Lexique de l’IA générative : 20 termes enfin expliqués et classés

Lexique de l’IA générative: 20 termes expliqués simplement, du prompt aux agents en passant par les hallucinations.

RAG, LoRA, epoch, température, Mixture of Experts… Les vidéos courtes sur l’intelligence artificielle enchaînent les termes techniques comme s’ils appartenaient à la même famille. Résultat : beaucoup de dirigeants et de collaborateurs confondent ce qui relève de l’entraînement d’un modèle, de son architecture, de la façon dont on lui donne des informations ou de ses réglages de réponse.

Ce lexique remet de l’ordre. Chaque terme est expliqué simplement, avec une image mentale et un exemple, puis rangé dans la bonne catégorie. L’objectif : savoir de quoi on parle en réunion, poser les bonnes questions à un prestataire et éviter les mauvais choix techniques.

La carte d’ensemble : six familles de notions

Avant d’entrer dans le détail, voici la classification à garder en tête. Elle permet de savoir à quel moment intervient chaque technique, et surtout qui peut agir dessus.

Famille	Ce qu’elle regroupe	Qui agit dessus
Entraîner le modèle	Epoch, régularisation L1/L2, RLHF, LoRA	Ingénieurs en apprentissage automatique
Architecture du modèle	Transformer, encodeur/décodeur, Mixture of Experts, LSTM	Concepteurs du modèle (OpenAI, Google, Anthropic, Mistral…)
Donner des informations au modèle	Embedding, RAG, few-shot prompting	Utilisateurs et équipes qui intègrent l’IA
Générer la réponse	Température, top-k	Développeurs via l’API
Optimiser le système	KV cache, context cache	Équipes d’infrastructure
Générer des images et des médias	Diffusion	Concepteurs des générateurs d’images et de vidéos

1. Les notions liées à l’entraînement

Epoch : un passage complet sur les données

Une epoch correspond à un passage complet du modèle sur l’ensemble de ses données d’entraînement. Si un modèle apprend à partir de 10 000 dossiers clients, les voir tous une fois représente 1 epoch ; les revoir vingt fois, 20 epochs. En pratique, les données sont découpées en petits lots (batches) traités les uns après les autres.

Image mentale : relire une fois tout le manuel.

Le piège : plus d’epochs ne veut pas dire meilleur modèle. À force de revoir les mêmes exemples, le modèle finit par les apprendre par cœur et perd sa capacité à traiter des cas nouveaux. C’est le surapprentissage (overfitting). Les ingénieurs utilisent l’arrêt précoce (early stopping) pour interrompre l’entraînement au bon moment.

Régularisation L1 et L2 : empêcher le « par cœur »

Un réseau de neurones contient des millions, voire des milliards de paramètres appelés « poids ». La régularisation ajoute une pénalité pendant l’entraînement pour éviter que certains poids prennent une importance démesurée.

• L1 (Lasso) pousse certains poids jusqu’à zéro : le modèle devient plus simple et ne garde que les signaux utiles.
• L2 (Ridge) garde les poids petits sans forcément les annuler : le modèle reste nuancé mais moins fragile.

L’objectif n’est pas d’avoir un modèle qui réussit parfaitement ses exercices, mais un modèle qui se comporte correctement sur des situations qu’il n’a jamais vues.

RLHF : orienter le comportement grâce aux préférences humaines

Le RLHF (Reinforcement Learning from Human Feedback, apprentissage par renforcement à partir de retours humains) consiste à faire comparer plusieurs réponses du modèle par des personnes, puis à l’ajuster pour qu’il produise plus souvent les réponses préférées. C’est l’une des étapes qui rendent les assistants comme ChatGPT ou Claude plus utiles, plus polis et plus sûrs que le modèle brut.

