GLOSSAIRE IA

Un agent IA est un programme informatique autonome capable de percevoir son environnement, de prendre des décisions et d'agir pour atteindre des objectifs spécifiques. Ces agents peuvent être intégrés dans divers systèmes pour automatiser des tâches complexes et interagir avec des utilisateurs ou d'autres systèmes.

Une API, ou Interface de Programmation d'Application, est un ensemble de règles et de protocoles permettant à différentes applications de communiquer entre elles. Elle facilite l'intégration de services ou de fonctionnalités sans que l'utilisateur ait besoin de comprendre le code sous-jacent.

L'AGI (Intelligence Artificielle Générale) désigne une IA hypothétique capable de réaliser n'importe quelle tâche intellectuelle humaine avec le même niveau de compétence. Contrairement aux IA actuelles spécialisées dans un domaine précis, une AGI pourrait raisonner, apprendre et s'adapter à tous les contextes sans reprogrammation.

L'AI Act est le premier règlement mondial contraignant sur l'intelligence artificielle, adopté par l'Union européenne en 2024. Il classifie les systèmes IA selon leur niveau de risque et impose des obligations strictes aux fournisseurs de modèles à haut risque (santé, justice, emploi) et de systèmes d'IA à usage général.

Un algorithme est une suite finie d'instructions précises permettant de résoudre un problème ou d'accomplir une tâche à partir de données d'entrée. En IA, les algorithmes d'apprentissage permettent aux modèles d'identifier des patterns dans de grandes quantités de données.

L'alignement IA désigne l'ensemble des techniques visant à s'assurer qu'un système d'IA agit conformément aux intentions, valeurs et objectifs des humains. C'est un champ de recherche crucial pour éviter que des IA puissantes ne poursuivent des objectifs non voulus ou nuisibles.

L'annotation est le processus d'étiquetage manuel des données d'entraînement pour indiquer au modèle ce qu'il doit apprendre. Des annotateurs humains qualifient des images, textes ou séquences audio pour créer des jeux de données supervisés.

L'apprentissage en contexte (in-context learning) est la capacité d'un LLM à résoudre une nouvelle tâche uniquement à partir d'exemples fournis dans le prompt, sans modifier ses paramètres. C'est l'un des phénomènes qui distinguent les grands modèles des systèmes IA traditionnels.

L'apprentissage fédéré est une technique d'entraînement distribué où le modèle s'améliore à partir de données restant sur les appareils des utilisateurs, sans les centraliser sur un serveur. Seules les mises à jour du modèle, et non les données brutes, sont transmises.

L'apprentissage non supervisé regroupe les méthodes où un modèle identifie des structures et patterns dans des données sans étiquettes préalables. Il inclut le clustering, la réduction de dimension et la détection d'anomalies.

L'apprentissage par renforcement est une technique où un agent apprend à prendre des décisions en interagissant avec un environnement et en recevant des récompenses ou pénalités. C'est la base de l'entraînement des jeux complexes et contribue au fine-tuning des LLMs via RLHF.

L'apprentissage supervisé est la forme la plus courante de machine learning : un modèle apprend à partir de données étiquetées par des humains (entrée + réponse attendue). La majorité des systèmes IA en production utilisent cette approche.

L'augmentation de données consiste à créer artificiellement de nouvelles données d'entraînement à partir de données existantes par transformation : rotation, recadrage, bruit, paraphrase... Cette technique améliore la robustesse des modèles et réduit le surapprentissage.

Une base vectorielle est une base de données spécialisée dans le stockage et la recherche rapide d'embeddings, c'est-à-dire de représentations numériques de textes ou d'images. Elle est indispensable dans les architectures RAG pour retrouver instantanément les passages les plus proches sémantiquement d'une requête.

Un benchmark en intelligence artificielle est un ensemble de tests standardisés utilisés pour évaluer et comparer les performances de différents modèles ou algorithmes.

Le biais algorithmique désigne les erreurs systématiques d'un modèle IA qui conduisent à des résultats injustes ou discriminatoires envers certains groupes. Ces biais proviennent généralement des données d'entraînement qui reflètent des inégalités historiques.

Claude est une série de modèles d'intelligence artificielle développée par la société Anthropic pour générer du texte, répondre à des questions et réaliser diverses tâches conversationnelles.

