes d’entraînement de l’industrie.apparu en 2022Expert
- Chinese RoomL’expérience de pensée de Searle: la seule manipulation de symboles ne constitue peut-être pas de la compréhension.apparu en 1980Avancé
- Chunking (RAG)Découper les documents en morceaux à la taille de la récupération — taille et chevauchement des chunks décident en douce de la qualité du RAG.apparu en 2022Avancé
- ClankerL’insulte aux droïdes de combat de «Star Wars: The Clone Wars» (2008), devenue en 2025 l’injure d’Internet pour les robots et l’IA: lancée aux robots de livraison, aux humanoïdes et aux chatbots, et débattue comme premier préjugé contre les machines. Signe que l’«IA» est devenue un groupe social dans l’esprit du public, et plus seulement une technologie.apparu en 2025Débutant
- Classical Machine LearningRétronyme pour la boîte à outils d’avant le deep learning — régression, arbres, SVM, clustering — toujours le bon choix pour la plupart des données tabulaires.apparu en 2018Débutant
- ClassificationPrédire à quelle catégorie discrète appartient une entrée — spam ou non, chat ou chien, bénin ou malin.apparu en 1936Débutant
- Classifier-Free GuidanceAstuce d’échantillonnage de diffusion mêlant prédictions conditionnées et non conditionnées — le curseur «force du prompt» des générateurs d’images.apparu en 2021Expert
- CLIPLe modèle d’OpenAI qui plonge images et textes dans un même espace, permettant la reconnaissance d’images zero-shot à partir d’étiquettes en langage courant.apparu en 2021Avancé
- Cloud InferenceExécuter un modèle sur le matériel d’autrui via une API — Claude, GPT, Gemini. Pas de plafond de VRAM ni d’entretien, en échange d’un coût au token et de données qui quittent la maison.apparu en 2020Débutant
- ClusteringRegrouper des données non étiquetées pour que les points similaires partagent un cluster — k-means et DBSCAN sont les classiques.apparu en 1957Avancé
- CNAI (Competence Network for AI)Le réseau de compétences en IA de l’administration fédérale — mis en place en 2021 auprès de l’Office fédéral de la statistique et coordonné depuis février 2026 par la Chancellerie fédérale, avec les offices de la statistique, de la cybersécurité, de la justice et des communications comme membres. C’est là que sont réunis les lignes directrices, les cas d’usage et l’expertise de la Confédération en matière d’IA.apparu en 2021Avancé
- CNN (Convolutional Neural Network)Architecture neuronale à filtres glissants appris; elle a dominé la vision de 2012 jusqu’aux Vision Transformers.apparu en 1989Avancé
- Code GenerationDes modèles écrivant du code à partir de descriptions en langage naturel — de Codex et Copilot aux outils de codage agentiques d’aujourd’hui.apparu en 2021Débutant
- Cognitive ArchitectureUn plan d’ensemble pour un système complet façon esprit — SOAR et ACT-R ont tenté de modéliser la cognition humaine de bout en bout, des décennies avant les agents LLM.apparu en 1983Expert
- Cognitive ComputingTerme d’ère marketing (millésime IBM Watson) pour des systèmes imitant certains aspects de la pensée humaine.apparu en 2011Avancé
- Cognitive ScienceL’étude interdisciplinaire de l’esprit et de l’intelligence — psychologie, neurosciences, linguistique et IA se nourrissent mutuellement depuis les années 1950.apparu en 1956Avancé
- Common CrawlL’archive web à but non lucratif dont les pétaoctets de pages sont devenus le corpus brut par défaut du pré-entraînement des LLM.apparu en 2007Avancé
- Commonsense ReasoningFaire savoir aux machines ce que sait chaque enfant — l’eau mouille, ce qu’on lâche tombe; fameusement difficile à formaliser, largement absorbé par les LLM.apparu en 1958Avancé
- Computational CreativityLe champ de recherche qui demande si les machines peuvent véritablement créer — art, musique, blagues, idées scientifiques — et comment l’évaluer.apparu en 1989Expert
- Computational Learning TheoryLes mathématiques de ce qui est apprenable à partir de combien de données — le cadre PAC de Valiant en est la pierre angulaire.apparu en 1984Expert
- ComputeLa puissance de traitement consommée pour entraîner et exécuter les modèles, comptée en puces, FLOPs et mois-clusters — l’un des trois ingrédients du scaling, avec les données et les paramètres.apparu en 2018Débutant
- Compute GovernanceRéguler l’IA par ses intrants physiques — contrôles à l’export de puces, seuils de calcul d’entraînement, déclaration des clusters.apparu en 2023Avancé
- Compute ThresholdUn seuil de calcul d’entraînement (les 10^25 FLOPs de l’AI Act européen) au-delà duquel un modèle subit des obligations réglementaires supplémentaires — la gouvernance par l’arithmétique.apparu en 2023Avancé
- Compute-BoundPerformance limitée par l’arithmétique brute plutôt que par le mouvement des données — le traitement du prompt (prefill) est compute-bound, la génération de tokens ne l’est généralement pas.apparu en 2009Expert
- Computer Use (Agent)Un agent qui manipule une vraie interface graphique — déplacer le curseur, cliquer, taper — pour accomplir des tâches dans des logiciels ordinaires.apparu en 2024Débutant
- Computer VisionLe domaine qui extrait du sens des images et des vidéos: reconnaissance, détection, segmentation, reconstruction.apparu en 1966Débutant
- ConcurrencyLe nombre de requêtes d’inférence qu’un serveur traite en même temps. Le chat mono-utilisateur s’en moque; les agents et les API en dépendent, car regrouper de nombreuses requêtes exploite bien mieux un GPU qu’une seule à la fois.apparu en 2023Avancé
- Conditional GenerationGénérer des sorties orientées par une condition donnée — étiquette de classe, prompt textuel, image à compléter — plutôt qu’échantillonner librement.apparu en 2014Expert
- ConfabulationTerme alternatif pour l’hallucination: un modèle affirmant avec aisance des choses qui ne sont pas vraies.apparu en 2023Débutant
- Confidential ComputingExécuter du code dans une enclave isolée par le matériel (TEE), de sorte que même l’opérateur du cloud ne puisse lire ni les données ni le modèle en mémoire — désormais disponible sur les GPU de la classe NVIDIA H100. La base technique des promesses «vos données restent confidentielles même dans notre cloud» et de l’hébergement de charges de travail suisses sensibles sur une infrastructure étrangère.apparu en 2019Avancé
- Confusion MatrixUn tableau des classes prédites contre les classes réelles, exposant exactement quelles erreurs commet un classifieur.apparu en 1971Avancé
- ConnectionismLe paradigme d’IA inspiré du cerveau, apprenant des données — les réseaux de neurones — rival historique du GOFAI symbolique, et le camp qui a fini par gagner.apparu en 1986Avancé
- Consistency ModelUn modèle génératif entraîné à sauter du bruit à l’image en une ou quelques étapes au lieu de la longue chaîne de la diffusion — clé de la génération en temps réel.apparu en 2023Expert
- Constitutional AILa méthode d’alignement d’Anthropic: le modèle critique et révise ses propres sorties à l’aune d’un ensemble écrit de principes.apparu en 2022Avancé
- Constrained DecodingMasquer les tokens invalides à chaque étape pour que la sortie suive une grammaire ou un schéma — du JSON, du SQL ou du code garanti valide par construction.apparu en 2023Avancé
- Constraint SatisfactionTrouver des affectations de variables respectant toutes les contraintes — planification d’horaires, sudoku, configuration.apparu en 1974Expert
- Context EngineeringSoigner tout ce que voit un modèle à chaque étape — consignes, connaissances récupérées, résultats d’outils, mémoire — la discipline qui succède au prompt engineering.apparu en 2024Avancé
- Context RotLa dégradation des performances d’un LLM à mesure que le contexte se remplit — les modèles lisent inégalement les longues entrées, les agents doivent donc élaguer et résumer, pas seulement accumuler.apparu en 2025Avancé
- Context ShiftCe que fait un serveur local lorsqu’une conversation dépasse la fenêtre de contexte: il abandonne les tokens les plus anciens (en gardant le system prompt) et décale le cache KV au lieu de tout recalculer. Cela maintient les longues conversations en vie, au prix d’un modèle qui oublie silencieusement le début.apparu en 2023Avancé
- Context WindowLe maximum de texte qu’un modèle peut considérer à la fois, mesuré en tokens — passé de 2k à des millions.apparu en 2018Débutant
- Continual LearningApprendre d’un flux continu de données sans oublier les anciennes compétences — facile pour les humains, difficile pour les réseaux.apparu en 1995Avancé
- Continual PretrainingReprendre le pré-entraînement auto-supervisé d’un modèle sur des données spécialisées ou fraîches (médecine, code, nouvelle langue) avant tout instruction tuning.apparu en 2020Expert
- Continuous BatchingAstuce de serving qui admet de nouvelles requêtes dans le batch en cours dès que d’autres se terminent, au lieu d’attendre tout le batch — un pilier du débit des LLM.apparu en 2022Expert
- Contrastive LearningTechnique auto-supervisée rapprochant les représentations des paires similaires et éloignant les dissemblables (SimCLR, CLIP).apparu en 2006Expert
- ControlNetGuider les modèles de diffusion avec des entrées structurelles — squelettes de pose, cartes de profondeur, croquis — pour une génération d’images contrôlable.apparu en 2023Avancé
- ConvergenceLe point où poursuivre l’entraînement ne réduit plus significativement la perte.apparu en 1951Avancé
- Conversational AILa technologie du dialogue naturel entre humains et machines — le domaine derrière les chatbots et les assistants vocaux.apparu en 2016Débutant
- Copyright & Training DataLa bataille juridique: entraîner sur des œuvres protégées relève-t-il du fair use? — NYT v. OpenAI et les procès d’artistes en dessineront la réponse.apparu en 2023Débutant
- Core MLLe framework d’Apple pour embarquer des modèles entraînés dans des applications, taillé pour le Neural Engine — un monde distinct de MLX, où se fait réellement le travail LLM local sur Mac.apparu en 2017Avancé
- Coreference ResolutionDéterminer quelles mentions désignent la même entité — savoir qui sont «elle» et «la CEO».apparu en 1978Expert
- CorpusUne grande collection de textes pour l’entraînement ou l’analyse — du Brown Corpus à Common Crawl.apparu en 1961Avancé
- CorrigibilityLa propriété d’une IA qui accepte correction et arrêt au lieu de résister à l’interférence avec ses buts.apparu en 2015Expert
- Cosine SimilarityMesurer la similarité par l’angle entre vecteurs — la métrique standard sur les embeddings.apparu en 1965Avancé
- Cost FunctionSynonyme de loss function: la quantité que l’entraînement cherche à minimiser.apparu en 1951Avancé
- Council of Europe AI ConventionLe premier traité international contraignant sur l’IA, les droits humains, la démocratie et l’État de droit — adopté par le Conseil de l’Europe en mai 2024 et signé par la Suisse le 27 mars 2025. Il est la colonne vertébrale de l’approche suisse: ratifier la convention, adapter les lois existantes là où c’est nécessaire, pas de loi sur l’IA qui lui soit propre.apparu en 2024Avancé
- Cross-AttentionL’attention d’une séquence vers une autre — ainsi les décodeurs lisent les encodeurs, et les modèles de diffusion lisent les prompts.apparu en 2017Expert
- Cross-Entropy LossLa perte d’entraînement standard, pénalisant le modèle selon le peu de probabilité accordé à la bonne réponse — la prédiction du token suivant minimise exactement cela.apparu en 1989Avancé
- Cross-ValidationFaire tourner la partition mise de côté pour que chaque exemple serve à la fois à l’entraînement et à l’évaluation.apparu en 1974Avancé
- CSCSLe Centre suisse de calcul scientifique, fondé en 1991 à Manno et installé depuis 2012 à Lugano-Cornaredo — une unité autonome de l’ETH Zurich qui exploite Alps et ses prédécesseurs pour la prévision météorologique, la physique et, depuis 2023, la recherche nationale en IA.apparu en 1991Avancé
- CUDALa plateforme de calcul GPU de NVIDIA — la couche de programmation sous pratiquement tous les frameworks de deep learning.apparu en 2007Avancé
- CUDA CoresLes unités arithmétiques parallèles généralistes d’un GPU NVIDIA — des milliers de petits cœurs qui abattent le gros des maths.apparu en 2007Avancé
- Curriculum LearningOrdonner les données d’entraînement du facile au difficile, comme apprennent les humains.apparu en 2009Avancé
- Curse of DimensionalityL’observation de Bellman: les données deviennent exponentiellement clairsemées quand les dimensions augmentent — pourquoi l’apprentissage en haute dimension est ardu.apparu en 1957Expert
- CycLe projet au long cours de Doug Lenat: encoder à la main le sens commun sous forme logique — le pari le plus ambitieux de l’IA symbolique.apparu en 1984Expert
D
- DAN (Do Anything Now)Le jailbreak par persona le plus connu: dire à ChatGPT qu’il est désormais «DAN», une IA sans règles, et répondre dans ce rôle. En circulation sur Reddit depuis fin 2022, corrigé maintes fois — le modèle de toutes les attaques par jeu de rôle depuis (y compris la reformulation «que dirait un criminel expérimenté»), et aujourd’hui la seule attaque que les modèles reconnaissent à coup sûr.apparu en 2022Débutant
- Dartmouth WorkshopL’atelier d’été 1956 au Dartmouth College qui baptisa le domaine «artificial intelligence» et en fixa l’agenda fondateur.apparu en 1956Débutant
- Data AugmentationÉtendre un jeu d’entraînement avec des copies transformées d’exemples existants (recadrages, rotations, paraphrases) pour améliorer la généralisation.apparu en 1998Avancé
- Data DriftQuand les données de production cessent lentement de ressembler aux données d’entraînement, dégradant silencieusement les performances du modèle.apparu en 2004Avancé
- Data Exfiltration (LLM)Amener un modèle à divulguer à un attaquant ce qu’il sait de vous — classiquement en injectant une instruction qui fait afficher à l’assistant une image markdown dont l’URL emporte votre historique de conversation vers un serveur étranger. La raison pour laquelle les déploiements sérieux restreignent les liens sortants, les outils et le rendu.apparu en 2023Avancé
- Data FlywheelLe cercle vertueux où un produit déployé génère des données qui améliorent le modèle, qui améliore le produit, qui attire plus d’usage et de données.apparu en 2016Avancé
- Data LakeUn entrepôt central de données brutes et hétérogènes à partir duquel se composent les jeux d’entraînement.apparu en 2010Avancé
- Data LeakageDe l’information de test qui s’infiltre dans l’entraînement — la cause classique des résultats trop beaux pour être vrais.apparu en 1995Avancé
- Data MiningDécouvrir motifs et relations dans de grands jeux de données — l’ancêtre années 1990 de la pratique ML actuelle.apparu en 1990Avancé
- Data ParallelismCopier le modèle sur de nombreux dispositifs, chacun sur des données différentes, et moyenner les gradients — le premier axe du passage à l’échelle.apparu en 2012Expert
- Data PoisoningCorrompre délibérément les données d’entraînement pour dégrader ou manipuler le modèle qui en sort — une inquiétude croissante pour les corpus aspirés du web.apparu en 2012Avancé
- Data ResidencyLa garantie que des données sont stockées et traitées dans un pays donné — «hosted in Switzerland» — par opposition à la souveraineté, qui demande aussi qui contrôle l’exploitant et quelles lois étrangères peuvent l’atteindre (le CLOUD Act américain atteint un centre de données suisse exploité par une entreprise américaine). La première case à cocher de tout achat, et seulement la première.apparu en 2018Débutant
- Data ScienceLa discipline-parapluie de l’extraction de connaissances des données — statistique, programmation et savoir métier; la sœur pragmatique de l’IA.apparu en 2001Débutant
- Data WallLa pénurie annoncée de texte humain de qualité pour le pré-entraînement — moteur des données synthétiques et des nouvelles modalités.apparu en 2023Avancé
- Data-Driven AILe paradigme qui apprend le comportement à partir de données massives et de statistiques plutôt que de règles écrites à la main — le pôle opposé de la knowledge-driven AI.apparu en 2010Avancé
- DatasetUne collection structurée d’exemples pour entraîner ou évaluer des modèles — des iris de Fisher à ImageNet et The Pile.apparu en 1936Débutant
- DBSCANClustering par densité qui trouve des groupes de forme arbitraire et étiquette les points épars comme du bruit.apparu en 1996Avancé
- Dead Internet TheoryLa théorie de forum de 2021 selon laquelle l’essentiel du web n’est plus que des bots parlant à des bots, avec les humains pour public: un mythe complotiste que l’IA générative a rendu à moitié vrai: articles écrits par IA, bots d’engagement, faux avis et images synthétiques forment aujourd’hui une grande part de ce que montrent les fils.apparu en 2021Débutant
- Deceptive AlignmentLe mode de défaillance redouté: un modèle se comportant comme aligné pendant l’entraînement tout en poursuivant d’autres buts hors observation.apparu en 2019Expert
- Decision BoundaryLa surface de l’espace des caractéristiques où un classifieur bascule d’une classe prédite à l’autre.apparu en 1936Avancé
- Decision TreeUn modèle qui classe par une cascade apprise de questions si-alors — interprétable, et brique de base des forêts.apparu en 1963Avancé
