Lexique de l'IA, des LLM et des données

Comparaison statistique de deux techniques ou plus. La technique A est en général l'existante, la B la nouvelle. Le test indique laquelle est la meilleure et si l'écart est statistiquement significatif. Il porte le plus souvent sur une seule mesure, mais peut en comparer plusieurs.

Illustration Velista Comparer la règle de prix actuelle (A) à une règle recommandée par un modèle (B), sur des magasins comparables.

Source Google, Machine Learning Glossary

Voir aussi dans le lexique : Cannibalisation

Dans les outils : Bilan de promotion

Logiciel capable de raisonner sur les demandes d'un utilisateur pour planifier et exécuter des actions à sa place. Anthropic oppose les agents, où le LLM dirige lui-même son processus et son usage des outils, aux workflows, où le chemin est fixé par du code (voir Workflow). Sa formulation la plus courte : des LLM qui utilisent des outils de façon autonome dans une boucle. En apprentissage par renforcement, le mot désigne autre chose : l'entité qui applique une politique pour maximiser le gain attendu.

Sources Google, lexique IA générative ; Anthropic, Building effective agents ; Anthropic, Effective context engineering

Voir aussi : Workflow et agentic workflow

Règlement (UE) 2024/1689, présenté par la Commission européenne comme le premier cadre juridique complet sur l'IA. Il fixe des règles selon quatre niveaux de risque : pratiques interdites (risque inacceptable), systèmes à haut risque, risque de transparence (par exemple informer l'utilisateur qu'il parle à une machine, rendre identifiables les contenus générés) et risque minimal, sans règle spécifique. Il prévoit aussi des règles pour les modèles d'IA à usage général.

Calendrier selon la Commission (page mise à jour le 3 août 2026) : entré en vigueur le 1er août 2024, applicable le 2 août 2026 avec des exceptions. Les règles sur les modèles à usage général s'appliquent depuis août 2025. Les règles pour les usages à haut risque listés en annexe III sont reportées au 2 décembre 2027, celles pour les systèmes intégrés à des produits au 2 août 2028, par le règlement (UE) 2026/1744 (Digital Omnibus on AI).

Source Commission européenne, AI Act

Ensemble de fonctionnalités et de règles d'un logiciel qui permet d'interagir avec lui de manière automatisée, plutôt que par son interface utilisateur.

Illustration Velista Un éditeur SaaS expose une API pour que ses clients récupèrent ses recommandations dans leurs propres systèmes.

Source MDN Web Docs, Lexique : API

Programme ou système qui entraîne un modèle à partir de données d'entrée. Le modèle entraîné peut faire des prédictions utiles sur des données nouvelles issues de la même distribution que celles de l'entraînement. Le terme désigne aussi le domaine d'étude correspondant. Le ML est formellement un sous-domaine de l'IA, même si certaines organisations emploient désormais les deux termes de façon interchangeable.

Source Google, lexique ML (fondamentaux)

Dans le vocabulaire de Google, un agent choisit des actions grâce à une politique, passe d'un état à un autre de l'environnement et cherche à maximiser le gain attendu. Quand des évaluateurs humains notent les réponses d'un modèle pour l'améliorer, on parle de RLHF (voir RLHF).

Source Google, Machine Learning Glossary

Voir aussi : RLHF

En supervisé, le modèle s'entraîne sur des exemples étiquetés (des variables et l'étiquette, c'est-à-dire la « réponse ») puis prédit sur des exemples sans étiquette. Un modèle de classification prédit une classe ; un modèle de régression prédit un nombre. En non supervisé, il n'y a pas d'étiquette : l'exemple typique cité par Google est le regroupement (clustering) d'exemples apparentés, un humain pouvant ensuite donner un sens à chaque groupe.

Sources Google, lexique ML (fondamentaux) ; Google, Machine Learning Glossary

Google distingue deux formes, au sens de l'éthique et de l'équité. La première : stéréotypes, préjugés ou favoritisme envers certaines choses, personnes ou groupes, qui peuvent affecter la collecte et l'interprétation des données, la conception d'un système et les interactions avec lui (biais d'automatisation, de confirmation, etc.). La seconde : une erreur systématique introduite par une procédure d'échantillonnage ou de rapport (biais de sélection, de couverture, de non-réponse, etc.).

À ne pas confondre avec le terme de biais (ordonnée à l'origine) d'un modèle, ni avec le biais de prédiction.