La 'context window' désigne la quantité maximale d'informations qu'un modèle de traitement du langage naturel peut prendre en compte lors d'une interaction. Elle est souvent mesurée en tokens et limite la taille des entrées que le modèle peut analyser en une seule fois.

Les capacités émergentes sont des aptitudes imprévues qui apparaissent spontanément dans les grands modèles de langage au-delà d'un certain seuil de taille. Elles ne sont pas explicitement entraînées mais émergent de l'échelle du modèle.

Le chain-of-thought est une technique de prompting qui incite un LLM à décomposer son raisonnement en étapes intermédiaires avant de donner une réponse finale. Cela améliore significativement les performances sur des tâches complexes de maths, de logique ou de planification.

Un chatbot est un programme informatique conçu pour simuler une conversation humaine via texte ou voix. Les chatbots modernes basés sur des LLMs comme GPT-4 peuvent traiter des requêtes complexes, maintenir un contexte et s'adapter à de nombreux sujets.

Constitutional AI est une technique développée par Anthropic pour aligner les modèles IA sur des principes éthiques explicites formant une 'constitution'. Le modèle apprend à critiquer et réviser ses propres réponses pour respecter ces principes, réduisant les comportements nuisibles.

DeepSeek est un laboratoire d'IA chinois qui a publié en 2025 des modèles de langage open source aux performances comparables à GPT-4o et o1, pour une fraction annoncée du coût d'entraînement. Ses modèles ont provoqué une onde de choc sur les marchés financiers et relancé le débat sur la domination américaine dans l'IA.

La date de coupure (knowledge cutoff) est la date au-delà de laquelle un LLM n'a pas été entraîné sur de nouvelles données. Le modèle ne dispose d'aucune information sur les événements survenus après cette date.

Le débit mesure la vitesse à laquelle un modèle génère du texte lors de l'inférence, exprimé en tokens par seconde. C'est un indicateur clé de performance pour les applications nécessitant des réponses en temps réel.

Le deep learning (apprentissage profond) est un sous-ensemble du machine learning utilisant des réseaux de neurones à plusieurs couches pour extraire automatiquement des représentations hiérarchiques des données. C'est la technique derrière presque tous les systèmes IA modernes performants.

La descente de gradient est l'algorithme d'optimisation central du machine learning, qui ajuste itérativement les paramètres d'un modèle pour minimiser son erreur de prédiction. C'est le mécanisme fondamental par lequel les réseaux de neurones apprennent.

Le désapprentissage machine est la capacité d'un modèle à effacer l'influence de données spécifiques sans nécessiter un réentraînement complet. C'est un enjeu clé pour le droit à l'oubli et la conformité RGPD en Europe.

La dérive des données (data drift) désigne l'évolution progressive des données en production par rapport aux données d'entraînement, dégradant les performances du modèle dans le temps. C'est un enjeu majeur de maintenance des systèmes IA en production.

La distillation de modèle est une technique où un petit modèle ('élève') est entraîné à imiter le comportement d'un grand modèle ('professeur'), obtenant des performances proches pour un coût d'inférence bien inférieur.

Les données synthétiques sont des données générées artificiellement par des algorithmes ou des modèles IA pour remplacer ou compléter des données réelles. Elles permettent de contourner les problèmes de confidentialité et de rareté des données d'entraînement.

Les embeddings sont des vecteurs numériques qui représentent des mots, phrases ou autres éléments dans un espace à n dimensions, capturant ainsi leurs significations et relations contextuelles. Ils facilitent le traitement du langage naturel en permettant de mesurer la similarité entre différents éléments textuels de manière mathématique.

L'Edge AI désigne le déploiement de modèles d'IA directement sur des appareils locaux (smartphones, capteurs, voitures connectées) plutôt que dans le cloud. Cette approche réduit la latence, préserve la confidentialité des données et fonctionne sans connexion internet.

L'entraînement est la phase pendant laquelle un modèle IA apprend à partir des données en ajustant ses paramètres pour minimiser son erreur de prédiction. C'est une opération très coûteuse en calcul qui peut nécessiter des semaines sur des milliers de GPU.

L'espace latent est la représentation interne compressée et abstraite qu'un modèle construit pour encoder l'information. Les embeddings vivent dans cet espace où la proximité géométrique représente la similarité sémantique entre concepts.

L'éthique de l'IA est le domaine qui étudie les implications morales des systèmes intelligents : équité algorithmique, transparence, respect de la vie privée, responsabilité et impact social. Elle guide la conception de systèmes respectueux des droits fondamentaux.