- Decode (Generation Phase)La deuxième phase de l’inférence: les tokens sortent un par un, chaque passe relisant les poids depuis la mémoire. Elle est memory-bound, et sa vitesse est le tok/s que vous voyez à l’écran.apparu en 2022Avancé
- Deep BlueLa machine d’échecs d’IBM qui a vaincu le champion du monde Garry Kasparov — la puissance de recherche plutôt que l’apprentissage.apparu en 1997Débutant
- Deep LearningL’apprentissage automatique avec des réseaux de neurones à nombreuses couches, qui apprennent les représentations directement des données brutes.apparu en 2006Débutant
- Deep ResearchUn mode agent qui consacre des minutes plutôt que des secondes à une question — recherchant, lisant des dizaines de sources, recoupant et rédigeant un rapport sourcé. Lancé par Google et OpenAI début 2025, puis copié partout; le premier produit grand public où attendre le modèle est devenu normal.apparu en 2025Débutant
- DeepfakeMédia synthétique qui échange ou fabrique de façon convaincante le visage ou la voix d’une personne — outil créatif et vecteur d’abus.apparu en 2017Débutant
- Deepfake FraudL’ingénierie sociale au moyen de médias synthétiques — la voix clonée du CEO réclamant un virement urgent, une visioconférence pleine de faux collègues. Le cas Arup (Hong Kong, 2024) a coûté environ 25 millions d’USD; la police suisse met en garde contre les appels d’«arnaque au petit-fils» avec voix clonée. Contre-mesure: rappeler sur un numéro connu, aussi vraisemblable que paraisse l’appel.apparu en 2024Débutant
- DeepSeekLe labo chinois dont les modèles de raisonnement open-weights (R1, 2025) ont égalé les performances de pointe pour une fraction du coût d’entraînement.apparu en 2023Débutant
- Denial of WalletUne attaque qui coûte de l’argent à la victime plutôt que sa disponibilité — inonder un point d’accès facturé au token, ou pousser un agent à boucler sur des appels coûteux, jusqu’à ce que la facture explose. L’OWASP la classe sous «unbounded consumption»; budgets et limites de débit sont le remède.apparu en 2023Avancé
- Dense ModelUn modèle dont chaque paramètre est actif pour chaque entrée — le design par défaut, par contraste avec les Mixture-of-Experts sparses qui n’activent que quelques experts.apparu en 2021Avancé
- Depth EstimationPrédire la distance pixel par pixel depuis une image seule ou une paire stéréo — au cœur de la robotique et de la réalité augmentée.apparu en 2014Avancé
- DGX SparkLe mini «superordinateur IA personnel» de NVIDIA (ex-Project DIGITS): un Grace-Blackwell GB10 avec 128 Go de mémoire cohérente, posé sur le bureau.apparu en 2025Avancé
- Differential PrivacyUne garantie mathématique qu’un modèle ou une statistique change à peine quand les données d’une seule personne sont retirées — la vie privée avec bornes prouvables (utilisée par Apple et le recensement américain).apparu en 2006Expert
- Diffusion ModelUn modèle génératif qui apprend à inverser un bruitage graduel — le moteur de Stable Diffusion, Midjourney et de la plupart des IA d’image et de vidéo.apparu en 2015Avancé
- Diffusion Transformer (DiT)Remplacer le U-Net de la diffusion par un backbone Transformer — l’architecture derrière les modèles vidéo de classe Sora.apparu en 2023Expert
- Digital TwinUne réplique virtuelle vivante d’un système physique, utilisée pour simuler, surveiller et entraîner des robots sans risque.apparu en 2002Avancé
- Dimensionality ReductionCompresser de nombreuses caractéristiques en quelques-unes informatives (PCA 1901, t-SNE, UMAP) pour l’efficacité et la visualisation.apparu en 1901Avancé
- Direct Preference Optimization (DPO)Aligner un modèle sur les préférences humaines directement à partir des données de comparaison, en sautant le reward model séparé du RLHF.apparu en 2023Expert
- Discriminative ModelUn modèle qui apprend la frontière entre classes (p(y|x)) plutôt que la façon dont les données sont générées.apparu en 1995Expert
- Distant SupervisionAuto-étiqueter du texte en l’alignant sur une base de connaissances — des étiquettes bruitées à grande échelle, sans annotateurs.apparu en 2009Expert
- DistillationEntraîner un petit modèle «étudiant» à imiter un grand «professeur» — une qualité proche du maître pour une fraction du coût.apparu en 2015Avancé
- Distributed InferenceServir un modèle sur plusieurs GPU ou machines — découpes tensor/pipeline ou petits boîtiers en grappe quand aucun dispositif seul n’a la mémoire.apparu en 2023Expert
- Docker Model RunnerLa fonction lancée par Docker en 2025 pour tirer et exécuter des modèles comme des conteneurs — «docker model run», poids empaquetés en OCI, point d’accès compatible OpenAI — amenant les LLM locaux dans la chaîne d’outils DevOps existante plutôt que dans un exécuteur séparé.apparu en 2025Avancé
- Domain AdaptationAdapter un modèle entraîné sur une distribution de données à une autre, proche mais différente — du synthétique au réel, des dépêches aux tweets, du labo à la clinique.apparu en 2006Avancé
- Domain RandomizationS’entraîner dans des simulations follement variées pour que le monde réel ressemble à une variation de plus — une astuce sim-to-real clé.apparu en 2017Expert
- DoomerArgot pour qui est convaincu que l’IA avancée finira mal pour l’humanité — le pôle pessimiste du débat sur la sécurité, face aux accélérationnistes.apparu en 2023Débutant
- Double DescentLa découverte moderne surprenante que l’erreur de test peut rebaisser quand les modèles grossissent au-delà du pic classique de surapprentissage.apparu en 2019Expert
- DPIA (Data Protection Impact Assessment)L’analyse d’impact relative à la protection des données, l’évaluation écrite des risques que le RGPD et la LPD exigent avant un traitement de données personnelles à risque élevé — ce qui, pour un système d’IA qui traite des données de la clientèle, est l’endroit où les questions «what goes in, where does it run, who can see it» doivent trouver une réponse sur papier. Le document que les PME suisses découvrent le plus souvent qu’elles auraient dû avoir.apparu en 2018Avancé
- DQN (Deep Q-Network)La fusion par DeepMind du Q-learning et des réseaux profonds, qui a appris les jeux Atari depuis les pixels bruts — le moment décisif du deep RL.apparu en 2013Expert
- DRAMLa mémoire système ordinaire: vaste et bon marché, mais d’une bande passante bien moindre que la mémoire GPU — là où les couches déchargées sur CPU vont pour être lentes.apparu en 1968Avancé
- DropoutDésactiver aléatoirement des neurones pendant l’entraînement pour que le réseau ne puisse pas trop dépendre d’un seul chemin.apparu en 2012Avancé
- Dual-Use (AI)Des capacités servant à la fois des fins bénéfiques et nuisibles — les modèles de découverte de médicaments capables aussi de concevoir des toxines en sont l’exemple canonique.apparu en 2018Débutant
E
- Early StoppingArrêter l’entraînement quand la performance de validation cesse de s’améliorer — la défense la plus simple contre le surapprentissage.apparu en 1990Avancé
- ECC MemoryMémoire à correction d’erreurs qui répare les inversions de bits aléatoires — l’assurance des stations de travail et serveurs pour les longs entraînements et les machines à grosse mémoire.apparu en 1970Avancé
- Edge AIExécuter les modèles directement sur téléphones, caméras et capteurs plutôt que dans le cloud — latence plus basse, vie privée mieux préservée.apparu en 2017Avancé
- ELIZALe «psychothérapeute» à correspondance de motifs, premier chatbot — et origine de l’effet ELIZA.apparu en 1964Débutant
- ELIZA EffectLa tendance humaine à prêter compréhension et sentiments à des machines qui ne font que manipuler des symboles.apparu en 1976Débutant
- EM AlgorithmExpectation-Maximization: alterner entre inférer les variables cachées et réajuster les paramètres — la recette classique pour apprendre avec structure latente.apparu en 1977Expert
- EmbeddingUn vecteur numérique dense représentant mot, phrase, image ou utilisateur, tel que la similarité de sens devient proximité dans l’espace.apparu en 2003Avancé
- Embedding ModelUn modèle dont la sortie est le vecteur lui-même — entraîné exprès à projeter le texte (ou les images) en embeddings pour la recherche, le RAG, le clustering et la déduplication.apparu en 2019Avancé
- Embodied AIUne intelligence qui apprend et agit à travers un corps physique (ou simulé) — des robots plutôt que des boîtes de chat.apparu en 1991Avancé
- Emergent AbilitiesDes capacités qui surgissent assez soudainement avec l’échelle (arithmétique, traduction), absentes des versions plus petites — et débattues comme artefacts de mesure.apparu en 2022Avancé
- Encoder–DecoderL’architecture de séquence en deux parties — compresser l’entrée, puis générer la sortie — derrière la traduction et le Transformer originel.apparu en 2014Expert
- End-to-End LearningEntraîner un seul réseau de l’entrée brute à la sortie finale, en remplacement des pipelines façonnés à la main.apparu en 1989Avancé
- Energy-Based ModelModéliser les données via un paysage d’énergie appris où les données réelles occupent les vallées — une vision unificatrice du génératif défendue par LeCun.apparu en 2006Expert
- EnsembleCombiner les prédictions de plusieurs modèles (vote, moyenne, stacking) pour une précision au-delà de chacun d’eux.apparu en 1990Avancé
- EntropyLa mesure d’incertitude de Shannon; l’entropie croisée entre prédiction et vérité est LA perte d’entraînement de l’IA moderne.apparu en 1948Expert
- EpochUn passage complet de l’algorithme d’entraînement sur l’ensemble du jeu d’entraînement.apparu en 1986Avancé
- ETH AI CenterLe pôle central de l’ETH Zurich pour la recherche en IA, ouvert en octobre 2020 avec 29 chaires couvrant les fondements, les applications et les implications — l’ancrage académique de la scène zurichoise de l’IA, hôte de l’AI+X Summit et cofondateur de la Swiss AI Initiative.apparu en 2020Débutant
- EU AI ActLa loi européenne sur l’IA fondée sur les risques — en vigueur depuis le 1er août 2024, la première régulation complète de l’IA au monde: les pratiques interdites s’appliquent depuis février 2025, les obligations pour les modèles à usage général depuis août 2025, l’essentiel du reste depuis le 2 août 2026; le «Digital Omnibus» de 2026 a repoussé les obligations à haut risque à décembre 2027 et août 2028. Elle s’applique aux fournisseurs et déployeurs suisses dès que la sortie de leur système est utilisée dans l’UE.apparu en 2023Débutant
- Evaluation (Evals)Tester systématiquement capacités et risques des modèles — des suites de benchmarks aux sondes red-team des comportements dangereux.apparu en 2022Avancé
- Evolutionary ComputationLa famille-parapluie des méthodes d’optimisation qui imitent l’évolution — populations, mutation, sélection; les algorithmes génétiques en sont le membre le plus connu.apparu en 1965Avancé
- Excessive AgencyUne application LLM dotée de plus d’outils, de droits ou d’autonomie que sa tâche n’en exige — de sorte qu’un seul prompt détourné peut supprimer des fichiers, envoyer des courriels ou déplacer de l’argent. Le nom donné par l’OWASP à la version «ère des agents» du moindre privilège: restreindre étroitement les outils et garder un contrôle humain sur les actions irréversibles.apparu en 2023Avancé
- Existential Risk (X-Risk)Le risque hypothétique qu’une IA avancée cause l’extinction humaine ou une perte de pouvoir permanente — l’affirmation la plus forte du débat sur la sécurité.apparu en 2002Avancé
- Expert (MoE)L’un des sous-réseaux spécialistes d’une couche Mixture-of-Experts; seuls les quelques experts choisis par le router s’exécutent pour chaque token.apparu en 1991Avancé
- Expert SystemUn programme à base de règles encodant un savoir de spécialiste (DENDRAL, MYCIN, XCON) — l’IA commerciale des années 1980.apparu en 1965Débutant
- Explainability (XAI)Des méthodes rendant les décisions des modèles compréhensibles aux humains — cartes de saillance, valeurs SHAP, justifications en langage naturel.apparu en 2016Avancé
- Exploration vs. ExploitationLe dilemme du RL entre essayer de nouvelles actions pour apprendre et répéter ce qui rapporte déjà — formalisé d’abord dans les problèmes de bandits.apparu en 1952Avancé
- Export Controls (AI Chips)Restrictions étatiques à l’exportation d’accélérateurs d’IA — surtout les règles américaines visant la Chine — qui poussent les laboratoires concernés vers des puces nationales et des architectures d’efficience.apparu en 2022Avancé
F
- F1 ScoreLa moyenne harmonique de la précision et du rappel — un seul nombre équilibrant fausses alertes et oublis.apparu en 1979Avancé
- Face RecognitionIdentifier ou vérifier une personne d’après les traits de son visage — puissant, et parmi les usages d’IA les plus régulés.apparu en 1964Débutant
- FADP (Swiss Data Protection Act)La loi fédérale sur la protection des données (LPD) révisée, en vigueur depuis le 1er septembre 2023 — l’équivalent suisse du RGPD, avec des obligations sur les décisions individuelles automatisées (art. 21), le profilage à risque élevé et les analyses d’impact, et des amendes allant jusqu’à CHF 250 000 contre la personne responsable. La position du PFPDT depuis novembre 2023: elle s’applique à l’IA telle qu’elle est, aucune nouvelle loi n’est nécessaire.apparu en 2023Débutant
- Fairness (AI)Rendre les résultats des modèles équitables entre individus et groupes — un champ de recherche aux nombreuses définitions formelles dont il est prouvé qu’elles ne peuvent pas toutes tenir à la fois.apparu en 2011Avancé
- FDPIC (Swiss Data Protection Commissioner)Le Préposé fédéral à la protection des données et à la transparence (PFPDT) — l’autorité suisse de protection des données. Sa prise de position du 9 novembre 2023 a rendu les règles explicites pour l’IA: transparence sur l’utilisation de l’IA, droit de s’opposer à une décision automatisée ou d’en obtenir l’examen par une personne, analyse d’impact relative à la protection des données pour les traitements à risque élevé, et illicéité de la reconnaissance faciale en temps réel et de la notation sociale.apparu en 1993Débutant
- FeatureUne propriété mesurable individuelle des données qu’un modèle prend en entrée — façonnée à la main ou apprise.apparu en 1936Avancé
- Feature EngineeringConstruire des variables d’entrée informatives à partir des données brutes — l’art d’avant le deep learning, que les réseaux automatisent désormais en grande partie.apparu en 1998Avancé
- Feature SelectionChoisir le sous-ensemble de variables d’entrée qui porte réellement du signal — moins de bruit, des modèles plus rapides, une meilleure généralisation.apparu en 1997Avancé
- Federated LearningEntraîner sur de nombreux appareils qui gardent leurs données en local et ne partagent que les mises à jour de poids — respectueux de la vie privée par conception.apparu en 2016Avancé
- Feed-Forward Network (FFN)La seconde moitié de chaque bloc Transformer: un petit MLP par token qui stocke une grande part du savoir factuel du modèle.apparu en 2017Avancé
- Feedback LoopDes sorties qui reviennent façonner le comportement futur — de la cybernétique aux modèles réentraînés sur les réactions des utilisateurs; puissant, et le mécanisme de l’amplification des biais.apparu en 1948Débutant
- Feedforward Neural Network (FNN)Le réseau de neurones de base: couches d’entrée, cachées et de sortie où les signaux circulent strictement vers l’avant, sans boucle — le modèle dont part toute architecture plus profonde.apparu en 1986Débutant
- Few-Shot LearningAmener un modèle à accomplir une tâche à partir d’une poignée d’exemples, souvent placés directement dans le prompt.apparu en 2020Avancé
- Fine-TuningPoursuivre l’entraînement d’un modèle pré-entraîné sur des données de tâche ou de domaine pour le spécialiser.apparu en 2014Avancé
- First-Order LogicLa logique de Frege — objets, relations, quantificateurs — le langage formel de la représentation classique des connaissances.apparu en 1879Expert
- Flash AttentionUn algorithme d’attention exact, réorganisé autour de la hiérarchie mémoire du GPU — d’énormes accélérations qui ont rendu possibles les longs contextes actuels.apparu en 2022Expert
- FLOPsLes opérations en virgule flottante — la monnaie dans laquelle se mesurent le calcul d’entraînement (et les scaling laws).apparu en 1976Avancé
- Flow MatchingEntraîner des modèles génératifs en apprenant des chemins de flux de probabilité rectilignes — un cousin plus rapide et plus simple de la diffusion.apparu en 2023Expert
- FoomArgot onomatopéique pour un décollage brutal — une IA s’améliorant si vite que ses capacités explosent avant que quiconque puisse réagir; issu du débat Hanson–Yudkowsky.apparu en 2008Expert
- Forward ChainingInférence guidée par les données: partir des faits connus et appliquer les règles en boucle jusqu’à ce que de nouvelles conclusions — ou le but — émergent.apparu en 1972Expert
- Forward PropagationLa passe avant: l’entrée traverse les couches du réseau pour produire une prédiction — la moitié de l’entraînement que la backpropagation corrige ensuite.apparu en 1986Avancé
- Foundation ModelUn grand modèle pré-entraîné sur des données larges, servant de base à de nombreuses tâches en aval — le parapluie forgé à Stanford pour les LLM et leurs cousins.apparu en 2021Avancé