LoRA : adapter un modèle sans tout réentraîner

LoRA (Low-Rank Adaptation) est une technique d’ajustement léger (fine-tuning). Au lieu de modifier tous les poids du modèle, on les gèle et on n’entraîne qu’un petit ensemble de paramètres supplémentaires. Le coût en calcul et en mémoire baisse fortement. C’est utile pour adapter un modèle ouvert à un vocabulaire métier très spécifique, mais cela demande des données de qualité et une équipe technique.

2. Les notions d’architecture

Transformer : l’architecture des modèles actuels

Le Transformer, présenté par des chercheurs de Google en 2017, est l’architecture sur laquelle reposent presque tous les grands modèles de langage actuels. Son mécanisme central, l’attention, permet au modèle de pondérer l’importance de chaque mot par rapport aux autres dans un texte.

Encodeur et décodeur : comprendre, représenter, produire

Un encodeur transforme une entrée (un texte, une image) en représentation interne ; un décodeur utilise une représentation pour produire une sortie. On distingue trois familles :

Famille	Exemples	Usages typiques
Encodeur seul	Famille BERT	Classer, rechercher, comprendre des textes
Décodeur seul	Famille GPT et la plupart des assistants actuels	Rédiger, répondre, générer
Encodeur-décodeur	Famille T5	Traduire, résumer

Mixture of Experts (MoE) : une équipe de spécialistes

Imaginez une entreprise de cent experts. Pour chaque question, inutile de mobiliser tout le monde : un aiguilleur choisit les quelques personnes pertinentes. Le Mixture of Experts fonctionne ainsi : un routeur active seulement certains sous-réseaux du modèle selon l’entrée.

Question → routeur → experts sélectionnés → calcul → réponse

Attention au mot « expert » : il ne s’agit pas de modules étiquetés « droit » ou « finance », mais de sous-réseaux dont la spécialisation émerge pendant l’entraînement. L’intérêt est surtout économique : un modèle très grand coûte moins cher à faire tourner, puisque seule une partie travaille à chaque fois.

LSTM : l’ancienne génération

Le LSTM (Long Short-Term Memory) est une architecture de réseau récurrent conçue pour traiter des séquences, en décidant grâce à des « portes » ce qu’il conserve, oublie ou transmet. Il a été largement utilisé en traduction et en reconnaissance vocale avant d’être remplacé par les Transformers pour les grands modèles de langage. Le citer comme une technologie actuelle des LLM est donc trompeur.

3. Donner des informations au modèle

Embedding : traduire le sens en coordonnées

Un embedding transforme un texte en une suite de nombres qui capture son sens. Deux phrases proches par le sens, comme « résilier mon contrat » et « mettre fin à mon abonnement », obtiennent des coordonnées proches. C’est la base des moteurs de recherche sémantique et du RAG.

Few-shot prompting : montrer plutôt qu’expliquer

Le few-shot prompting consiste à donner quelques exemples dans la consigne pour montrer le résultat attendu. On ne modifie pas le modèle : on guide sa réponse. C’est la technique la plus accessible, utilisable dès aujourd’hui dans ChatGPT, Copilot, Gemini ou Claude.

Voici trois fiches clients rédigées exactement comme je les veux.
Exemple 1 : […]
Exemple 2 : […]
Exemple 3 : […]
Rédige maintenant la fiche de ce nouveau client selon la même structure.

Pour aller plus loin, consultez notre méthode pour bien prompter et obtenir une réponse utile du premier coup.

RAG : donner au modèle vos propres documents

Le RAG (Retrieval-Augmented Generation, génération augmentée par la recherche) associe un modèle de langage à un moteur de recherche dans vos documents. Quand un collaborateur pose une question, le système retrouve les passages pertinents (procédures, contrats, fiches produits) et les transmet au modèle, qui rédige sa réponse à partir de ces sources.

C’est la solution la plus courante pour créer un assistant interne fiable : les connaissances restent dans vos documents, se mettent à jour sans réentraîner le modèle et la réponse peut citer ses sources. Nous comparons en détail RAG, fine-tuning et prompting dans un article dédié.