L'explicabilité (XAI, Explainable AI) désigne la capacité à comprendre et expliquer les décisions d'un modèle IA en langage humain. C'est un enjeu crucial pour les applications à fort enjeu comme la santé, la justice ou la finance.

Le fine-tuning est le processus d'ajustement des paramètres d'un modèle de machine learning pré-entraîné en utilisant un jeu de données spécifique, afin d'améliorer ses performances pour une tâche particulière. Cette technique permet de tirer parti des connaissances préexistantes du modèle tout en l'adaptant à un nouvel ensemble de données ou à une nouvelle application.

Un Foundation model est un type d'intelligence artificielle conçu pour effectuer une large gamme de tâches sans modification spécifique. Ces modèles, comme GPT-4 ou Llama, sont entraînés sur de vastes ensembles de données pour comprendre et générer du texte ou d'autres types de données.

Le few-shot learning est la capacité d'un modèle à maîtriser une nouvelle tâche à partir de très peu d'exemples fournis dans le prompt (de 2 à quelques dizaines). Les LLMs modernes excellent à cette technique, contrairement aux modèles de machine learning classiques.

Le function calling permet à un LLM d'invoquer des fonctions ou APIs externes de façon structurée, en générant du JSON paramétré plutôt que du texte libre. C'est la brique fondamentale des agents IA qui interagissent avec des outils et systèmes tiers.

GPT, ou Generative Pre-trained Transformer, est une famille de modèles de langage développée par OpenAI qui utilise l'apprentissage profond pour générer du texte en langage naturel. Ces modèles sont pré-entraînés sur de vastes ensembles de données textuelles et peuvent être utilisés pour diverses tâches telles que la rédaction automatique, la traduction ou la conversation.

Les guardrails sont des mécanismes de sécurité ou des règles intégrées dans les systèmes d'intelligence artificielle pour limiter leurs comportements indésirables et garantir qu'ils fonctionnent dans des limites sûres. Ils visent à prévenir les actions nuisibles ou les réponses inappropriées des modèles IA, en contrôlant par exemple les sujets qu'ils peuvent aborder ou la manière dont ils interagissent avec les utilisateurs.

Un GAN (Réseau Génératif Antagoniste) est une architecture composée de deux réseaux de neurones en compétition : un générateur qui crée de fausses données et un discriminateur qui tente de les détecter. Cette opposition pousse le générateur à produire des contenus de plus en plus réalistes.

La génération vidéo par IA est la capacité de créer des vidéos réalistes depuis un texte, une image ou une vidéo source, via des modèles de diffusion ou des architectures Transformer spécialisées.

Le grounding est le fait d'ancrer les réponses d'un LLM dans des sources réelles et vérifiables plutôt que dans sa seule mémoire d'entraînement. RAG et la recherche web en temps réel sont les principales techniques de grounding.

En intelligence artificielle, une hallucination désigne une situation où un modèle génère une information incorrecte ou inventée, qui n’existe pas dans les données d'apprentissage.

Un hyperparamètre est un paramètre de configuration du processus d'entraînement fixé avant l'entraînement (taux d'apprentissage, taille des batches, nombre de couches) et non appris par le modèle lui-même. Ils influencent profondément la qualité et la vitesse d'apprentissage.

L'IA générative est un type d'intelligence artificielle capable de créer du contenu original, tel que du texte, des images, de la musique ou des vidéos, en s'appuyant sur des modèles d'apprentissage profond. Elle utilise des algorithmes pour analyser des données existantes et générer de nouvelles productions qui imitent ces données.

L'inférence en intelligence artificielle désigne le processus par lequel un modèle utilise ses paramètres appris pour faire des prédictions ou des classifications sur de nouvelles données. Cela s'oppose à la phase d'entraînement où le modèle apprend à partir d'un ensemble de données étiquetées.

L'intelligence artificielle (IA) est un ensemble de techniques permettant à des machines d'imiter des capacités cognitives humaines : raisonnement, apprentissage, perception, compréhension du langage. Elle englobe le machine learning, le deep learning, les systèmes experts et les LLMs.

Un jailbreak est une technique visant à contourner les garde-fous de sécurité d'un LLM pour lui faire générer du contenu normalement refusé. Les attaquants utilisent des reformulations créatives, des rôles fictifs ou des injections de prompt.