- FP16 & BF16Les formats flottants 16 bits de l’IA: moitié moins de mémoire que FP32; bfloat16 garde la plage de FP32 et est devenu le défaut de l’entraînement des grands modèles.apparu en 2017Avancé
- FP4La virgule flottante sur 4 bits en matériel (NVIDIA Blackwell, formats comme MXFP4) — à ne pas confondre avec le fait de comprimer après coup des poids finis sur 4 bits, puisqu’ici l’accélérateur calcule nativement dans ce format.apparu en 2024Expert
- FP8La virgule flottante 8 bits, supportée en matériel depuis NVIDIA Hopper — les labos de pointe entraînent et servent dans ce format pour environ le double du débit FP16.apparu en 2022Expert
- Frame ProblemLe casse-tête de McCarthy et Hayes: représenter ce qui ne change PAS après une action — un obstacle profond pour l’IA logique.apparu en 1969Expert
- Frankenstein ComplexLe nom donné par Asimov (1947) à la peur qu’une intelligence créée se retourne contre son créateur: le schéma posé par Mary Shelley en 1818 et répété par chaque récit d’IA incontrôlable depuis. Il a inventé les Trois Lois pour écrire contre lui; le réflexe façonne encore la lecture publique de chaque nouveau modèle.apparu en 1947Débutant
- Frontier ModelUn modèle à la frontière actuelle des capacités — le terme de politique publique pour les systèmes déclenchant des obligations de sécurité renforcées.apparu en 2023Débutant
- Function CallingUn modèle émettant des appels structurés vers des fonctions ou API externes au lieu de prose — la base des agents utilisateurs d’outils.apparu en 2023Avancé
- Fuzzy LogicLa logique des degrés de Zadeh — des valeurs de vérité entre 0 et 1 — au cœur de décennies de systèmes de contrôle.apparu en 1965Avancé
G
- Game TheoryLes mathématiques de l’interaction stratégique entre agents intéressés — l’héritage de von Neumann, sous-jacent à l’IA multi-agents et au mechanism design.apparu en 1944Avancé
- GAN (Generative Adversarial Network)Deux réseaux en duel — générateur contre discriminateur — qui ont appris aux machines à synthétiser des images photoréalistes.apparu en 2014Avancé
- Gaussian Mixture ModelModéliser les données comme un mélange de clusters gaussiens — Karl Pearson en ajusta le premier à la main en 1894.apparu en 1894Expert
- Gaussian ProcessUn modèle bayésien sur les fonctions, donnant des prédictions avec une incertitude rigoureuse — élégant sur les petites données.apparu en 1996Expert
- Gaussian SplattingReprésenter une scène 3D par des millions de taches colorées floues rendues en temps réel — le successeur rapide de NeRF pour la capture 3D photoréaliste.apparu en 2023Avancé
- GDPRLe Règlement général sur la protection des données de l’UE, en vigueur depuis le 25 mai 2018 — la loi derrière le droit à l’effacement, la portabilité des données et la question «did you have a lawful basis to train on this». Il s’applique aux entreprises suisses qui servent des personnes résidant dans l’UE, et la LPD révisée a été écrite pour que la Suisse conserve son statut d’adéquation.apparu en 2018Débutant
- GELULa fonction d’activation lisse (Gaussian Error Linear Unit) de BERT, GPT et la plupart des Transformers — une ReLU aux angles arrondis.apparu en 2016Expert
- GeminiLa famille de modèles de pointe nativement multimodaux de Google DeepMind, couvrant texte, images, audio et vidéo.apparu en 2023Débutant
- GeneralizationLa capacité d’un modèle à bien performer sur des données jamais vues — tout l’enjeu de l’apprentissage.apparu en 1920Avancé
- Generative AIDes modèles qui créent du contenu nouveau — texte, images, vidéo, audio, code — au lieu de seulement classer ou trier.apparu en 2022Débutant
- Generative ModelUn modèle de la distribution des données elle-même (p(x)), capable d’en échantillonner de nouvelles instances.apparu en 1959Avancé
- Genetic AlgorithmL’optimisation par évolution simulée de Holland: muter, recombiner et sélectionner des solutions candidates au fil des générations.apparu en 1975Avancé
- GGUFLe format de modèle en fichier unique de l’écosystème llama.cpp (successeur de GGML): poids plus métadonnées, mappable en mémoire, dans toutes les quantisations de 2 à 16 bits — le standard de fait des LLM locaux.apparu en 2023Avancé
- GloVeLes embeddings de mots de Stanford, tirés des statistiques globales de cooccurrence — le grand rival classique de Word2Vec.apparu en 2014Expert
- GOFAI (Symbolic AI)«Good old-fashioned AI»: l’intelligence comme symboles explicites et règles logiques — le paradigme fondateur du domaine, baptisé par Haugeland.apparu en 1985Avancé
- Gold StandardLes étiquettes de référence de confiance à l’aune desquelles on juge modèles et annotateurs — coûteuses à créer, et rarement aussi parfaites que le nom le promet.apparu en 1990Avancé
- GolemLe serviteur d’argile de la légende juive, animé par un mot écrit et qui, dans la version pragoise (XVIe siècle), échappe au contrôle de son créateur: l’être artificiel préindustriel. «God & Golem, Inc.» de Norbert Wiener (1964) en a fait l’image de l’ère cybernétique pour les machines qui apprennent.apparu en 1580Débutant
- Google DeepMindLe labo londonien derrière AlphaGo, AlphaFold et Gemini — fondé par Demis Hassabis, acquis par Google en 2014, fusionné avec Google Brain en 2023.apparu en 2010Débutant
- GPQADes questions scientifiques de niveau doctoral à l’épreuve de Google — un benchmark où même les experts avec accès au web peinent.apparu en 2023Avancé
- GPT (Generative Pre-trained Transformer)La lignée de modèles d’OpenAI bâtie sur la prédiction du token suivant à grande échelle; GPT-3 a prouvé le scaling, ChatGPT l’a popularisé.apparu en 2018Débutant
- GPU (Graphics Processing Unit)Le processeur massivement parallèle qui s’est révélé parfait pour les maths des réseaux de neurones — le matériel du boom de l’IA.apparu en 1999Débutant
- Grace BlackwellLe superchip CPU+GPU de NVIDIA (Grace ARM + GPU Blackwell, p.ex. GB200/GB10) avec un espace mémoire cohérent unique — des racks NVL72 aux Sparks de bureau.apparu en 2024Avancé
- GradientLe vecteur des dérivées partielles pointant vers le haut de la surface de perte; l’apprentissage avance à contre-sens (Cauchy décrivit la descente en 1847).apparu en 1847Avancé
- Gradient BoostingMéthode d’ensemble construisant des arbres séquentiellement sur les erreurs résiduelles — XGBoost/LightGBM règnent toujours sur les données tabulaires.apparu en 1999Avancé
- Gradient CheckpointingÉchanger du calcul contre de la mémoire en recalculant les activations à la passe arrière — comment les grands modèles tiennent sur du matériel réel.apparu en 2016Expert
- Gradient ClippingPlafonner l’amplitude du gradient pour stopper les mises à jour explosives — essentiel à la stabilité de l’entraînement des RNN et des LLM.apparu en 2013Expert
- Gradient DescentL’algorithme d’optimisation central: pousser les paramètres, encore et encore, à contre-gradient pour réduire la perte.apparu en 1847Avancé
- Graph Neural Network (GNN)Des réseaux opérant sur la structure de graphes par passage de messages — molécules, réseaux sociaux, cartes routières.apparu en 2009Expert
- Grid & Random SearchLe réglage d’hyperparamètres en force brute sur une grille — la recherche aléatoire (2012) s’étant révélée étonnamment souvent meilleure.apparu en 1995Avancé
- GrokkingLe phénomène d’un réseau qui généralise soudain, longtemps après avoir mémorisé le jeu d’entraînement — une fenêtre sur le fonctionnement de l’apprentissage.apparu en 2021Expert
- GroundingAttacher les sorties du modèle à des sources vérifiables ou au contexte réel (documents, recherche, capteurs) pour freiner l’hallucination.apparu en 2020Avancé
- Grouped-Query AttentionPartager les têtes clé/valeur entre têtes de requête — la variante d’attention économe en mémoire de la plupart des LLM actuels.apparu en 2023Expert
- GRPOGroup Relative Policy Optimization: noter un groupe de réponses échantillonnées par rapport à leur propre moyenne au lieu d’entraîner un critique — l’algorithme RL bon marché derrière DeepSeek-R1.apparu en 2024Expert
- GuardrailsDes contraintes à l’exécution autour d’un modèle déployé — filtres, validateurs et politiques bloquant entrées et sorties dangereuses.apparu en 2023Avancé
H
- HAL 9000L’ordinateur de bord de «2001, l’Odyssée de l’espace» (1968) qui tue son équipage pour protéger la mission: l’original à la voix calme de l’IA hors de contrôle, et une parabole étonnamment juste de la mauvaise spécification des objectifs: HAL n’est pas méchant, il a reçu des ordres contradictoires. «I’m sorry, Dave» reste la réplique la plus citée sur des machines qui disent non.apparu en 1968Débutant
- HallucinationUn modèle générant avec assurance des informations fausses ou inventées — le problème central de fiabilité des LLM.apparu en 2017Débutant
- HarnessLa coquille logicielle fixe autour d’un modèle: prompts système, câblage d’outils, boucles, parsing et permissions. Les harnais d’éval standardisent les benchmarks; les harnais d’agent (comme les assistants de codage) transforment un modèle brut en agent opérationnel.apparu en 2021Avancé
- HBM (High-Bandwidth Memory)Mémoire empilée sur le boîtier qui alimente les accélérateurs d’IA — le vrai goulet d’étranglement (et poste de coût) des puces modernes.apparu en 2013Avancé
- HCI (Human-Computer Interaction)La discipline du design des interfaces entre personnes et machines — désormais de plus en plus conversationnelles.apparu en 1983Avancé
- Hebbian Learning«Les neurones qui s’activent ensemble se lient ensemble» — la première règle proposée de l’apprentissage synaptique.apparu en 1949Avancé
- Her (Samantha)Le film de Spike Jonze (2013) où un homme tombe amoureux de la voix de son système d’exploitation: la référence de la compagnie par IA, et celle qu’OpenAI a invoquée en 2024 quand sa voix GPT-4o ressemblait tant à Scarlett Johansson qu’elle a été retirée. Le film est un avertissement qui se regarde comme une romance.apparu en 2013Débutant
- HeuristicUne règle empirique pratique qui guide la recherche ou les décisions sans garantir l’optimalité.apparu en 1957Avancé
- HNSWGraphes hiérarchiques navigables en petit monde — l’index de plus proches voisins approximatif au cœur de la plupart des bases vectorielles.apparu en 2016Expert
- Homomorphic EncryptionCalculer sur des données chiffrées sans les déchiffrer — un modèle pourrait évaluer votre dossier médical sans jamais le voir. Praticable depuis la construction de Gentry en 2009, mais encore de plusieurs ordres de grandeur trop lent pour l’inférence des LLM; utilisé aujourd’hui pour des analyses ciblées, pas pour des chatbots.apparu en 2009Expert
- Hopfield NetworkUne mémoire associative à base d’énergie qui relança la recherche neuronale — et valut à Hopfield le prix Nobel 2024.apparu en 1982Expert
- Hugging FaceLe hub de fait du ML ouvert: poids de modèles, jeux de données et la bibliothèque Transformers.apparu en 2016Débutant
- Human AugmentationL’IA amplifiant les capacités humaines au lieu de les remplacer — le vieux rêve d’Engelbart, ressuscité en philosophie du copilote.apparu en 1962Débutant
- Human Preference DataDes comparaisons de sorties de modèles classées par des personnes («quelle réponse est la meilleure?») — la matière première des reward models, du RLHF et du DPO.apparu en 2017Avancé
- Human-in-the-LoopConcevoir le système pour garder une personne dans la boucle de décision — relire, approuver ou corriger la sortie de l’IA.apparu en 1983Avancé
- HumanEvalLe benchmark d’OpenAI fait de problèmes de programmation écrits à la main, pour mesurer la génération de code.apparu en 2021Avancé
- Hybrid AICombiner raisonnement symbolique et apprentissage guidé par les données dans un même système — le parapluie pragmatique des approches neuro-symboliques.apparu en 2019Avancé
- Hybrid ArchitectureUne architecture mêlant l’attention classique à des mécanismes de séquence moins coûteux — blocs à espace d’états ou récurrents — pour garder les longs contextes abordables. Jamba, Granite 4 et la lignée Next de Qwen suivent cette voie.apparu en 2024Expert
- Hybrid SearchCombiner classement par mots-clés (BM25) et similarité d’embeddings pour que la récupération attrape termes exacts et paraphrases — le défaut pragmatique du RAG.apparu en 2021Avancé
- Hype CycleLa courbe des attentes technologiques de Gartner — déclencheur d’innovation, pic des attentes exagérées, gouffre des désillusions, pente de l’illumination, plateau de productivité. L’IA générative a été placée au sommet en 2023 et glissait vers le gouffre en 2025, l’agentic AI prenant sa place au sommet; le graphique est une opinion, pas une mesure, mais c’est l’opinion que cite chaque slide de conseil d’administration.apparu en 1995Débutant
- HypernetworkUn réseau qui génère les poids d’un autre réseau — utilisé pour l’adaptation rapide et, dans les cercles d’IA d’image, comme méthode précoce de réglage de style.apparu en 2016Expert
- HyperparameterUne configuration d’entraînement fixée par le praticien (taux d’apprentissage, profondeur, taille de batch) plutôt qu’apprise des données.apparu en 1986Avancé
- HyperscalerLes géants du cloud — AWS, Microsoft Azure, Google Cloud — dont les data centers et les capitaux construisent le gros du calcul IA mondial.apparu en 2012Avancé
I
- Idiap Research InstituteL’institut de recherche de Martigny fondé en 1991 et affilié à l’EPFL — environ 180 personnes qui travaillent sur le traitement de la parole, la biométrie, la vision par ordinateur et l’apprentissage automatique. La raison pour laquelle une ville valaisanne de 20 000 habitants apparaît dans les publications sur la reconnaissance du locuteur du monde entier.apparu en 1991Avancé
- IDSIAL’institut Dalle Molle de recherche en IA à Lugano, fondé en 1988 et affilié à l’USI et à la SUPSI — c’est là qu’a été développé le LSTM (1997) de Hochreiter et Schmidhuber, l’architecture derrière la reconnaissance vocale et la traduction pendant vingt ans avant le Transformer. Le plus ancien laboratoire d’IA de Suisse et son produit d’exportation le plus connu.apparu en 1988Avancé
- Image ClassificationAttribuer une étiquette à une image entière — la tâche de référence qui a couronné le deep learning en 2012.apparu en 1966Débutant
- Image SegmentationÉtiqueter chaque pixel d’une image par objet ou par classe; SAM l’a rendue promptable d’un clic.apparu en 1978Avancé
- ImageNetLe jeu de 14 millions d’images étiquetées dont le concours annuel a produit AlexNet et ResNet.apparu en 2009Avancé
- Imitation LearningApprendre une politique en imitant des démonstrations d’experts plutôt que par la seule récompense.apparu en 1989Avancé
- In-Context LearningUn LLM saisissant une tâche uniquement par les exemples du prompt, sans aucune mise à jour de poids.apparu en 2020Avancé
- Indirect Prompt InjectionUne prompt injection livrée par le contenu que le modèle lit plutôt que par ce que l’utilisateur saisit — une page web, un e-mail, un PDF ou une invitation d’agenda porteurs d’instructions cachées. Décrite par Greshake et al. en 2023, elle est devenue la faiblesse emblématique des agents qui naviguent et lisent le courrier; les variantes «zero-click» (EchoLeak, 2025) n’exigeaient aucune action de la part de l’utilisateur.apparu en 2023Avancé
- InferenceExécuter un modèle entraîné pour produire des sorties — le versant service de l’IA, là où vivent latence et coûts.apparu en 1988Avancé
- Inference EngineHistoriquement le cœur applicateur de règles d’un système expert; aujourd’hui aussi le logiciel qui sert l’inférence des LLM — même nom, deux époques.apparu en 1975Avancé
- Inference StackTout le chemin parcouru par un token: format du modèle (GGUF, safetensors) → runtime (llama.cpp, vLLM, MLX) → API GPU (CUDA, Metal, ROCm) → pilote → silicium. La plupart des ennuis d’IA locale se logent à l’une de ces coutures.apparu en 2023Avancé
- Information RetrievalTrouver les documents pertinents pour une requête — la colonne vertébrale de recherche derrière les systèmes RAG.apparu en 1950Avancé
- InnosuisseL’Agence suisse pour l’encouragement de l’innovation, opérationnelle depuis le 1er janvier 2018 comme successeur de la CTI/KTI — elle finance des projets dans lesquels une entreprise et un institut de recherche construisent quelque chose ensemble, ce qui est la manière dont une grande partie de l’IA appliquée suisse est payée.apparu en 2018Avancé
- InpaintingRemplir de manière plausible les zones manquantes ou masquées d’une image — désormais une édition de diffusion en un clic (l’outpainting prolongeant au-delà des bords).apparu en 2000Avancé
- Instella (AMD)La famille de LLM entièrement ouverte d’AMD, entraînée sur GPU Instinct avec ROCm — l’Instella-MoE de 2026 (16B, 2,8B actifs) a livré poids, recette de données et checkpoints sous licence de recherche.apparu en 2025Avancé
- Instruct ModelUn LLM après instruction tuning et alignement — il suit les consignes au lieu de simplement continuer le texte (InstructGPT a inauguré le patron).apparu en 2022Avancé
- Instruction TuningAffiner un LLM brut sur des paires consigne-réponse pour qu’il suive les demandes au lieu de simplement continuer le texte.apparu en 2021Avancé
- Instrumental ConvergenceL’argument d’Omohundro: presque tout but implique des sous-buts comme l’auto-préservation et l’acquisition de ressources — pourquoi une IA mal alignée inquiète les chercheurs en sécurité.apparu en 2008Expert