4. Les réglages de la réponse

Température : prévisible ou créatif

La température règle la part d’aléatoire dans le choix des mots. Basse (0 à 0,2), le modèle choisit presque toujours le mot le plus probable : réponses stables, adaptées à l’extraction de données ou aux réponses factuelles. Haute (0,7 à 1), il ose des formulations moins attendues : utile pour trouver des idées ou varier des textes.

Top-k : limiter les candidats

Le top-k restreint le choix du mot suivant aux k candidats les plus probables. Avec k = 20, le modèle ne choisit qu’entre les 20 premiers. Ces deux réglages sont accessibles via l’API, rarement dans les interfaces grand public.

5. L’optimisation du système

KV cache et context cache

Le KV cache garde en mémoire des calculs déjà effectués pendant la génération d’une réponse, pour ne pas les refaire à chaque nouveau mot. Le context cache permet de réutiliser un long contexte récurrent (un gros document, un règlement) d’une requête à l’autre, ce qui réduit les coûts et les délais.

6. La génération d’images : la diffusion

Les modèles de diffusion génèrent des images, des vidéos ou du son en partant d’un bruit aléatoire qu’ils « nettoient » progressivement. Pendant l’entraînement, le modèle apprend à retirer le bruit ajouté à des images réelles ; lors de la génération, il refait le chemin inverse.

Bruit → débruitage progressif → structure → détails → image finale

Les termes d’entreprise qui reviennent dans les projets IA

Terme	Définition
Bac à sable (sandbox)	Environnement isolé pour tester un agent ou un outil sans risquer les données réelles
OCR	Reconnaissance de caractères qui transforme un scan ou une photo en texte exploitable, souvent en amont d’un RAG
Refactorer	Réorganiser un code pour le rendre plus lisible sans changer son comportement
Skills et outils	Instructions, outils (CRM, calculateurs) et accès documentaires qui transforment un modèle en agent capable d’agir
DAF et DSI	Les deux interlocuteurs clés d’un projet IA : le premier pour le coût et le retour sur investissement, le second pour l’intégration et la sécurité

Qui contrôle quoi ? Le tableau pour décider

Profil	Leviers à sa portée
Utilisateur	Consignes, exemples (few-shot), instructions personnalisées
Développeur ou intégrateur	RAG, température, top-k, outils et skills, connecteurs
Ingénieur en apprentissage automatique	LoRA, epochs, régularisation, infrastructure
Concepteur du modèle	Architecture : Transformer, MoE, encodeur/décodeur

Ce tableau évite une erreur fréquente : lancer un projet d’entraînement coûteux alors que de meilleures consignes et un RAG bien construit suffisaient.

Ce que cela change pour votre entreprise

1. Commencez par les leviers accessibles : des consignes structurées et des exemples améliorent immédiatement la qualité des réponses.
2. Pour vos connaissances internes, pensez RAG avant de penser fine-tuning.
3. Exigez la clarté de vos prestataires : demandez à quelle famille appartient chaque brique proposée et pourquoi.
4. Testez dans un bac à sable avant tout déploiement sur des données réelles.
5. Formez vos équipes au vocabulaire de base : un collaborateur qui comprend ces notions utilise mieux les outils et prend moins de risques.

C’est exactement ce que nous faisons dans nos missions de conseil en intelligence artificielle et dans Inside, notre programme de formation à l’IA. Pour savoir où en est votre organisation, faites notre autodiagnostic IA gratuit ou réservez votre diagnostic IA gratuit.

Sources

• Google : glossaire du machine learning (epoch, régularisation, few-shot)
• Vaswani et al., « Attention Is All You Need » (2017), l’article fondateur du Transformer
• Hu et al., « LoRA: Low-Rank Adaptation of Large Language Models » (2021)
• Lewis et al., « Retrieval-Augmented Generation » (2020)
• Shazeer et al., « Sparsely-Gated Mixture-of-Experts » (2017)
• Ho et al., « Denoising Diffusion Probabilistic Models » (2020)