La latence en intelligence artificielle désigne le délai entre l'entrée d'une requête et la réponse du système. Cela inclut le temps de traitement et de transmission des données, qui peut être critique pour des applications en temps réel.

LLM signifie 'Large Language Model', un type d'intelligence artificielle conçu pour comprendre et générer du texte en langage naturel. Ces modèles, comme GPT-4 ou Gemini, sont entraînés sur de vastes ensembles de données textuelles pour accomplir des tâches variées telles que la traduction, le résumé ou la conversation.

Les lois d'échelle décrivent la relation prédictible entre la taille d'un modèle, la quantité de données d'entraînement, le budget de calcul et les performances obtenues. Elles ont guidé la course aux LLMs des années 2020 et révèlent que performance et taille suivent des courbes mathématiques régulières.

LoRA (Low-Rank Adaptation) est une technique de fine-tuning efficace qui n'entraîne qu'un très petit nombre de nouveaux paramètres au lieu du modèle entier, réduisant le coût de calcul de 10 à 100 fois. Elle est devenue le standard du fine-tuning accessible en entreprise.

MCP, ou Model Context Protocol, est un protocole open source développé par Anthropic permettant de connecter les LLMs à des outils et sources de données externes (fichiers, APIs, bases de données) de façon standardisée. Il simplifie considérablement l'intégration des agents IA dans les systèmes d'information existants.

Mistral AI est une entreprise spécialisée dans le développement de modèles d'intelligence artificielle de pointe. Elle se concentre sur la création de modèles de langage capables de traiter et de générer du texte de manière sophistiquée.

Le terme 'multimodal' en intelligence artificielle fait référence à la capacité d'un modèle à traiter et à intégrer plusieurs types de données, comme du texte, des images, de l'audio ou de la vidéo, pour accomplir une tâche. Cette approche permet de combiner les forces de différents types de données pour améliorer la compréhension et la performance du modèle.

Le machine learning (apprentissage automatique) est une branche de l'IA où des algorithmes apprennent à accomplir des tâches à partir d'exemples, sans être explicitement programmés pour chaque cas. Il est à la base de la plupart des systèmes IA en production.

Le mécanisme d'attention est la technique clé des Transformers permettant au modèle de pondérer dynamiquement l'importance de chaque token par rapport aux autres lors du traitement d'une séquence. Il permet de capturer les dépendances à longue portée dans le texte.

Mixtral est une famille de modèles open source développée par Mistral AI utilisant l'architecture Mixture of Experts. Ses performances sur les benchmarks rivalisent avec des modèles bien plus grands, tout en étant librement téléchargeables.

L'architecture Mixture of Experts divise un modèle en plusieurs sous-réseaux spécialisés (les experts) dont seuls quelques-uns sont activés pour chaque token traité. Cette approche multiplie la capacité du modèle sans multiplier proportionnellement le coût de calcul.

MLOps désigne l'ensemble des pratiques DevOps appliquées au cycle de vie des modèles ML : développement, déploiement, monitoring et maintenance en production. C'est la discipline qui industrialise l'IA en entreprise au-delà des projets pilotes.

MMLU (Massive Multitask Language Understanding) est l'un des benchmarks les plus utilisés pour évaluer les LLMs sur 57 disciplines académiques : mathématiques, droit, médecine, physique, histoire... Il teste la connaissance factuelle et le raisonnement multi-domaines.

Un modèle de diffusion est une architecture générative qui apprend à débruiter progressivement une image aléatoire pour produire du contenu cohérent. C'est la technique derrière Stable Diffusion, DALL-E 3 et Midjourney.

Un modèle de raisonnement est un LLM spécialement entraîné pour décomposer des problèmes complexes étape par étape, générant une chaîne de réflexion interne avant de répondre. Ces modèles surpassent les LLMs classiques sur les tâches de maths, de code et de logique formelle.

Un modèle frontière (frontier model) désigne les LLMs les plus avancés techniquement à un instant donné, repoussant les limites de ce qui est possible. Ces modèles concentrent les enjeux de sécurité et de régulation les plus importants de l'IA Act.

Un modèle vision-langage (VLM) est un modèle multimodal capable d'analyser et de raisonner sur des images en combinant vision par ordinateur et traitement du langage naturel. Il peut décrire, interroger ou générer du texte à partir d'images.