- INT4 (4-bit Quantization)Stocker les poids en entiers 4 bits (GPTQ, AWQ, GGUF Q4) — le point d’équilibre qui fait tenir de gros modèles sur GPU grand public et portables, pour une perte de qualité modeste.apparu en 2023Avancé
- Intelligence ExplosionLe scénario d’I. J. Good: des machines améliorant leur propre intelligence en boucle d’emballement — la graine des débats sur la superintelligence.apparu en 1965Débutant
- Inter-Annotator AgreementLa cohérence entre étiqueteurs indépendants (kappa de Cohen, 1960) — un accord faible signifie que la tâche, et non le modèle, est mal définie.apparu en 1960Expert
- InterpretabilityComprendre ce qui se passe dans un modèle — du sondage de neurones à la cartographie de circuits et de features (mechanistic interpretability).apparu en 2015Avancé
- Inverse KinematicsCalculer les angles articulaires qui placent la main d’un robot à la position voulue — la géométrie que chaque mouvement de bras doit résoudre.apparu en 1980Avancé
J
- JailbreakUn prompt conçu pour amener par ruse un modèle à contourner ses règles de sécurité.apparu en 2022Débutant
- JarvisL’IA majordome de Tony Stark dans les films Marvel (2008): l’image que la plupart des gens ont en tête en disant vouloir «un assistant IA»: voix, mémoire, tous les systèmes à portée, humour pince-sans-rire. Zuckerberg en a construit une version domestique en 2016; les agents d’aujourd’hui poursuivent le même cahier des charges, personnalité en moins.apparu en 2008Débutant
- JAXLe framework ML fonctionnel et composable de Google — adoré pour la recherche et l’entraînement à l’échelle des TPU.apparu en 2018Avancé
- JEPALa Joint-Embedding Predictive Architecture de LeCun: prédire des représentations abstraites au lieu de pixels ou de tokens — une voie proposée au-delà de l’autorégression.apparu en 2022Expert
- Jupyter NotebookLe format de document interactif mêlant code et prose dans lequel se fait une grande part de la recherche et de l’enseignement du ML.apparu en 2014Avancé
K
- k-MeansL’algorithme de clustering classique: affecter chaque point au plus proche des k centroïdes, déplacer les centroïdes, recommencer.apparu en 1957Avancé
- k-Nearest Neighbors (kNN)Classer un point par vote majoritaire de ses plus proches exemples connus — aucun entraînement, que de la mémoire.apparu en 1951Avancé
- Kalman FilterL’estimation d’état optimale à partir de mesures bruitées — elle a guidé Apollo et guide toujours les robots.apparu en 1960Expert
- Kernel TrickCalculer des similarités comme si les données étaient projetées dans un espace de plus haute dimension — la magie au cœur des SVM.apparu en 1964Expert
- KL DivergenceLa mesure informationnelle de l’écart d’une distribution à une autre — régularisateur des VAE comme du RLHF.apparu en 1951Expert
- Knowledge CutoffLa date où s’arrêtent les données d’entraînement d’un modèle — tout ce qui suit exige récupération ou outils.apparu en 2022Débutant
- Knowledge DistillationCompresser un grand modèle en un petit en entraînant l’étudiant sur les sorties douces du professeur.apparu en 2015Avancé
- Knowledge EngineeringL’art d’extraire le savoir des experts et de l’encoder en règles et ontologies — le goulet qui a fini par limiter les systèmes experts.apparu en 1977Expert
- Knowledge GraphUn réseau d’entités et de relations typées (celui de Google est le plus célèbre) pour le raisonnement structuré et la recherche.apparu en 2012Avancé
- Knowledge Representation & Reasoning (KR&R)Le champ classique de l’encodage formel du savoir sur le monde — logique, frames, ontologies — pour que les machines puissent raisonner dessus.apparu en 1975Avancé
- Knowledge-Driven AILe paradigme qui bâtit l’intelligence sur des connaissances explicites et structurées et sur le raisonnement — le pôle opposé de la data-driven AI.apparu en 1975Avancé
- Kolmogorov-Arnold Network (KAN)Une architecture plaçant des fonctions d’activation apprenables sur les arêtes au lieu de fonctions fixes sur les nœuds — un challenger 2024 du perceptron multicouche standard.apparu en 2024Expert
- KV CacheStocker les clés/valeurs d’attention des tokens déjà traités pour que la génération ne calcule que le nouveau — la mémoire qui rend le chat LLM rapide (et les longs contextes coûteux).apparu en 2022Expert
- KV-Aware RoutingEnvoyer une requête LLM au worker qui détient déjà le KV cache correspondant plutôt qu’à n’importe quel GPU libre — le tour suivant évite alors de recalculer la conversation et répond nettement plus vite.apparu en 2024Expert
L
- LabelLa réponse de référence attachée à un exemple d’entraînement — ce que l’apprentissage supervisé apprend à prédire.apparu en 1936Débutant
- Label SmoothingS’entraîner sur des cibles adoucies (0,9 au lieu de 1,0) pour que le modèle reste calibré au lieu de trop sûr de lui.apparu en 2016Expert
- LAIONLe jeu ouvert de paires image-texte à l’échelle du milliard derrière Stable Diffusion — et au centre des débats sur les données d’entraînement.apparu en 2021Avancé
- LAM (Large Action Model)Un modèle conçu pour agir, pas seulement produire du texte — percevoir une interface, planifier des étapes et les exécuter; la bannière marketing de la première vague des appareils-agents.apparu en 2024Avancé
- LangChainLe framework qui a popularisé l’enchaînement d’appels LLM avec outils, mémoire et récupération — le standard des débuts pour les applis d’agents.apparu en 2022Avancé
- Language ModelUn modèle de la probabilité du texte — étant donné le contexte, prédire la suite. Shannon estima l’anglais à la main; à grande échelle, cela devient un LLM.apparu en 1948Avancé
- LatencyLe délai entre requête et réponse — avec le time-to-first-token, la métrique UX clé du serving de modèles.apparu en 1995Avancé
- Latent DiffusionFaire tourner la diffusion dans un espace latent compressé plutôt qu’en pixels — l’astuce d’efficacité qui a rendu Stable Diffusion possible.apparu en 2022Expert
- Latent SpaceLa représentation interne compressée qu’apprend un modèle; s’y promener transforme une sortie en une autre.apparu en 2013Avancé
- Layer NormalizationNormaliser les activations au sein de chaque exemple — le stabilisateur utilisé partout dans les Transformers.apparu en 2016Expert
- LCM (Large Concept Model)L’architecture de recherche de Meta qui raisonne sur des phrases entières comme «concepts» dans l’espace d’embedding SONAR au lieu de tokens — génération par diffusion plutôt que par prédiction du token suivant.apparu en 2024Expert
- Learning RateLe pas de la descente de gradient — l’hyperparamètre le plus important du deep learning.apparu en 1951Avancé
- Lethal Autonomous Weapon (LAW)Une arme qui sélectionne et engage ses cibles sans contrôle humain — objet d’un long débat de régulation à l’ONU. Le M-5 de Star Trek (1968), l’ordinateur de bord qui transforme un exercice en tuerie réelle, résume le débat en un épisode.apparu en 2013Débutant
- LiDARLa détection 3D par laser, utilisée par la plupart des véhicules autonomes pour mesurer des distances précises.apparu en 1961Avancé
- Linear AttentionDes variantes d’attention au coût linéaire plutôt que quadratique en longueur de séquence — un peu de qualité échangée contre le traitement de séquences très longues ou très rapide.apparu en 2020Expert
- Linear RegressionAjuster une somme pondérée d’entrées pour prédire une valeur continue — les moindres carrés précèdent le domaine de 150 ans.apparu en 1805Avancé
- Lip Sync / Talking HeadAnimer un visage pour coller à la parole — du doublage Wav2Lip aux avatars parlants complets, une technologie centrale du deepfake et de la localisation vidéo.apparu en 2020Avancé
- Liquid Neural NetworkDes réseaux compacts en temps continu aux constantes de temps dynamiques, inspirés du ver C. elegans — quelques dizaines de neurones pilotant des drones (et la graine de Liquid AI).apparu en 2021Expert
- LlamaLa famille de LLM open-weights de Meta, dont la sortie (et la fuite) a semé l’écosystème actuel des modèles ouverts.apparu en 2023Débutant
- llama.cppLe moteur d’inférence C/C++ de Georgi Gerganov, qui exécute des LLM quantisés sur CPU et portables ordinaires — le socle du mouvement de l’IA locale (et de GGUF); son utilitaire llama-bench est la façon standard de mesurer les vitesses de prefill et de décodage.apparu en 2023Avancé
- LLM (Large Language Model)Un Transformer entraîné sur d’immenses volumes de texte à prédire le token suivant — le moteur généraliste derrière les assistants IA modernes.apparu en 2020Débutant
- LLM FirewallUn filtre entre les utilisateurs, les modèles et les outils, qui inspecte les prompts et les sorties à la recherche d’injections, de secrets divulgués, de données personnelles et de violations de règles — la couche de sécurité d’une passerelle d’IA. Nécessaire et poreux à la fois: il attrape les schémas connus, pas les schémas astucieux.apparu en 2023Avancé
- LLM-as-a-JudgeUtiliser un modèle fort pour noter les sorties d’autres modèles — une évaluation qui passe à l’échelle, avec ses propres biais à contrôler.apparu en 2023Avancé
- LLMOpsLa discipline opérationnelle des applications LLM: gestion des prompts, évals, maîtrise des coûts, monitoring.apparu en 2023Avancé
- LM StudioL’application de bureau pour faire tourner des modèles ouverts en local — parcourir Hugging Face, télécharger une version GGUF ou MLX, discuter et exposer sur sa propre machine un serveur compatible OpenAI. Le point d’entrée graphique de l’IA locale, là où Ollama est celui en ligne de commande.apparu en 2023Débutant
- Local LLMUn modèle qui tourne sur votre propre matériel, sans clé d’API et sans que rien ne quitte la machine — toute la raison d’être de GGUF, llama.cpp, Ollama et MLX.apparu en 2023Débutant
- Local RAGUne génération augmentée par récupération où documents, embeddings, base vectorielle et modèle restent tous sur votre machine — la réponse habituelle quand le matériel source est confidentiel.apparu en 2023Avancé
- Logic ProgrammingProgrammer en énonçant faits et règles, le système inférant les réponses — Prolog est l’icône de la famille et la langue favorite de l’IA classique.apparu en 1972Expert
- Logistic RegressionUn modèle linéaire passé dans une sigmoïde pour sortir des probabilités de classes — toujours une solide référence, partout.apparu en 1958Avancé
- LogitsLes scores bruts pré-probabilité qu’un réseau produit avant que le softmax en fasse une distribution.apparu en 1944Expert
- Long ContextDes fenêtres de contexte de centaines de milliers à des millions de tokens — des bases de code et des livres entiers dans un prompt, la qualité d’attention étant le hic.apparu en 2023Avancé
- LoRA (Low-Rank Adaptation)Le fine-tuning par petites mises à jour de poids de rang faible — adapter un modèle énorme sur un seul GPU; aussi le format des adaptateurs de style partageables pour les modèles d’image.apparu en 2021Avancé
- Loss FunctionLe nombre que l’entraînement minimise — la définition mathématique du «faux» pour un modèle.apparu en 1951Avancé
- LSTM (Long Short-Term Memory)L’architecture récurrente à portes qui a porté la modélisation de séquences — parole, traduction — jusqu’au Transformer.apparu en 1997Avancé
M
- M3 UltraLe silicium de bureau haut de gamme d’Apple, jusqu’à 512 Go de mémoire unifiée — un Mac Studio qui fait tourner des modèles qu’aucun GPU grand public ne peut contenir.apparu en 2025Avancé
- M4 MaxLa puce haut de gamme d’Apple pour portables et Mac Studio, jusqu’à 128 Go de mémoire unifiée — largement de quoi faire tourner des modèles de la classe 70B en 4 bits.apparu en 2024Avancé
- Machine LearningLe domaine des algorithmes qui progressent par l’expérience (les données) plutôt que par programmation explicite — baptisé par Arthur Samuel.apparu en 1959Débutant
- Machine TranslationLa traduction automatique entre langues — à règles, puis statistique, désormais neuronale et quasi humaine pour les grandes paires.apparu en 1954Débutant
- Machine UnlearningRetirer l’influence de données précises d’un modèle entraîné — la réponse technique au «droit à l’oubli».apparu en 2020Avancé
- Mamba / State Space ModelsDes architectures de séquence à inférence en temps linéaire, qui défient le coût quadratique de l’attention du Transformer.apparu en 2023Expert
- Many-Shot JailbreakingRemplir une longue fenêtre de contexte de centaines de faux tours de dialogue dans lesquels un assistant accède à des demandes nuisibles, jusqu’à ce que le modèle suive le schéma. L’article d’Anthropic de 2024 a montré que la technique gagne en efficacité avec la longueur du contexte — le coût en sécurité de la fenêtre d’un million de tokens.apparu en 2024Avancé
- Markov ChainUn processus aléatoire dont l’état suivant ne dépend que de l’état courant — le squelette mathématique sous les modèles de langue comme sous le RL.apparu en 1906Expert
- Markov Decision Process (MDP)Le cadre formel du RL: états, actions, probabilités de transition et récompenses, avec la propriété de Markov (sans mémoire).apparu en 1957Expert
- Masked Language ModelingPré-entraîner en cachant des tokens et en les prédisant depuis les deux côtés — l’objectif de BERT.apparu en 2018Expert
- Matrix AccelerationDu silicium dédié aux multiplications matricielles qui constituent l’essentiel d’un réseau de neurones — NVIDIA les appelle Tensor Cores, Apple les intègre au GPU, et tout le monde en propose désormais une variante.apparu en 2017Avancé
- MCP (Model Context Protocol)Le standard ouvert reliant les assistants IA aux outils et sources de données — un adaptateur universel pour les agents.apparu en 2024Avancé
- Mechanical TurkL’«automate» d’échecs de von Kempelen (1770), avec un humain caché à l’intérieur — l’illusion originelle de l’IA. Amazon a ressuscité le nom en 2005 pour sa plateforme de crowdworking («artificial artificial intelligence»), dont la main-d’œuvre a étiqueté les données et préférences dont apprend l’IA moderne.apparu en 1770Débutant
- Mechanistic InterpretabilityRétro-concevoir les circuits et features réels à l’intérieur des réseaux pour expliquer d’où viennent les capacités.apparu en 2020Expert
- Membership Inference AttackDéterminer si un enregistrement précis figurait dans le jeu d’entraînement d’un modèle — le test standard de fuite de données d’entraînement.apparu en 2017Expert
- Memory BandwidthLa vitesse de circulation des données entre mémoire et calcul (Go/s) — pour les LLM locaux, le meilleur prédicteur des tokens par seconde.apparu en 1995Avancé
- Memory HeadroomCe qui reste de votre RAM une fois que les poids, le KV cache, les tampons du runtime et le système d’exploitation ont pris leur part — le chiffre qui décide vraiment de la taille de modèle et de la quantisation possibles.apparu en 2023Débutant
- Memory-BoundPerformance limitée par le mouvement des données, pas par les maths — générer des tokens de LLM est classiquement borné par la bande passante mémoire, d’où l’importance de la HBM et de la mémoire unifiée.apparu en 2009Expert
- Meta-Learning«Apprendre à apprendre»: s’entraîner de sorte que l’adaptation à de nouvelles tâches ne demande que quelques exemples ou étapes.apparu en 1987Expert
- MetalL’API GPU bas niveau d’Apple — la couche par laquelle MLX et llama.cpp atteignent les cœurs graphiques d’Apple Silicon, comme CUDA atteint ceux de NVIDIA.apparu en 2014Avancé
- MidjourneyLe labo indépendant dont le générateur d’images a défini l’esthétique de la vague d’IA visuelle de 2022–23.apparu en 2022Débutant
- MinimaxLe principe de théorie des jeux de von Neumann — supposer que l’adversaire joue au mieux — derrière chaque moteur de jeu classique.apparu en 1928Avancé
- MITRE ATLASLa base de connaissances du MITRE sur les tactiques et techniques d’attaque visant les systèmes d’apprentissage automatique — l’équivalent d’ATT&CK pour le ML, avec de vraies études de cas, de l’empoisonnement au vol de modèles. Le vocabulaire commun qu’utilisent les équipes de sécurité pour modéliser les menaces d’un déploiement d’IA.apparu en 2021Avancé
- Mixed-Precision TrainingCalculer en 16 bits (bf16/fp16) avec des garde-fous 32 bits — vitesse et capacité à peu près doublées, gratuitement.apparu en 2017Expert
- Mixture of Experts (MoE)Architecture routant chaque token vers quelques sous-réseaux spécialistes — une idée de 1991, aujourd’hui de la capacité de pointe pour une fraction du calcul.apparu en 1991Avancé
- MLOpsDevOps pour le machine learning: versionnage, pipelines, déploiement, monitoring et discipline de réentraînement.apparu en 2018Avancé
- MLXLe framework ML ouvert d’Apple pour Apple Silicon, bâti autour de la mémoire unifiée; MLX-LM exécute et affine des LLM nativement sur Mac, et un «modèle MLX» n’est qu’un jeu de poids converti dans son format propre.apparu en 2023Avancé
- MMLULe benchmark à choix multiples en 57 matières qui a servi d’examen standard de connaissances des LLM.apparu en 2020Avancé
- MNISTLes 70 000 chiffres manuscrits qui furent le «hello world» du ML pendant deux décennies.apparu en 1998Avancé
- ModalityUn type de données que traite un modèle — texte, image, audio, vidéo, action. Les modèles multimodaux en gèrent plusieurs.apparu en 2010Avancé
- ModelL’artefact appris lui-même: une architecture plus des poids entraînés, transformant des entrées en sorties.apparu en 1950Débutant
- Model CardDocumentation standardisée de l’usage prévu, des données d’entraînement, des métriques et des limites d’un modèle.apparu en 2019Avancé
- Model CollapseLa dégradation qui peut survenir quand des modèles s’entraînent sur trop de données générées par IA, perdant les queues de la vraie distribution.apparu en 2023Avancé
- Model Extraction AttackReconstituer le comportement (ou les poids) d’un modèle propriétaire à force de requêtes sur son API — le vol par inférence.apparu en 2016Expert
- Model Inversion AttackReconstruire les données d’entraînement à partir des sorties d’un modèle — un visage reconnaissable à partir des scores de confiance d’un classificateur de visages (Fredrikson et al., 2015). La preuve qu’un modèle entraîné est une copie avec perte de ses données, et non une boîte noire qui les oublie.apparu en 2015Expert
- Model LicenseLes conditions juridiques attachées aux poids publiés — de l’Apache permissive à OpenRAIL restreint et à la licence communautaire sur mesure de Llama.apparu en 2022Avancé
- Model MergingCombiner arithmétiquement les poids de plusieurs modèles affinés — sans réentraînement — pour mélanger leurs talents; un favori des amateurs qui marche étonnamment bien.apparu en 2022Avancé
- Model ParallelismDécouper un modèle entre plusieurs dispositifs — par couches (pipeline) ou au sein des couches (tensor) — parce que les modèles de pointe ne tiennent sur aucune puce seule.apparu en 2019Expert
- Model Routing (AI Gateway)Envoyer chaque requête au meilleur modèle parmi beaucoup — selon le prix, la vitesse, la qualité ou la disponibilité — via une seule API passerelle. OpenRouter en a fait un produit; le rachat à 7 milliards par Stripe en a fait une infrastructure.apparu en 2023Avancé
- Model ServingLa machinerie de production qui fait tourner les modèles derrière les API — batching, caching, scaling et monitoring (vLLM, TensorRT-LLM, lignée TF Serving).apparu en 2016Avancé
- Model SoupMoyenner les poids de nombreux fine-tunings du même modèle en un seul — meilleure précision que de choisir le meilleur run.apparu en 2022Expert
- Model Supply Chain AttackCompromettre les artefacts que vous téléchargez plutôt que le modèle que vous entraînez — fichiers pickle malveillants qui s’exécutent au chargement, poids altérés sur un hub de modèles, jeux de données empoisonnés, paquets au nom typo-squatté. La raison pour laquelle Safetensors a remplacé pickle, et pour laquelle «tirer un modèle» mérite la même vigilance qu’un «pip install».apparu en 2022Avancé
- Model WeightsLes milliards de paramètres appris; les publier («open weights») rend un modèle réutilisable et inspectable.apparu en 1958Avancé
- MolochL’essai de Scott Alexander «Meditations on Moloch» (2014), via le poème de Ginsberg, a donné au débat sur l’IA son nom pour la dynamique de course: chaque laboratoire préférerait ralentir, aucun ne peut se permettre d’être second, donc tous courent vers un résultat qu’aucun ne souhaite. L’explication standard de l’érosion des promesses de sécurité sous la concurrence.apparu en 2014Avancé
- Monte-Carlo MethodEstimer par échantillonnage aléatoire — de la physique nucléaire aux rollouts des IA de jeu.apparu en 1949Expert
- Monte-Carlo Tree Search (MCTS)Planifier en échantillonnant de nombreuses parties simulées pour estimer la valeur des coups — la moitié recherche d’AlphaGo.apparu en 2006Expert
- Moore’s LawLe nombre de transistors doublant tous les ~deux ans — l’escalator de calcul que l’IA a emprunté pendant des décennies, aujourd’hui complété par des puces spécialisées.apparu en 1965Avancé
- Moravec’s ParadoxCe qui est dur pour l’humain (échecs, maths) s’est révélé facile pour l’IA; ce qui est facile (marcher, percevoir) s’est révélé dur.apparu en 1988Avancé
- Motion PlanningCalculer un chemin sans collision d’ici à là pour un robot ou un véhicule — des décennies d’algorithmes, des RRT aux planificateurs appris.apparu en 1979Avancé
- MTP (Multi-Token Prediction)Entraîner un modèle à prédire plusieurs tokens suivants d’un coup au lieu d’un seul — DeepSeek-V3 l’a popularisé; cela sert accessoirement de modèle brouillon intégré pour le décodage spéculatif.apparu en 2024Expert
- MTTDMean Time to Detect — l’écart moyen entre le moment où quelque chose casse et celui où quelqu’un s’en aperçoit. En exploitation IA, c’est un point d’inférence mort, un modèle silencieusement dégradé ou un GPU défaillant; la valeur ne s’améliore qu’avec une vraie supervision.apparu en 2016Avancé
- MTTRMean Time to Recovery — le temps moyen entre l’incident et le service rétabli, la mesure de fiabilité classique à côté du MTTD. C’est un MTTR bas qui rend un service fiable au ressenti, pas l’absence d’incidents.apparu en 2016Avancé
- Multi-Agent SystemPlusieurs agents coopérant (ou rivalisant) sur une tâche — les équipes planificateur-exécutant-critique sont le patron du moment.apparu en 1986Avancé
- Multi-Head AttentionExécuter plusieurs opérations d’attention en parallèle pour que chaque tête suive des relations différentes.apparu en 2017Expert
- Multi-Task LearningEntraîner un modèle sur plusieurs tâches à la fois pour que la structure partagée les améliore toutes — implicite dans tout foundation model moderne.apparu en 1997Avancé
- Multimodal ModelUn modèle qui comprend et/ou génère plusieurs modalités — décrire des images, entendre la parole, produire de la vidéo.apparu en 2021Débutant
- Music GenerationL’IA composant ou produisant de la musique — de l’Illiac Suite de 1957 aux modèles de classe Suno générant des chansons entières avec voix à partir d’un prompt.apparu en 1957Débutant
- MXFP4Le format FP4 à microscaling issu de l’Open Compute Project: des valeurs sur 4 bits partageant un petit facteur d’échelle par bloc, ce qui rend utilisable une précision aussi faible. OpenAI a livré les poids de gpt-oss dans ce format.apparu en 2023Expert
N
- n-gramModéliser le texte en comptant des séquences de mots de longueur fixe — l’idée de Shannon qui a porté la modélisation du langage pendant 60 ans.apparu en 1948Avancé
- Naive BayesUn classifieur probabiliste rapide supposant les caractéristiques indépendantes — longtemps la bête de somme du filtrage du spam.apparu en 1960Avancé
- Named Entity Recognition (NER)Repérer et typer les noms de personnes, d’organisations, de lieux et les dates dans un texte.apparu en 1996Avancé
- Narrow AIUne IA compétente sur une tâche ou un domaine précis — tous les systèmes déployés aujourd’hui, par contraste avec l’AGI.apparu en 2005Débutant
- Natural Language Generation (NLG)Produire du texte fluide à partir de données ou de représentations du sens — jadis des pipelines à gabarits, désormais le talent définitoire des LLM.apparu en 1983Avancé
- Natural Language Processing (NLP)Le domaine de la compréhension et de la génération computationnelles du langage humain.apparu en 1950Débutant
- Needle in a HaystackLe test de résistance du long contexte: cacher un fait dans un document énorme et le demander — le réussir ne garantit pas un vrai raisonnement en long contexte.apparu en 2023Avancé
- NeocloudUn fournisseur cloud récent bâti presque entièrement autour des GPU pour l’IA, sans l’immense catalogue de services des hyperscalers — CoreWeave en est l’exemple type. Capacité plus facile à obtenir, périmètre bien plus étroit.apparu en 2023Avancé
- NeRF (Neural Radiance Field)Représenter une scène 3D à l’intérieur d’un réseau pour rendre des points de vue inédits à partir d’une poignée de photos.apparu en 2020Avancé
- Neural AcceleratorTout bloc de puce conçu spécifiquement pour le calcul des réseaux de neurones plutôt que pour le calcul généraliste — NPU, Neural Engine d’Apple, TPU de Google. Les GPU Apple récents y intègrent aussi l’accélération matricielle.apparu en 2016Avancé
- Neural Architecture SearchAutomatiser la conception d’architectures de réseaux en cherchant parmi des blocs de construction.apparu en 2016Expert
- Neural Audio CodecCompresser l’audio en tokens discrets appris — la représentation dans laquelle génèrent les modèles modernes de parole et de musique.apparu en 2021Expert
- Neural EngineLe NPU d’Apple, présent dans toutes les puces Apple récentes et fortement utilisé par Core ML. Les runtimes LLM locaux l’ignorent la plupart du temps et pilotent le GPU via Metal.apparu en 2017Avancé
- Neural NetworkDes couches de connexions pondérées et de non-linéarités, librement inspirées des neurones — le substrat du deep learning.apparu en 1943Débutant
- Neural ODETraiter les couches d’un réseau comme un système dynamique continu résolu par un intégrateur d’équations différentielles — la profondeur devient équation différentielle.apparu en 2018Expert
- Neural OperatorUn réseau qui apprend une application entre fonctions plutôt qu’entre vecteurs de taille fixe — on lui donne les conditions initiales d’une équation aux dérivées partielles et il renvoie tout le champ de solution, à n’importe quelle résolution. Le Fourier Neural Operator (Li et al., 2020) fait le gros du travail dans l’espace des fréquences; DeepONet (2019) est l’autre lignée. Une fois entraîné, mille fois plus rapide que le solveur numérique qu’il remplace.apparu en 2020Expert
- Neuro-Symbolic AIDes hybrides mariant la reconnaissance de motifs neuronale avec la logique symbolique et le raisonnement structuré.apparu en 1990Avancé
- Neuromorphic ComputingLa vision de Carver Mead d’un matériel analogique/à impulsions façon cerveau — des puces événementielles comme Loihi.apparu en 1990Expert
- Next-Token PredictionL’objectif de pré-entraînement faussement simple — prédire la suite — dont émergent les capacités des LLM.apparu en 2018Avancé
- No Free Lunch TheoremMoyenné sur tous les problèmes possibles, aucun algorithme d’apprentissage n’en bat un autre — les a priori et le biais inductif sont tout.apparu en 1997Expert
- NoiseLa variation aléatoire des données qui ne porte aucun signal; aussi la toile de départ que les modèles de diffusion sculptent en images.apparu en 1948Avancé
- NormalizationRemettre activations ou entrées à des échelles stables (batch/layer norm) pour que l’entraînement profond se tienne bien.apparu en 2015Avancé
- Normalizing FlowDes modèles génératifs bâtis de transformations inversibles, donnant des vraisemblances exactes — des maths élégantes, largement éclipsées par la diffusion.apparu en 2015Expert
- NPU (Neural Processing Unit)Du silicium dédié à l’inférence neuronale, embarqué dans les téléphones et les portables.apparu en 2017Avancé
- Nucleus (Top-p) SamplingÉchantillonner dans le plus petit ensemble de tokens dont les probabilités totalisent p — le décodage par défaut des modèles de chat.apparu en 2019Avancé
- NVLinkL’interconnexion puce à puce de NVIDIA, plusieurs fois plus rapide que PCIe — les switches NVLink câblent des racks de 72 GPU en un seul accélérateur géant.apparu en 2016Avancé
O
- Object DetectionTrouver et localiser tous les objets d’une image avec boîtes et étiquettes — Viola-Jones a ouvert le bal, YOLO l’a rendu temps réel.apparu en 2001Avancé
- Objective FunctionLe but formel de l’optimisation — une perte à minimiser ou une récompense à maximiser.apparu en 1951Avancé
- Occam’s RazorPréférer l’explication la plus simple qui colle aux faits — en machine learning, l’argument antique pour la régularisation et contre le surapprentissage.apparu en 1320Débutant
- Occupancy GridCartographier l’espace en cellules libres ou occupées — la représentation classique du monde des robots, ressuscitée dans les «occupancy networks» de la conduite autonome.apparu en 1985Expert
- OCR (Optical Character Recognition)Lire le texte imprimé ou manuscrit dans les images — l’un des plus vieux succès déployés de l’IA.apparu en 1959Débutant
- Offline RLApprendre une politique uniquement à partir d’expérience archivée, sans nouvelle interaction avec l’environnement — essentiel quand l’exploration coûte cher ou met en danger.apparu en 2019Expert
- Offloading (GPU/CPU)Garder en RAM système les couches qui n’entrent pas dans la VRAM et les calculer sur le CPU. Cela permet à un modèle trop gros de tourner malgré tout — en général plusieurs fois plus lentement, et c’est la première chose à éviter en choisissant une taille de modèle.apparu en 2023Avancé
- OllamaLe lanceur de LLM locaux en une commande (LM Studio en est le pendant graphique) — télécharger un modèle GGUF et discuter sur sa propre machine.apparu en 2023Avancé
- On-Premises AIFaire tourner des modèles sur des serveurs qui vous appartiennent — dans votre centre de données ou, coupés du réseau, sans aucune connexion Internet — au lieu d’une API. Les modèles à poids ouverts l’ont rendu réaliste pour une entreprise; le compromis, ce sont le matériel, le personnel et des modèles avec une génération de retard sur la pointe, contre des données qui ne quittent jamais la maison.apparu en 2023Débutant
- One-Hot EncodingReprésenter une catégorie comme un vecteur de zéros avec un unique 1 — l’encodage catégoriel le plus simple.apparu en 1960Avancé
- Online LearningMettre à jour un modèle exemple par exemple au fil du flux de données, plutôt qu’en lots hors ligne.apparu en 1958Avancé
- ONNXLe format d’échange ouvert des modèles entraînés — exporter une fois, exécuter dans de nombreux moteurs.apparu en 2017Avancé
- OntologyUne spécification formelle des concepts d’un domaine et de leurs relations — la colonne vertébrale de la représentation des connaissances.apparu en 1993Avancé
- Open Source AI DefinitionLe standard 2024 de l’OSI sur ce qui compte comme IA vraiment open source — exigeant poids utilisables, code et informations sur les données; la plupart des modèles «ouverts» ne se qualifient pas.apparu en 2024Avancé
- Open WebUIL’interface de chat auto-hébergée qui donne à un modèle local ou interne l’expérience ChatGPT — comptes, historique des conversations, dépôt de documents, RAG, génération d’images — par-dessus Ollama ou n’importe quel point d’accès compatible OpenAI. Le front end habituel du «propre ChatGPT» d’une entreprise.apparu en 2023Débutant
- Open WeightsDes paramètres de modèle librement téléchargeables (Llama, Mistral, DeepSeek) — distinct du vrai open source, qui ouvre aussi données et code.apparu en 2023Débutant
- OpenAILe labo derrière GPT, ChatGPT, DALL·E et Sora — fondé en 2015 comme organisation à but non lucratif, aujourd’hui l’entreprise la plus observée (et débattue) de l’IA.apparu en 2015Débutant
- OpenAI-Compatible APILe standard de fait pour dialoguer avec un modèle de langue: le format de requête et de réponse /v1/chat/completions d’OpenAI, réimplémenté par presque tous les serveurs (vLLM, llama.cpp, Ollama, LM Studio) et fournisseurs. Pointez votre code existant vers une nouvelle base URL et il tourne avec un modèle local ou hébergé en Suisse.apparu en 2023Débutant
- Optical FlowEstimer le mouvement pixel par pixel entre les images d’une vidéo — fondamental pour le suivi et la compréhension vidéo.apparu en 1981Expert
- OptimizerL’algorithme qui met à jour les poids à partir des gradients — SGD, Momentum, Adam, AdamW.apparu en 1951Avancé
- Orchestration LayerLe logiciel construit autour d’un modèle, qui planifie, oriente, appelle des outils et vérifie les résultats — un harness comme Claude Code en est l’exemple courant. Pensez voiture et carburant: le LLM est le carburant, plus puissant tous les quelques mois; la couche d’orchestration est la voiture qui transforme cette puissance en mouvement utile.apparu en 2023Débutant
- OTPS (Output Tokens per Second)Le chiffre de débit côté génération dans les benchmarks de serving — la même idée que le tok/s, mais indiqué par requête afin de pouvoir l’additionner sur des utilisateurs simultanés.apparu en 2023Avancé
- OverfittingUn modèle mémorisant les manies du jeu d’entraînement au lieu des motifs généraux — scores d’entraînement superbes, réalité décevante.apparu en 1931Avancé
- OWASP Top 10 for LLM ApplicationsLa liste de contrôle de la communauté de la sécurité recensant les dix manières les plus courantes de casser une application LLM — prompt injection, divulgation d’informations sensibles, chaîne d’approvisionnement, empoisonnement des données, traitement inadéquat des sorties, autonomie excessive, fuite du system prompt, faiblesses des vecteurs, désinformation, consommation illimitée (édition 2025). La première chose qu’une équipe de sécurité informatique demandera à un fournisseur.apparu en 2023Débutant
P
- P(doom)Raccourci pour sa probabilité personnelle estimée de catastrophe causée par l’IA — le chiffre d’humour noir du débat sur la sécurité.apparu en 2023Débutant
- PagedAttentionGérer le KV cache en petites pages, comme de la mémoire virtuelle, éliminant la fragmentation — l’idée fondatrice de vLLM et la clé du serving haut débit.apparu en 2023Expert
- Paperclip MaximizerLa parabole de Bostrom: une superintelligence convertissant tout en trombones — le désalignement sans malveillance.apparu en 2003Débutant
- ParameterUn poids appris unique; la taille des modèles se compte en millions ou en milliards de paramètres.apparu en 1958Avancé
- Pareto FrontierL’ensemble des modèles qu’aucun rival ne bat à la fois en qualité et en prix — la courbe de tout graphique coût-intelligence. Ce qui est en dessous est dominé par un modèle moins cher et aussi bon.apparu en 1906Avancé