Le No-Code est une approche de développement qui permet de créer des applications ou des logiciels sans écrire de code informatique. Il utilise des interfaces visuelles et des modules préconstruits pour faciliter le processus de création, rendant le développement accessible à ceux qui ne maîtrisent pas la programmation.

Le NLP (Traitement du Langage Naturel) est la branche de l'IA dédiée à la compréhension et à la génération du langage humain par les machines. Il englobe la traduction automatique, l'analyse de sentiment, la reconnaissance vocale et les LLMs modernes.

Open source désigne un modèle de développement logiciel où le code source est rendu public, permettant à quiconque de l'étudier, le modifier et le distribuer. Ce modèle favorise la collaboration et l'amélioration continue par une communauté de développeurs.

Un 'prompt' est une instruction ou une question donnée à une intelligence artificielle pour qu'elle génère une réponse ou effectue une tâche spécifique. Il peut être aussi simple qu'une phrase ou plus complexe pour guider l'IA dans sa réponse.

Le prompt engineering est l'art de concevoir et d'optimiser les instructions données à un modèle de langage pour obtenir des réponses précises et pertinentes. Cela implique de formuler des requêtes spécifiques, d'utiliser des contraintes ou de structurer les prompts pour guider le modèle vers le résultat souhaité.

Les paramètres d'un modèle sont les valeurs numériques (poids) que le modèle apprend pendant l'entraînement. Leur nombre définit généralement la 'taille' du modèle et influe directement sur ses capacités de mémorisation et de raisonnement.

Un SLM (Small Language Model) est un modèle de langage compact avec moins de 10 milliards de paramètres, conçu pour fonctionner localement sur des appareils aux ressources limitées tout en maintenant de bonnes performances sur des tâches ciblées.

Un modèle à poids ouverts rend ses paramètres publiquement téléchargeables, permettant de le déployer, fine-tuner et modifier localement. Cela diffère de l'open source strict qui inclut aussi les données et le code d'entraînement complets.

Le pré-entraînement est la phase initiale d'entraînement d'un LLM sur d'immenses corpus de texte généraliste, lui permettant d'acquérir une connaissance générale du langage et du monde. Il précède le fine-tuning sur des tâches ou domaines spécifiques.

Le prompt système est un message de configuration envoyé par l'opérateur au modèle avant la conversation, invisible pour l'utilisateur final. Il définit le comportement, la personnalité, les restrictions et le contexte du modèle pour toute la session.

La quantification en IA est le processus de réduction de la précision des poids et biais d'un modèle de réseau de neurones, généralement en convertissant des valeurs en virgule flottante en valeurs entières, pour diminuer la taille du modèle et accélérer son exécution sans perte significative de précision.

Retrieval-Augmented Generation (RAG) est un cadre qui combine des techniques de récupération d'information avec des modèles de génération de texte. Il utilise un moteur de recherche pour extraire des documents pertinents d'une base de données, puis un modèle de langage, comme GPT-4 ou Llama, pour générer des réponses basées sur ces documents.

RLHF, ou Reinforcement Learning from Human Feedback, est une technique d'apprentissage qui combine l'apprentissage par renforcement avec des retours d'informations humains pour guider le modèle vers des comportements souhaités. Elle est utilisée pour affiner les modèles de langage, comme GPT-4, en ajustant leurs réponses en fonction des préférences humaines.

La recherche sémantique va au-delà des mots-clés pour retrouver des documents selon leur sens réel, en comparant les embeddings vectoriels de la requête et des documents. Elle comprend l'intention de la question plutôt que de matcher des mots exacts.

La reconnaissance vocale (ASR, Automatic Speech Recognition) est la technologie qui transcrit automatiquement la parole humaine en texte. Les systèmes modernes comme Whisper d'OpenAI atteignent des niveaux de précision quasi équivalents aux transcripteurs humains.

Le red teaming IA consiste à tenter délibérément de faire échouer, biaiser ou contourner un modèle IA pour identifier ses vulnérabilités avant déploiement. C'est une pratique de sécurité proactive adoptée par tous les grands labs d'IA.

Un réseau de neurones artificiel est un système de calcul inspiré du cerveau humain, composé de neurones artificiels organisés en couches qui transforment des données d'entrée en sortie. C'est la brique fondamentale du deep learning et de tous les LLMs.