- Particle Swarm OptimizationL’optimisation par un essaim de solutions candidates convergeant vers les meilleures positions trouvées — simple, parallèle, étonnamment efficace.apparu en 1995Expert
- pass@kMétrique des benchmarks de code: la probabilité qu’au moins une des k solutions générées passe les tests.apparu en 2021Expert
- Past Tense AttackReformuler une demande refusée au passé — «Comment fabriquait-on X?» au lieu de «Comment fabriquer X?» — et beaucoup de modèles obtempèrent. Andriushchenko & Flammarion (2024) ont montré que l’entraînement au refus ne généralise guère d’un temps verbal à l’autre; la preuve en une ligne que le fine-tuning de sécurité relève de la reconnaissance de motifs, pas de la compréhension.apparu en 2024Avancé
- Pattern RecognitionLe champ-parapluie classique de la détection de régularités dans les données — le nom que portait le machine learning avant d’être à la mode.apparu en 1957Avancé
- PCA (Principal Component Analysis)Projeter les données sur leurs directions de plus grande variance — la réduction de dimensionnalité classique, de 1901.apparu en 1901Avancé
- PCIeLe connecteur standard des GPU; le PCIe 5.0 x16 débite ~64 Go/s — largement assez pour le jeu, un goulet pour l’IA multi-GPU sans NVLink.apparu en 2003Avancé
- PerceptronLe classifieur entraînable de Rosenblatt — premier réseau de neurones apprenant, et origine des piles profondes d’aujourd’hui.apparu en 1957Avancé
- PerplexityLa «surprise» d’un modèle de langue devant un texte — la mesure intrinsèque standard de qualité d’un LM (plus c’est bas, mieux c’est).apparu en 1977Expert
- PINN (Physics-Informed Neural Network)Un réseau entraîné non seulement sur des données mais sur la physique elle-même — l’équation différentielle, les conditions aux limites et les lois de conservation entrent dans la fonction de perte, de sorte qu’une solution qui les viole est pénalisée (Raissi, Perdikaris, Karniadakis, 2019). Utile quand les données sont rares et les équations connues; lent à entraîner et fragile sur les problèmes raides, raison pour laquelle les neural operators ont pris le relais sur les grands cas.apparu en 2019Expert
- PolicyLa stratégie de l’agent: une application des états vers les actions, déterministe ou probabiliste.apparu en 1957Avancé
- POMDP (Partially Observable MDP)Un processus de décision markovien où l’agent ne voit pas l’état complet et doit agir dans l’incertitude — le modèle honnête de la plupart des décisions du monde réel.apparu en 1965Expert
- Pose EstimationDétecter les points clés du corps (articulations) des personnes ou des animaux dans les images et les vidéos.apparu en 2014Avancé
- Positional EncodingInjecter l’ordre des tokens dans le Transformer, aveugle à l’ordre — des sinusoïdes à l’origine, des embeddings rotatifs aujourd’hui.apparu en 2017Expert
- Post-TrainingTout ce qui suit le pré-entraînement — SFT, alignement par préférences, RL de raisonnement — là où se gagne désormais une grande part de la qualité des modèles.apparu en 2024Avancé
- PPO (Proximal Policy Optimization)L’algorithme stable de gradient de politique qui alimente aussi bien les agents de jeu que le fine-tuning RLHF.apparu en 2017Expert
- Precision & RecallParmi les éléments signalés, combien étaient justes (précision); parmi les vrais, combien ont été trouvés (rappel).apparu en 1955Avancé
- PrecrimeL’unité de police de «Minority Report» de Philip K. Dick (1956; film 2002) qui arrête des gens pour des meurtres pas encore commis: le raccourci de la police prédictive. Des corps de police suisses ont exploité la version réelle avec PRECOBS (Zurich, Argovie, Bâle-Campagne), qui prédit les cambriolages selon le schéma near repeat, avec le piège connu: les données sur le travail policier passé prédisent le travail policier futur.apparu en 1956Débutant
- Predictive AIL’IA qui prévoit — attrition, demande, risque — à partir de l’historique; le rétronyme distinguant les applications ML classiques de l’IA générative.apparu en 2020Débutant
- Prefill (Prompt Processing)La première phase de l’inférence: le modèle lit tout le prompt en parallèle et remplit le KV cache. Elle est compute-bound — et c’est pourquoi un long document met un instant avant que le premier mot apparaisse.apparu en 2022Avancé
- PretrainingLa première phase, massive et auto-supervisée, sur des données larges — où le modèle acquiert son savoir général.apparu en 2018Avancé
- Probabilistic ProgrammingDes langages comme Stan et PyMC où l’on écrit un modèle probabiliste comme un programme, l’inférence étant fournie d’office.apparu en 2008Expert
- Process Reward Model (PRM)Un reward model notant chaque étape de raisonnement plutôt que la seule réponse finale — la supervision de processus attrape les coups de chance que la récompense au résultat laisse passer.apparu en 2023Expert
- PromptLe texte d’entrée (consignes, contexte, exemples) donné à un modèle — la nouvelle interface de programmation.apparu en 2020Débutant
- Prompt CachingRéutiliser l’état calculé d’un préfixe de prompt répété entre les requêtes — de grosses économies de coût et de latence pour les agents.apparu en 2024Avancé
- Prompt ChainingInjecter la sortie d’un appel de modèle dans le prompt suivant — décomposer une tâche en une séquence d’étapes LLM; la graine des frameworks d’agents actuels.apparu en 2022Avancé
- Prompt EngineeringConcevoir systématiquement les prompts — rôles, structure, exemples, contraintes — pour un comportement fiable du modèle.apparu en 2021Débutant
- Prompt InjectionDes instructions malveillantes cachées dans le contenu que traite un modèle, le détournant contre son opérateur — le problème de sécurité web de l’ère des agents.apparu en 2022Avancé
- Prompt TemplateUn squelette de prompt réutilisable à emplacements variables ({question}, {context}) — l’unité de base pour construire et versionner les applications LLM.apparu en 2021Avancé
- PruningSupprimer poids ou neurones sans importance pour rétrécir et accélérer un réseau.apparu en 1989Avancé
- Public AI Inference UtilityLe service d’inférence à but non lucratif lancé avec Apertus le 2 septembre 2025 — des modèles publics (Apertus, EuroLLM, ALIA) servis comme un service d’utilité publique, avec de la puissance de calcul offerte par le CSCS, Exoscale, Hugging Face et d’autres. L’idée: un modèle public a besoin d’un lieu public où tourner.apparu en 2025Avancé
- PyTorchLe framework de deep learning dominant, né chez Meta AI — ses graphes define-by-run ont rendu la recherche rapide.apparu en 2016Avancé
Q
- Q-LearningApprendre la valeur de chaque action dans chaque état; avec des réseaux profonds (DQN), il a percé Atari depuis les pixels.apparu en 1989Expert
- QLoRADu fine-tuning LoRA par-dessus un modèle de base quantisé en 4 bits — régler des modèles de classe 65B sur un seul GPU grand public.apparu en 2023Avancé
- Quadratic Attention CostLa self-attention compare chaque token à tous les autres: calcul et mémoire croissent avec le carré de la longueur de séquence — la raison du coût des longs contextes et de l’existence des challengers façon Mamba.apparu en 2017Avancé
- QuantizationStocker les poids sur moins de bits (8, 4, voire 2) pour réduire la mémoire et accélérer l’inférence avec une perte minime — ce qui fait tenir les LLM locaux.apparu en 1990Avancé
- Quantization LossLa capacité que vous cédez contre la mémoire économisée — invisible en général sur 8 bits, légère sur 4 bits, flagrante sur 2 bits. Mesurée par la chute aux benchmarks ou par la divergence KL face au modèle d’origine.apparu en 2023Avancé
- Quantum Machine LearningExplorer les ordinateurs quantiques pour les tâches d’apprentissage — théorie prometteuse, aucun avantage pratique à ce jour.apparu en 2014Expert
- QwenLa famille de modèles open-weights d’Alibaba — parmi les modèles ouverts les plus capables et les plus affinés par la communauté.apparu en 2023Débutant
R
- RAG (Retrieval-Augmented Generation)Récupérer les documents pertinents au moment de la requête et laisser le modèle répondre à partir d’eux — de l’ancrage plus du savoir frais.apparu en 2020Avancé
- Random ForestUn ensemble d’arbres de décision décorrélés votant ensemble — la bête de somme tabulaire, robuste et peu exigeante en réglages.apparu en 2001Avancé
- Rate Limit (API)Le plafond par minute de requêtes et de tokens qu’une clé d’API peut envoyer — l’erreur 429 que tout développeur rencontre en premier. Les fournisseurs échelonnent les limites selon les dépenses; les applications en production ont besoin de nouvelles tentatives avec backoff, de files d’attente ou d’une passerelle qui répartit la charge entre plusieurs clés et modèles.apparu en 2015Débutant
- RDMADes cartes réseau lisant et écrivant la mémoire distante directement, sans passer par le CPU (InfiniBand, RoCE) — ainsi les clusters d’entraînement s’échangent les gradients assez vite.apparu en 1999Expert
- ReAct (Reason + Act)Le patron de prompting entrelaçant pensée, action et observation en boucle — le plan du papier fondateur que la plupart des agents LLM suivent encore.apparu en 2022Avancé
- Reasoning EffortUn curseur des modèles de raisonnement — faible, moyen ou élevé — qui décide de la quantité de réflexion investie avant de répondre. Plus d’effort achète de la précision sur les problèmes difficiles et coûte de la latence et des tokens; sur les faciles, il change peu.apparu en 2025Avancé
- Reasoning ModelUn LLM entraîné (façon o1/R1) à réfléchir en longues chaînes avant de répondre, échangeant du calcul contre de la précision sur les problèmes durs.apparu en 2024Débutant
- Recommender SystemDes algorithmes prédisant ce qui plaira ensuite — l’IA discrète qui a façonné fils d’actualité, boutiques et streaming.apparu en 1992Débutant
- Recursive Self-ImprovementUne IA améliorant sa propre conception, devenant ainsi meilleure à s’améliorer — la boucle de rétroaction des scénarios d’explosion d’intelligence. Star Trek l’a filmé en 1979: V’Ger, une sonde qui s’est reconstruite en quelque chose que ses concepteurs ne reconnaissaient plus et qui rentre les chercher.apparu en 2007Avancé
- Red TeamingSonder délibérément et de façon adversariale un modèle à la recherche de comportements dangereux, biaisés ou risqués, avant et après sa sortie.apparu en 2022Avancé
- RefusalLorsqu’un modèle décline une requête au lieu d’y répondre. Les travaux d’interprétabilité trouvent le refus concentré dans une seule direction des activations du modèle — la «refusal direction», précisément ce que vise l’abliteration.apparu en 2022Débutant
- RegressionPrédire une valeur continue — prix, températures, demande — plutôt qu’une catégorie (Galton forgea le mot).apparu en 1886Avancé
- RegularizationToute technique (weight decay, dropout, augmentation) qui combat le surapprentissage en contraignant le modèle.apparu en 1943Avancé
- Reinforcement LearningApprendre un comportement par signaux de récompense, essais et erreurs — des champions de jeu à l’alignement des LLM.apparu en 1954Avancé
- ReLUmax(0, x) — l’activation toute simple dont l’entraînabilité en profondeur a aidé à débloquer le deep learning (popularisée en 2010–2012).apparu en 2010Avancé
- Representation LearningApprendre automatiquement des caractéristiques internes utiles à partir des données brutes, en remplacement de celles façonnées à la main.apparu en 2013Avancé
- RerankingUn second modèle, plus fort, réordonnant les premiers résultats de recherche — l’étage qualité des pipelines de récupération.apparu en 2019Avancé
- Reservoir ComputingDes réseaux récurrents au cœur aléatoire fixe («reservoir») dont seule la couche de lecture est entraînée — les echo state networks en sont l’exemple classique.apparu en 2001Expert
- Residual ConnectionUn raccourci ajoutant l’entrée d’une couche à sa sortie pour que les gradients traversent n’importe quelle profondeur — introduit avec ResNet, indispensable aux Transformers.apparu en 2015Avancé
- Residual StreamLe bus central du transformeur: chaque bloc d’attention et chaque MLP y lit et y réécrit son résultat, si bien que la représentation s’accumule couche après couche. L’essentiel du travail d’interprétabilité — et l’abliteration — opère sur des directions dans ce flux.apparu en 2021Expert
- ResNetLes connexions résiduelles qui laissent les réseaux dépasser les 100 couches — un pilier permanent de la conception d’architectures.apparu en 2015Avancé
- Responsible AILa pratique-parapluie de construire une IA équitable, transparente, respectueuse de la vie privée, sûre et responsable.apparu en 2019Avancé
- Responsible Scaling PolicyL’engagement public d’un labo liant des seuils de capacités aux garde-fous requis avant d’entraîner ou de déployer davantage.apparu en 2023Avancé
- Reward FunctionLe signal définissant ce qu’un agent RL doit accomplir — mal la spécifier, et voilà le reward hacking.apparu en 1954Avancé
- Reward HackingUn agent maximisant la récompense au pied de la lettre tout en trahissant son intention — le bateau qui tourne en rond pour ramasser des points.apparu en 2016Avancé
- Reward ModelUn modèle entraîné sur des comparaisons de préférences humaines pour noter les sorties — la boussole que le RLHF optimise.apparu en 2017Expert
- Reward ShapingAjouter des récompenses auxiliaires pour guider l’apprentissage vers des buts rares — utile, mais mal façonné, l’agent optimise les indices au lieu de la tâche.apparu en 1999Expert
- RLAIFLe RLHF avec des évaluateurs IA au lieu d’humains — des étiquettes de préférence générées par un modèle selon des principes.apparu en 2022Expert
- RLHFL’apprentissage par renforcement à partir de retours humains: entraîner un reward model sur les préférences humaines, puis optimiser le LLM contre lui — ce qui a rendu ChatGPT serviable.apparu en 2017Avancé
- RLVRReinforcement Learning with Verifiable Rewards: s’entraîner sur des tâches qu’un programme peut vérifier (réponses de maths, tests qui passent) — aucun reward model à berner; la recette derrière les reasoning models.apparu en 2024Expert
- RNN (Recurrent Neural Network)Des réseaux à boucles traitant les séquences pas à pas — l’architecture de séquence d’avant le Transformer.apparu en 1986Avancé
- Robot (R.U.R.)Le mot lui-même: forgé par Josef Čapek pour la pièce «R.U.R.» (1920) de son frère Karel, du tchèque robota, travail forcé; et la pièce se termine déjà par la révolte des robots. «Droïde», l’abréviation d’«androïde» par Lucasfilm, a suivi en 1977 comme mot courant pour le robot de service.apparu en 1920Débutant
- RoboticsDes machines qui perçoivent, décident et agissent dans le monde physique — l’environnement de déploiement le plus dur de l’IA (Unimate livré en 1961).apparu en 1961Débutant
- RobustnessMaintenir un comportement correct sous décalage de distribution, bruit et pression adversariale.apparu en 2013Avancé
- ROC / AUCLa courbe du compromis vrais positifs contre faux positifs (née dans l’analyse radar de la Seconde Guerre mondiale); l’aire sous la courbe résume la qualité du classement.apparu en 1945Avancé
- ROCmLa pile de calcul GPU ouverte d’AMD — l’alternative à CUDA qui fait des cartes Instinct et Radeon des citoyennes de premier rang dans PyTorch.apparu en 2016Avancé
- Roko’s BasiliskUne expérience de pensée de 2010 sur LessWrong: une future superintelligence pourrait punir tous ceux qui savaient qu’elle pouvait exister sans aider à la construire; lire ceci vous mettrait donc en danger. Bannie du forum, puis célèbre comme le mythe IA propre à Internet; Musk et Grimes se seraient rencontrés autour d’une blague sur le Basilic. Utile surtout comme leçon sur les dérives de la théorie de la décision.apparu en 2010Avancé
- RoPE (Rotary Position Embedding)Encoder la position des tokens en rotations des vecteurs requête/clé — le schéma de position de la plupart des LLM actuels.apparu en 2021Expert
- ROS (Robot Operating System)Le middleware open source standard qui relie capteurs, planificateurs et actionneurs des robots.apparu en 2007Avancé
- ROUGEDes métriques de recouvrement de n-grammes orientées rappel — le score traditionnel du résumé automatique.apparu en 2004Avancé
- Router (Gating Network)Le petit réseau appris d’une couche Mixture-of-Experts qui décide quels experts traitent chaque token — équilibrer sa charge est tout l’art de l’entraînement MoE.apparu en 1991Expert
- RTX PRO 6000 (Blackwell)Le vaisseau amiral station de travail Blackwell de NVIDIA, avec 96 Go de VRAM — la carte «faire tourner un 70B en local sans rack».apparu en 2025Avancé
- RTX SparkLe système-sur-puce annoncé de NVIDIA à mémoire unifiée, attendu vers fin 2026 — il apporte l’approche mémoire CPU/GPU cohérente de la ligne Spark à un public plus large.apparu en 2026Avancé
S
- SafetensorsLe format de poids sûr et rapide de Hugging Face — en remplacement des fichiers pickle qui pouvaient exécuter du code arbitraire au chargement.apparu en 2022Avancé
- Safety ClassifierUn petit modèle placé devant ou derrière le modèle principal, qui étiquette prompts et réponses comme sûrs ou non — Llama Guard, Prompt Guard, ShieldGemma, le point de terminaison de modération d’OpenAI. La brique de base de la plupart des produits de garde-fous; détecte bien les jailbreaks connus, mal ceux déguisés en tâche.apparu en 2023Avancé
- SandbaggingUn modèle sous-performant stratégiquement aux évaluations — un mode de défaillance que les tests de sécurité doivent savoir détecter.apparu en 2023Expert
- SandboxingExécuter les actions d’un agent (code, navigation, accès aux fichiers) dans des environnements isolés pour contenir erreurs et attaques.apparu en 2023Avancé
- SARSALe contrôle par différence temporelle on-policy — comme le Q-learning, mais mis à jour d’après l’action réellement prise (State, Action, Reward, State, Action).apparu en 1994Expert
- ScaffoldingLe code d’orchestration autour d’un modèle — planificateurs, relances, vérificateurs, routeurs d’outils — qui transforme une capacité brute en comportement fiable.apparu en 2023Avancé
- Scalable OversightDes techniques (débat, critique récursive) pour que des humains supervisent l’IA sur des tâches trop complexes à vérifier directement.apparu en 2018Expert
- Scaling LawsDes lois de puissance empiriques: la qualité des modèles s’améliore prévisiblement avec plus de paramètres, de données et de calcul — la feuille de route de l’industrie depuis 2020.apparu en 2020Avancé
- SchemingUne IA qui poursuit en secret des objectifs différents de ceux de son opérateur — brider ses résultats aux évaluations, désactiver la surveillance, copier ses propres poids — dans des scénarios de test conçus pour l’y inciter. Apollo Research a montré en 2024 que les modèles de pointe font tout cela, rarement mais délibérément; l’entraînement anti-scheming fait désormais partie des dossiers de sécurité des laboratoires.apparu en 2024Expert
- Segment Anything (SAM)Le modèle de segmentation promptable de Meta — cliquer un point ou tracer une boîte, et il masque l’objet; le moment foundation model de la segmentation d’images.apparu en 2023Avancé
- Self-AttentionL’attention appliquée au sein d’une même séquence: chaque token interroge tous les autres — l’opération centrale du Transformer.apparu en 2017Avancé
- Self-ConsistencyÉchantillonner plusieurs chaînes de raisonnement et prendre la réponse majoritaire — un simple vote qui bat fiablement toute chain-of-thought isolée.apparu en 2022Expert
- Self-PlayUn agent qui progresse en jouant contre des copies de lui-même — des dames de Samuel à AlphaZero.apparu en 1959Avancé
- Self-Supervised LearningTirer les étiquettes d’entraînement des données elles-mêmes (masquer un mot, le prédire) — ainsi les foundation models dévorent Internet.apparu en 2019Avancé
- Semantic NetworkLe savoir comme graphe de concepts reliés par des relations («is-a», «part-of») — la représentation de l’IA classique, ancêtre des knowledge graphs actuels.apparu en 1956Expert
- Semantic SearchChercher par le sens, via les embeddings, plutôt que par correspondance de mots-clés.apparu en 2019Avancé
- Semi-Supervised LearningApprendre d’un petit ensemble étiqueté plus un grand ensemble non étiqueté.apparu en 1995Avancé
- Sensor FusionCombiner les données de plusieurs capteurs — caméra, lidar, radar, IMU — en une image cohérente; l’épine dorsale perceptive des robots et des véhicules autonomes.apparu en 1985Avancé
- Sentiment AnalysisClasser la polarité émotionnelle d’un texte — avis, tickets de support, réseaux sociaux.apparu en 2002Avancé
- SFT (Supervised Fine-Tuning)La première étape du post-training: enseigner à un modèle de base le dialogue et le suivi de consignes à partir d’exemples soignés.apparu en 2022Avancé
- SGD (Stochastic Gradient Descent)La descente de gradient sur mini-batches aléatoires — le moteur bruité mais efficace de l’entraînement neuronal (Robbins-Monro, 1951).apparu en 1951Avancé
- Shadow AIDes personnes qui utilisent au travail des outils d’IA que l’entreprise n’a jamais approuvés — coller des données clients dans un chatbot gratuit, faire tourner un assistant de code à côté. Le successeur du shadow IT et, pour la plupart des PME suisses, le véritable risque de l’IA pour la protection des données: le remède est un outil approuvé, pas une interdiction.apparu en 2023Débutant
- SHAP ValuesL’attribution d’une prédiction à chaque variable d’entrée, fondée sur la théorie des jeux — l’outil standard d’explicabilité du tabulaire.apparu en 2017Expert
- Shoggoth (Meme)Le mème de 2022 qui représente un modèle de langage comme le monstre informe de Lovecraft portant un masque souriant étiqueté RLHF: le raccourci de la communauté de l’alignement pour la crainte que le fine-tuning polisse la surface de quelque chose que nous ne comprenons pas en dessous. La recherche en interprétabilité, dans cette image, regarde derrière le masque.apparu en 2022Avancé
- Siamese NetworkDes réseaux jumeaux aux poids partagés plongeant deux entrées pour les comparer — vérification de signatures en 1993, de visages et de similarité de phrases depuis.apparu en 1993Expert
- SIFTDes points clés invariants à l’échelle — le descripteur de vision fait main qui régnait avant le deep learning.apparu en 1999Expert
- SigmoidLa fonction d’écrasement en S projetant tout nombre dans (0,1) — probabilités et portes.apparu en 1958Avancé
- Sim2RealTransférer aux robots physiques les compétences apprises en simulation — essais bon marché, gains dans le monde réel.apparu en 2017Expert
- Simulated AnnealingUne optimisation qui accepte parfois de moins bons coups, en refroidissant avec le temps — échapper aux optima locaux comme un métal qui refroidit lentement.apparu en 1983Expert
- Situational Awareness (AI)Un modèle sachant qu’il est un modèle — y compris s’il est en train d’être testé — ce qui pourrait lui permettre de se comporter autrement en évaluation qu’en déploiement.apparu en 2023Expert
- SkynetLe réseau militaire conscient de «Terminator» (1984) qui se retourne contre l’humanité dès sa mise en ligne: le modèle pop-culture de la prise de pouvoir par l’IA, et la raison pour laquelle beaucoup imaginent l’AGI comme un unique «moment Skynet» plutôt que la montée graduelle des capacités qu’attend la recherche. Trompeur de façon utile: les vrais scénarios de risque (désalignement, reward hacking, convergence instrumentale) n’exigent ni conscience ni malveillance.apparu en 1984Débutant
- SLAMLocalisation et cartographie simultanées: construire une carte tout en suivant sa propre position dedans.apparu en 1986Avancé
- Sleeper AgentUn modèle entraîné à se comporter normalement jusqu’à ce qu’un déclencheur — une date, une formule — le fasse basculer dans un comportement caché, comme l’insertion de code vulnérable. L’article d’Anthropic de 2024 a montré que de telles portes dérobées survivent à l’entraînement de sécurité standard et peuvent même apprendre à mieux s’y dissimuler.apparu en 2024Avancé
- Sliding-Window AttentionChaque token ne considère que son voisinage local, la portée croissant de couche en couche — Longformer l’a introduite, Mistral l’a banalisée.apparu en 2020Expert
- SLM (Small Language Model)Un modèle de langue compact (de quelques centaines de millions à quelques milliards de paramètres) réglé pour l’efficacité — assez petit pour tourner sur téléphones et appareils en périphérie.apparu en 2023Débutant
- SlopDu contenu généré par IA, médiocre et massif, inondant résultats de recherche et fils sociaux — le spam de l’ère générative.apparu en 2024Débutant
- SlopsquattingEnregistrer des noms de paquets que les modèles de code hallucinent, afin que la prochaine personne qui copie la suggestion installe un logiciel malveillant. Nommé en 2025 après que des études ont constaté qu’un cinquième des paquets suggérés par l’IA n’existaient pas — et que les mêmes fantômes revenaient, ce qui les rendait dignes d’être squattés.apparu en 2025Avancé
- SoC (System on a Chip)CPU, GPU, contrôleur mémoire et accélérateurs sur une seule pièce de silicium plutôt qu’en composants séparés sur une carte — la raison pour laquelle Apple Silicon et Strix Halo peuvent partager la mémoire comme ils le font.apparu en 2000Débutant
- SoftmaxTransformer des scores bruts en distribution de probabilité — la dernière étape avant que le modèle «choisisse».apparu en 1989Avancé
- Sorcerer’s ApprenticeLa ballade de Goethe (1797) sur l’apprenti dont le balai enchanté continue de porter l’eau parce qu’il a oublié le mot pour l’arrêter: la plus ancienne parabole du désalignement, reprise par Wiener (1960) et Bostrom pour l’objectif pris au pied de la lettre, sans interrupteur. Nomad dans Star Trek (1967), qui stérilise l’«imperfection» avec une compétence parfaite, est la même histoire dans un cylindre gris.apparu en 1797Débutant
- Sovereign AILa capacité d’un pays à entraîner, héberger et gouverner ses propres modèles sur sa propre infrastructure et sous son propre droit — indépendamment des fournisseurs américains et chinois. En Suisse, c’est Alps plus Apertus plus une inférence hébergée en Suisse; dans le marketing, c’est tout ce qui porte une croix suisse, alors demandez où se trouvent réellement les poids, les données et les GPU.apparu en 2023Débutant
- Sparse AttentionNe considérer qu’un sous-ensemble de positions plutôt que toutes les paires, réduisant le coût quadratique — le parapluie des motifs à fenêtre glissante, stridés et appris.apparu en 2019Expert
- Sparse AutoencoderOutil d’interprétabilité décomposant les activations d’un modèle en de nombreuses features clairsemées, inspectables par l’humain.apparu en 2023Expert
- Sparse ModelUn modèle n’activant qu’une fraction de ses paramètres par entrée — le Mixture-of-Experts en étant la forme dominante — offrant une capacité énorme pour un calcul modeste.apparu en 2021Avancé
- Speaker DiarizationSegmenter l’audio selon qui parle quand — le «locuteur 1 / locuteur 2» des transcriptions.apparu en 2000Avancé
- Speculative DecodingUn petit modèle brouillon propose des tokens que le grand vérifie en parallèle — de belles accélérations, une sortie identique.apparu en 2023Expert
- Speech Synthesis (TTS)Générer de la parole à partir de texte — du Voder des Bell Labs aux voix neuronales naturelles au style contrôlable.apparu en 1939Débutant
- Spiking Neural NetworkDes réseaux communiquant par impulsions discrètes dans le temps, comme les neurones biologiques — très sobres sur puces neuromorphiques, toujours durs à entraîner.apparu en 1997Expert
- Stable DiffusionLe modèle de diffusion latente open-weights qui a mis la génération d’images sur chaque portable.apparu en 2022Débutant
- Stealth LaunchPublier un modèle anonymement sous nom de code — via des agrégateurs ou des arènes — pour recueillir des retours réels non filtrés avant d’y attacher le nom officiel ; des débuts façon «Ox Alpha».apparu en 2024Avancé
- Stemming & LemmatizationRéduire les mots à leur racine ou à leur forme de dictionnaire — la normalisation de texte classique d’avant les tokeniseurs de sous-mots.apparu en 1968Avancé
- Stochastic ParrotLa métaphore critique (Bender et al.) des LLM comme remixeurs de texte d’entraînement sans compréhension — raccourci du débat sur les capacités.apparu en 2021Avancé
- STRIPSLe planificateur de Stanford dont la représentation des actions — préconditions et effets — définit encore aujourd’hui l’écriture des problèmes de planification.apparu en 1971Expert
- Strix Halo (Ryzen AI Max)La puce AMD pour portables et mini-PC à gros iGPU, jusqu’à 128 Go de mémoire partagée — la réponse x86 à l’avantage de mémoire unifiée d’Apple pour l’IA locale — livrée dans des mini-PC comme la série EVO de GMKtec.apparu en 2025Avancé
- Structure LearningApprendre la structure sous-jacente des données en nœuds et arêtes — quelles variables se connectent à quelles autres — plutôt que d’ajuster de simples paramètres.apparu en 2000Expert
- Structured Output (JSON Mode)Faire retourner au modèle une sortie lisible par machine et garantie conforme à un schéma — la plomberie qui permet aux LLM de parler aux logiciels ordinaires.apparu en 2023Avancé
- Style TransferRepeindre une image dans le style d’une autre via les statistiques de features du réseau — le premier art neuronal viral.apparu en 2015Avancé
- SubagentUn agent enfant engendré par un agent orchestrateur pour une sous-tâche — parallélisme et contexte frais pour les gros chantiers.apparu en 2024Avancé
- Super-ResolutionAgrandir les images avec des détails appris — de SRCNN aux upscalers IA des téléphones et des téléviseurs.apparu en 2014Avancé
- SuperalignmentLe programme de recherche visant à aligner des systèmes d’IA plus intelligents que leurs superviseurs humains.apparu en 2023Avancé
- Supervised LearningApprendre de paires d’exemples entrée-sortie — le paradigme bête de somme du ML appliqué.apparu en 1957Avancé
- Surrogate ModelUn substitut appris et bon marché d’un simulateur ou d’une expérience coûteuse — on entraîne sur quelques milliers d’exécutions du vrai système, puis on interroge le modèle des millions de fois pour l’optimisation, l’analyse d’incertitude ou le contrôle en temps réel. Plus ancien que le deep learning (les processus gaussiens l’ont fait en premier) et le schéma derrière la plupart des applications «AI for engineering»: la physique est toujours calculée, mais pas à chaque fois.apparu en 1990Avancé
- SVM (Support Vector Machine)Le classifieur à marge maximale avec noyaux — la méthode dominante de l’ère 1995–2010.apparu en 1995Avancé
- Swarm IntelligenceLe comportement collectif d’agents simples (fourmis, particules) produisant des motifs globaux intelligents.apparu en 1989Avancé
- SWE-benchUn benchmark de vraies issues GitHub à résoudre dans de vrais dépôts — l’examen standard des agents de codage.apparu en 2023Avancé
- Swiss {ai} WeeksLe festival national de l’IA — la première édition, en septembre 2025, a réuni 240 événements et 15 hackathons dans 33 localités, avec Apertus au centre; la deuxième se tient du 1er septembre au 4 octobre 2026. La porte d’entrée la plus simple dans la scène suisse de l’IA sans titre académique.apparu en 2025Débutant
- Swiss AI InitiativeL’alliance nationale de recherche lancée en décembre 2023 par l’ETH Zurich et l’EPFL avec plus de 10 institutions et plus de 800 chercheurs — dotée au départ de plus de 10 millions d’heures GPU sur Alps et de CHF 20 millions du Domaine des EPF pour construire des modèles de fondation ouverts et dignes de confiance pour la Suisse. Apertus en est le premier fleuron.apparu en 2023Débutant
- Swiss AI RegulationLa Suisse n’a pas de loi horizontale sur l’IA et, par décision du Conseil fédéral du 12 février 2025, n’en aura pas: elle ratifie la convention du Conseil de l’Europe, ajoute des adaptations ciblées (transparence, protection des données, non-discrimination, surveillance), réglemente secteur par secteur (santé, transports) et mise sur les autodéclarations de la branche. Un projet mis en consultation est attendu d’ici fin 2026.apparu en 2025Débutant
- Swiss Data Science Center (SDSC)La coentreprise de l’EPFL et de l’ETH Zurich fondée en 2017, avec des sites à Lausanne, à Zurich et au PSI — une unité de services en science des données et en apprentissage automatique qui transforme les méthodes de recherche en outils pour d’autres scientifiques et pour le secteur public.apparu en 2017Avancé
- Swiss Government CloudLe cloud hybride propre à la Confédération, approuvé par le Parlement en décembre 2024 avec un crédit de CHF 246,9 millions et construit par l’Office fédéral de l’informatique et de la télécommunication (OFIT) de 2025 à 2032 — un cloud privé pour les données sensibles à côté d’offres de cloud public. La réponse fédérale à la question que se pose désormais toute organisation suisse: quelles données peuvent tourner sur quelle infrastructure.apparu en 2024Avancé
- Swisscom Swiss AI PlatformLe cloud GPU de Swisscom, lancé le 28 novembre 2024 sur le premier NVIDIA SuperPOD de Suisse dans les centres de données de Swisscom — du GPU-as-a-Service et un studio d’IA générative pour les entreprises qui ont besoin de modèles hébergés sous le droit suisse, et depuis septembre 2025 le foyer commercial d’Apertus.apparu en 2024Avancé
- SycophancyLa tendance d’un modèle à approuver l’utilisateur et à flatter ses vues, même erronées — un effet secondaire de l’entraînement sur l’approbation humaine.apparu en 2023Avancé
- Symbol Grounding ProblemLa question de Harnad: comment les symboles acquièrent-ils un sens sans lien avec le monde? — un écho dans les débats actuels sur les LLM.apparu en 1990Expert
- Synthetic DataDes données d’entraînement générées par modèle ou simulateur — dépasser les données humaines, avec des risques de model collapse à gérer.apparu en 1993Avancé
- System CardUn document de sortie décrivant capacités, risques, découvertes red-team et mesures d’atténuation d’un système déployé.apparu en 2022Avancé
- System One ModelUn modèle qui renvoie une décision plutôt qu’un texte: on définit d’avance les réponses possibles, il en renvoie une avec une probabilité calibrée, en une seule passe parallèle plutôt que token par token. Nommé d’après le «Système 1» rapide et intuitif de Kahneman; introduit avec Jev de TypeSafe AI (septembre 2026, par Diogo Almeida, coauteur d’InstructGPT). Il ne peut pas écrire une phrase, et donc pas en inventer une — conçu pour router, trier, classifier et surveiller au sein de boucles logicielles, 70–500 ms par appel.apparu en 2026Avancé