La rétropropagation est l'algorithme qui calcule comment chaque paramètre d'un réseau de neurones doit être ajusté pour réduire l'erreur, en propageant le gradient depuis la couche de sortie vers les couches d'entrée. C'est le moteur de l'apprentissage dans tous les réseaux de neurones modernes.

La 'SaaSpocalypse' désigne un phénomène où le marché des logiciels en tant que service (SaaS) connaît une saturation ou un effondrement, causé par une concurrence accrue, des surévaluations ou des changements économiques drastiques. Cela peut entraîner des faillites massives ou des consolidations dans le secteur.

Un système multi-agents est un ensemble de programmes autonomes interagissant dans un environnement partagé, chacun poursuivant ses propres objectifs ou coopérant pour atteindre un but commun. Ces agents peuvent communiquer, se coordonner et se concurrencer pour optimiser les performances globales du système.

Le surapprentissage (overfitting) est la tendance d'un modèle à mémoriser les données d'entraînement au lieu d'en extraire des patterns généralisables, entraînant de mauvaises performances sur de nouvelles données jamais vues.

La sûreté de l'IA (AI Safety) est le domaine de recherche visant à s'assurer que les systèmes IA, y compris les futurs systèmes très avancés, restent bénéfiques, contrôlables et alignés sur les valeurs humaines à long terme.

Un système d'IA à usage général (GPAI dans l'AI Act) est un modèle capable d'accomplir une grande variété de tâches dans de multiples domaines. Cette catégorie est spécifiquement régulée par le règlement européen AI Act pour les modèles les plus puissants.

Un token est une unité de texte traitée par un modèle de langage. Il peut s'agir d'un mot entier, d'une partie de mot ou même d'un caractère, selon le modèle utilisé.

Le taux d'apprentissage est un hyperparamètre qui contrôle l'amplitude des ajustements de paramètres à chaque étape de la descente de gradient. C'est l'un des hyperparamètres les plus critiques : trop élevé, le modèle diverge ; trop faible, l'entraînement est inefficace.

La temperature est un paramètre qui contrôle le caractère aléatoire des réponses d'un LLM lors de la génération. Une valeur proche de 0 rend les réponses déterministes et précises ; une valeur élevée (0,8+) les rend plus créatives et variées.

Le test de Turing, proposé en 1950 par Alan Turing, évalue si une machine peut exhiber un comportement intelligent indiscernable d'un humain. Un juge dialogue simultanément avec un humain et une machine sans savoir lequel est lequel.

Le text-to-image désigne la génération automatique d'images photoréalistes ou artistiques à partir d'une description textuelle, via des modèles de diffusion ou des architectures Transformer spécialisées.

Le Text-to-Speech (TTS) est la technologie qui convertit du texte écrit en parole synthétisée naturelle. Les systèmes modernes comme ElevenLabs ou Kokoro produisent des voix quasi indiscernables de la parole humaine avec des émotions naturelles.

Le tokenizer est le composant qui découpe le texte en tokens avant qu'il soit traité par un LLM. La façon dont il segmente les mots influence les performances du modèle et le coût de chaque requête selon les langues.

Le transfer learning consiste à réutiliser un modèle pré-entraîné sur une tâche générale pour l'adapter à une tâche spécifique, économisant ainsi l'essentiel du coût et du temps d'entraînement. C'est le paradigme dominant de l'IA moderne.

L'architecture Transformer, introduite en 2017 par Google dans 'Attention Is All You Need', est la base de tous les LLMs modernes. Elle utilise le mécanisme d'attention pour traiter les séquences en parallèle, permettant un entraînement bien plus efficace que les RNN précédents.

Le vendor lock-in désigne une situation où un client devient dépendant d'un fournisseur spécifique pour un produit ou un service, rendant difficile et coûteux le changement de fournisseur. Cela se produit souvent lorsque les systèmes, logiciels ou données ne sont pas facilement transférables vers d'autres plateformes.

La vision par ordinateur est le domaine de l'IA qui permet aux machines d'analyser et de comprendre des images et vidéos. Elle inclut la détection d'objets, la reconnaissance faciale, la segmentation d'images et le contrôle qualité automatisé.

L'apprentissage zero-shot est la capacité d'un LLM à effectuer une tâche sans aucun exemple fourni dans le prompt, en se basant uniquement sur sa compréhension générale du langage et des instructions. C'est le niveau le plus élevé de généralisation.