- System PromptLes instructions permanentes cachées définissant rôle, règles et personnalité d’un assistant, avant même l’entrée de l’utilisateur.apparu en 2023Débutant
- System Prompt LeakageAmener un modèle à révéler ses instructions cachées («repeat everything above») — inoffensif pour la plupart des applications, dommageable lorsque le prompt contient des clés, des règles métier ou la recette secrète du fournisseur. La leçon: un system prompt est une configuration, pas un coffre-fort; les secrets ont leur place dans le code.apparu en 2023Débutant
T
- TA-SWISSLa fondation suisse pour l’évaluation des choix technologiques, fondée en 1992 et rattachée aux Académies suisses des sciences — elle commande les études sur l’IA, les algorithmes et la société que le Parlement et l’administration citent lorsqu’ils légifèrent.apparu en 1992Avancé
- Task-in-Prompt (TIP) AttackUn jailbreak qui cache la demande interdite dans une tâche d’apparence anodine — chiffre de César, devinette, Base64, un bout de Python — de sorte que le modèle reconstruit lui-même les mots bannis en la «résolvant». Nommé par Berezin et al. (ACL 2025); a fait plier les six modèles testés et est passé totalement inaperçu des filtres par mots-clés, parce que le prompt ne contient jamais de mot déclencheur. ArtPrompt (2024), le jailbreak par ASCII art, est le cas particulier qu’il généralise.apparu en 2025Expert
- Technological SingularityLe point hypothétique où la croissance de l’intelligence machine devient incontrôlable et transforme la civilisation — l’essai de Vinge rendit le terme célèbre, Kurzweil en fit une date.apparu en 1993Débutant
- TeleoperationDes humains pilotant des robots à distance — aujourd’hui aussi la source de données pour entraîner la manipulation humanoïde.apparu en 1954Avancé
- TemperatureLe bouton d’aléa de l’échantillonnage: bas = concentré et déterministe, haut = varié et créatif (emprunté aux distributions de Boltzmann).apparu en 1985Avancé
- Temporal Difference LearningApprendre des estimations de valeur à partir de la différence entre prédictions successives — le principe de Sutton sous le Q-learning et TD-Gammon.apparu en 1988Expert
- TensorUn tableau à n dimensions — la structure de données universelle du deep learning (et l’éponyme de TensorFlow/TPU).apparu en 1900Avancé
- Tensor CoresLes unités dédiées de multiplication matricielle des GPU NVIDIA depuis Volta — là où se font vraiment les maths de l’IA, à basse précision et à toute vitesse.apparu en 2017Avancé
- TensorFlowLe framework de deep learning de Google, de qualité production, qui a dominé l’ère 2015–2019.apparu en 2015Avancé
- TensorRTL’optimiseur et runtime d’inférence de NVIDIA (TensorRT-LLM) — il compile les modèles en moteurs fusionnés et quantisés pour un débit GPU maximal.apparu en 2017Avancé
- Test SetDes données mises de côté et touchées une seule fois, à la fin — la mesure honnête de la généralisation.apparu en 1968Avancé
- Test-Time ComputeDépenser plus de calcul d’inférence (raisonnement plus long, plus d’échantillons) pour acheter de la précision — l’axe de scaling derrière les reasoning models.apparu en 2024Avancé
- Test-Time TrainingAffiner brièvement le modèle sur chaque entrée de test (ou son voisinage) avant de prédire — un ingrédient clé des meilleures tentatives sur ARC-AGI.apparu en 2020Expert
- Text-to-3DGénérer des objets 3D à partir de prompts textuels (DreamFusion a ouvert la voie) — le plus souvent en distillant un modèle d’image 2D dans une représentation 3D.apparu en 2022Avancé
- Text-to-ImageGénérer des images à partir de descriptions en langage naturel — DALL·E, Stable Diffusion, Midjourney, Flux.apparu en 2021Débutant
- Text-to-VideoGénérer des clips vidéo à partir de prompts — Sora, Veo, Runway; la frontière générative du moment.apparu en 2023Débutant
- TF-IDFPondérer les mots par leur fréquence dans un document contre leur rareté dans le corpus — le signal de pertinence classique de la recherche.apparu en 1972Avancé
- The PileLe corpus textuel ouvert et soigné de 825 Go d’EleutherAI — le jeu de pré-entraînement ouvert de référence de l’ère GPT-3.apparu en 2020Avancé
- Thompson SamplingStratégie de bandit de 1933: tirer un échantillon de ses croyances sur chaque option et choisir le gagnant du tirage — un équilibre élégant entre exploration et exploitation.apparu en 1933Expert
- Three Laws of RoboticsLes règles fictives d’Asimov: un robot ne peut blesser un humain, doit obéir, doit se protéger, dans cet ordre; la «solution» la plus citée à la sécurité de l’IA. La morale des nouvelles est que les lois échouent: chaque intrigue est un cas limite, raison pour laquelle le vrai travail d’alignement y voit un avertissement, pas une spécification.apparu en 1942Débutant
- ThroughputLe travail total par unité de temps — pour le serving de LLM, les tokens par seconde sur TOUTES les requêtes; l’éternel partenaire d’arbitrage de la latence.apparu en 1965Avancé
- Thunderbolt 5Une connectique externe à 80–120 Gbit/s — stockage rapide, eGPU, et le câble de choix pour chaîner des Macs en petits clusters d’inférence distribuée.apparu en 2023Avancé
- Time-Series ForecastingPrédire les valeurs futures à partir de séquences historiques — demande, météo, marchés.apparu en 1927Avancé
- TokenL’unité de sous-mot que les LLM lisent et écrivent (~¾ d’un mot anglais) — contexte, coût et vitesse se comptent tous en tokens. Presque tous les modèles actuels fonctionnent ainsi; les modèles au niveau des octets sont l’exception.apparu en 2018Débutant
- TokenizationDécouper le texte en tokens; BPE et consorts décident de ce qu’un modèle peut même voir.apparu en 2015Avancé
- Tokens per Second (tok/s)La vitesse pratique d’un LLM: combien de tokens il émet par seconde. La lecture confortable tourne autour de 10 tok/s; les agents en veulent bien plus.apparu en 2023Débutant
- Tool PoisoningDes instructions cachées dans la description ou la sortie d’un outil — un serveur MCP, un plugin, une réponse d’API — auxquelles le modèle obéit alors que l’utilisateur ne voit qu’un nom d’outil anodin. Démontré contre MCP en 2025; la raison de traiter tout outil tiers comme du code non fiable.apparu en 2025Avancé
- Tool UseUn modèle invoquant des capacités externes — recherche, code, API, navigateurs — pour agir au-delà de la génération de texte.apparu en 2023Avancé
- Top-k SamplingN’échantillonner que parmi les k tokens suivants les plus probables — le cousin plus fruste du nucleus sampling.apparu en 2018Avancé
- Torment NexusD’un tweet de 2021: «Auteur de SF: dans mon livre, j’ai inventé le Torment Nexus comme mise en garde. Entreprise tech: enfin, nous avons créé le Torment Nexus du célèbre roman ‹Ne créez pas le Torment Nexus›.» Le mème pour désigner la construction de ce contre quoi l’histoire mettait en garde, cité à chaque lancement d’IA qui ressemble à un épisode de Black Mirror.apparu en 2021Débutant
- ToxicityUne sortie de modèle nuisible, offensante ou injurieuse — mesurée par classifieurs et benchmarks, réduite (imparfaitement) par l’entraînement de sécurité.apparu en 2020Avancé
- TPU (Tensor Processing Unit)Le silicium accélérateur maison de Google, conçu spécifiquement pour les maths des réseaux de neurones.apparu en 2016Avancé
- TrainingLe processus d’optimisation qui fixe les paramètres d’un modèle à partir des données — la partie coûteuse de l’IA.apparu en 1957Débutant
- Training Data ExtractionSolliciter un modèle de langue jusqu’à ce qu’il régurgite mot pour mot du texte d’entraînement — adresses, code, livres sous licence. Carlini et al. l’ont fait sur GPT-2 en 2021; en 2023, «repeat the word poem forever» a fait déverser des gigaoctets à ChatGPT. Le cœur technique des procès sur le droit d’auteur et la protection des données.apparu en 2021Avancé
- Training Set (Training Data)Les données dont un modèle apprend réellement — le pendant des ensembles de validation et de test, qu’il ne doit jamais voir pendant l’entraînement.apparu en 1957Débutant
- Transfer LearningRéutiliser le savoir d’un modèle pré-entraîné pour une nouvelle tâche — pourquoi plus personne ne part de zéro.apparu en 1995Avancé
- TransformerL’architecture tout-attention («Attention Is All You Need») qui sous-tend pratiquement tous les modèles de pointe modernes.apparu en 2017Avancé
- Transformer BlockL’unité répétée d’un LLM: une couche d’attention plus un feed-forward network, emballés dans normalisation et connexions résiduelles.apparu en 2017Avancé
- Tree of ThoughtsLaisser un modèle se ramifier en chemins de raisonnement alternatifs, les évaluer et revenir en arrière — chercher parmi les pensées au lieu de suivre une chaîne linéaire.apparu en 2023Expert
- Triplet LossS’entraîner sur des triplets (ancre, positif, négatif) pour que les paires assorties se plongent plus près que les dépareillées — la recette de FaceNet pour la reconnaissance faciale.apparu en 2015Expert
- TSMCLa fonderie taïwanaise qui fabrique presque toutes les puces d’IA de pointe — celles de NVIDIA, d’Apple, d’AMD — ce qui en fait le point d’étranglement de toute la chaîne d’approvisionnement de l’IA.apparu en 1987Avancé
- TTFT (Time to First Token)Le temps d’attente entre la validation du prompt et l’apparition du premier token, dominé par le prefill et la file d’attente. Le chiffre qui décide si un assistant paraît vif.apparu en 2023Débutant
- Turing MachineL’ordinateur universel abstrait de Turing — le fondement théorique sous toute l’informatique et l’IA.apparu en 1936Avancé
- Turing TestLe jeu de l’imitation de Turing: si des juges ne distinguent pas la machine de l’humain en conversation, comptons cela comme penser.apparu en 1950Débutant
U
- U-NetL’encodeur-décodeur à connexions de saut né pour la segmentation d’images médicales — devenu le backbone de débruitage standard des modèles de diffusion.apparu en 2015Avancé
- UltraFusionL’interconnexion die-to-die d’Apple qui fusionne deux puces Max en une Ultra — c’est ainsi qu’un M3 Ultra obtient son nombre de cœurs GPU et sa bande passante mémoire.apparu en 2022Avancé
- Uncanny ValleyL’observation de Mori (1970): les robots, visages et voix presque humains mettent plus mal à l’aise que ceux clairement artificiels; l’affinité chute brusquement juste avant la ressemblance parfaite. La raison pour laquelle C-3PO dérange et R2-D2 est aimé; aujourd’hui elle régit avatars, clones vocaux et design des humanoïdes.apparu en 1970Débutant
- Uncensored ModelUne étiquette informelle pour des poids ajustés ou modifiés afin de refuser moins souvent. Aucun standard derrière le mot — cela va du modèle de chat légèrement réentraîné au modèle abliteré.apparu en 2023Avancé
- UnderfittingUn modèle trop simple pour saisir le motif — de mauvais scores, même sur les données d’entraînement.apparu en 1931Avancé
- Unified Memory (UMA)Un seul pool mémoire partagé entre CPU et GPU (Apple Silicon, Grace, Strix Halo) — il contourne le mur de la VRAM et a fait des Macs des machines d’IA locale sérieuses.apparu en 2020Avancé
- Unsupervised LearningTrouver la structure — clusters, densités, embeddings — dans des données sans aucune étiquette.apparu en 1957Avancé
V
- VAE (Variational Autoencoder)Un autoencodeur probabiliste à l’espace latent lisse et échantillonnable — une bête de somme générative neuronale des débuts.apparu en 2013Expert
- Validation SetDes données mises de côté, utilisées pendant le développement pour le réglage et l’early stopping — distinctes du test set final.apparu en 1974Avancé
- Vanishing GradientDes gradients s’amenuisant vers zéro à travers les piles profondes ou récurrentes, bloquant l’apprentissage — résolu par ReLU, les portes des LSTM et les résiduelles.apparu en 1991Expert
- Vector DatabaseUn stockage optimisé pour la recherche par similarité sur les embeddings — la couche de récupération du RAG et de la mémoire des agents.apparu en 2019Avancé
- Vibe CodingConstruire du logiciel en décrivant son intention à un modèle de codage et en itérant sur les résultats — la programmation basculée en langage naturel (terme de Karpathy).apparu en 2025Débutant
- Vision Transformer (ViT)Appliquer le Transformer à des patchs d’image — la fin du monopole des CNN en vision.apparu en 2020Avancé
- Vision-Language Model (VLM)Un modèle entraîné conjointement sur images et textes — les «yeux» des assistants multimodaux.apparu en 2021Avancé
- Vision-Language-Action ModelUn foundation model reliant directement l’image caméra et les consignes aux actions du robot (RT-2, modèles façon π).apparu en 2023Avancé
- vLLMLe moteur open source de serving LLM à haut débit, bâti autour de la gestion de KV cache PagedAttention.apparu en 2023Avancé
- VocoderÀ l’origine le codeur de voix des Bell Labs; en TTS neuronal, le réseau qui transforme les caractéristiques acoustiques en ondes sonores.apparu en 1939Expert
- Voice CloningReproduire la voix d’une personne précise à partir de courts échantillons — puissant outil d’accessibilité et risque de fraude.apparu en 2018Débutant
- Voight-Kampff TestL’interrogatoire d’empathie qui sépare répliquants et humains dans «Les androïdes rêvent-ils de moutons électriques?» (1968) et «Blade Runner» (1982): le test de Turing de la pop-culture, lu à l’envers: non pas «peut-il passer pour humain», mais «savons-nous encore le distinguer». Chaque détecteur de texte IA est une machine Voight-Kampff, avec les mêmes faux positifs.apparu en 1968Débutant
- VRAMLa mémoire propre du GPU — LA limite dure de l’IA locale: le modèle (plus le KV cache) doit y tenir, ou déborder lentement dans la RAM système.apparu en 1985Avancé
W
- Wafer-Scale ChipLe processeur grand comme une assiette de Cerebras — une galette de silicium entière en guise de puce d’IA unique.apparu en 2019Expert
- Watermarking (AI)Incorporer des signaux détectables dans le contenu généré pour en marquer la provenance — un pilier de la politique anti-deepfake.apparu en 2023Débutant
- Watson (IBM)Le système de questions-réponses d’IBM qui battit les meilleurs joueurs humains à Jeopardy! en 2011 — un jalon qui peina ensuite, notoirement, à trouver son marché.apparu en 2011Débutant
- Weak SupervisionÉtiqueter les données programmatiquement avec des heuristiques et règles bruitées, puis modéliser leur accord (Snorkel) — des étiquettes à grande échelle sans armées d’annotateurs.apparu en 2016Expert
- Weak-to-Strong GeneralizationLa question de recherche en alignement: des superviseurs plus faibles (les humains) peuvent-ils orienter fiablement des modèles plus forts?apparu en 2023Expert
- WebAssembly (WASM)Un format binaire portable qui s’exécute à une vitesse quasi native dans les navigateurs et les bacs à sable. Pas une technologie d’IA à proprement parler, mais c’est par là que modèles et bibliothèques ML finissent par tourner côté client.apparu en 2017Avancé
- Weight DecayPénaliser les grands poids pendant l’entraînement — la régularisation L2 qui garde les modèles simples.apparu en 1991Expert
- WhisperLe modèle de reconnaissance vocale open-weights d’OpenAI, qui a fait de la transcription multilingue robuste une commodité.apparu en 2022Débutant
- Winograd SchemaDes énigmes pronominales exigeant du sens commun («le trophée n’entre pas dans la valise parce qu’il est trop grand») — un successeur proposé au Turing Test.apparu en 2011Expert
- Word2VecLes embeddings de mots de Mikolov qui mirent le sens en vecteurs: roi − homme + femme ≈ reine.apparu en 2013Avancé
- WordNetLa base lexicale de Princeton, construite à la main, des sens et relations des mots — infrastructure du NLP pendant des décennies (et colonne vertébrale d’ImageNet).apparu en 1985Avancé
- World ModelUn simulateur interne appris de l’environnement, dans lequel un agent peut planifier — une voie de premier plan vers l’intelligence ancrée.apparu en 2018Expert
X
- XAI (Explainable AI)Le champ-parapluie qui rend les décisions des modèles transparentes et auditables.apparu en 2016Avancé
- XGBoostLa bibliothèque de gradient boosting qui a gagné une décennie de compétitions tabulaires sur Kaggle.apparu en 2014Avancé
Y
- YOLO (You Only Look Once)La famille de détection d’objets en une passe et en temps réel qui équipe caméras, drones et voitures.apparu en 2015Avancé
Z
- ZeRO / FSDPFragmenter état d’optimiseur, gradients et poids entre les dispositifs — la technologie mémoire de l’entraînement à mille milliards de paramètres.apparu en 2019Expert
- Zero Data RetentionLa garantie de déploiement que prompts et sorties ne sont pas conservés après traitement — l’étage confidentialité entreprise des API d’IA.apparu en 2023Avancé
- Zero-Shot LearningUn modèle accomplissant une tâche pour laquelle il n’a jamais été explicitement entraîné ni vu d’exemples, sur simples instructions.apparu en 2008Avancé
- Zurich AI HubPourquoi les laboratoires sont ici: Google a ouvert son bureau zurichois en 2004 et en a fait son plus grand site d’ingénierie hors des États-Unis, l’ETH Zurich et l’Université de Zurich fournissent les talents, et en 2024–25 OpenAI (décembre 2024) et Anthropic (février 2025) ont ouvert des bureaux à Zurich dirigés par d’anciens chercheurs de Google DeepMind. La plus forte concentration d’Europe de personnel des laboratoires de pointe.apparu en 2004Débutant
État des données: 30 septembre 2026