Source Google, lexique ML (fondamentaux)

Voir aussi dans le lexique : Biais de survivance

Définition du NIST (SP 1500-1) : ensembles de données volumineux, caractérisés surtout par le volume, la variété, la vélocité et/ou la variabilité, qui demandent une architecture évolutive pour le stockage, la manipulation et l'analyse efficaces.

Source NIST, Big Data

Selon Google, nombre de tokens qu'un modèle peut traiter pour un prompt donné : plus la fenêtre est grande, plus le modèle dispose d'informations pour produire des réponses cohérentes. Selon Anthropic, quantité de texte qu'un modèle de langage peut relire et utiliser pour générer du nouveau texte. Une fenêtre plus grande permet de traiter des prompts plus longs et plus complexes ; une plus petite peut limiter la cohérence sur de longs échanges.

Sources Google, lexique IA générative ; Anthropic, lexique

Cadre attribué à Joseph Juran qui répartit les coûts de la qualité en quatre catégories : prévention, évaluation, défaillance interne et défaillance externe. Les deux premières sont les coûts de conformité, les deux autres les coûts de non-conformité.

Lecture Velista, hors source Appliquée à l'IA : la prévention, ce sont la qualité des données, les consignes et les garde-fous ; l'évaluation, ce sont les évals ; la défaillance interne, ce sont les réponses rejetées ou retouchées ; la défaillance externe, c'est l'erreur qui atteint le client.

Sources iSixSigma, Cost of Quality ; The Cost of Quality: A Primer

Aussi dans le lexique : COQ

Dans les articles : Le coût d'obtention de la qualité appliqué à la rétention, La qualité est gratuite. Le churn ne l'est pas.

Évolution de la relation entre les variables et l'étiquette. Le modèle apprend cette relation sur son jeu d'entraînement ; si elle cesse de refléter le monde réel, ses prédictions se dégradent avec le temps. Exemple de Google : la notion de « voiture économe en carburant » change, un modèle étiqueté en 1994 serait presque sûrement faux en 2024. Google recommande de réentraîner plus vite que le rythme de la dérive. Voir aussi Non-stationnarité.

Source Google, Machine Learning Glossary

Voir aussi : Non-stationnarité

Voir aussi dans le lexique : Health score, Fraîcheur de la donnée

Réduction d'un grand modèle (le professeur) en un modèle plus petit (l'élève) qui imite ses prédictions aussi fidèlement que possible. Avantages de l'élève : inférence plus rapide, moindre consommation de mémoire et d'énergie. Contrepartie : ses prédictions sont en général moins bonnes que celles du professeur.

Source Google, lexique IA générative

Selon la CNIL, toute information se rapportant à une personne physique identifiée ou identifiable. La personne peut être identifiée directement (nom, prénom) ou indirectement (numéro de téléphone, adresse postale ou courriel, voix), à partir d'une seule donnée ou du croisement de plusieurs. Le RGPD encadre le traitement de ces données.

Source CNIL, La CNIL en bref

Rapport entre la variation relative de la quantité demandée et celle du prix. La demande est élastique quand sa variation dépasse celle du prix, inélastique dans le cas inverse.

Sources Office québécois de la langue française, Grand dictionnaire terminologique ; Éduscol, L'élasticité-prix de la demande

Aussi dans le lexique : Élasticité-prix

Dans les outils : Score de potentiel KVI, Optimiseur de démarque, Bilan de promotion

Tableau de nombres à virgule flottante tiré d'une couche cachée d'un réseau de neurones et décrivant les entrées de cette couche ; le plus souvent, le vecteur appris par une couche d'embedding. Ce ne sont pas des nombres aléatoires : des éléments similaires ont des ensembles de nombres similaires. Les valeurs changent à chaque réentraînement, même avec les mêmes données.

Source Google, Machine Learning Glossary

L'entraînement est l'étape où un système de ML construit un modèle à partir de données. Le pré-entraînement désigne l'entraînement initial d'un modèle sur un grand jeu de données ; un modèle pré-entraîné est ensuite souvent affiné (fine-tuning), distillé ou ajusté pour suivre des instructions.

Sources Google, lexique ML (fondamentaux) ; Google, lexique IA générative

Une variable est une donnée d'entrée d'un modèle ; un exemple comprend une ou plusieurs variables. L'étiquette est, en apprentissage supervisé, la « réponse » ou le résultat d'un exemple : « spam » ou « pas spam » dans un jeu de détection de spam, la quantité de pluie tombée dans un jeu météo. Un exemple étiqueté associe des variables et une étiquette ; un exemple sans étiquette sert à l'inférence.

Source Google, lexique ML (fondamentaux)

L'évaluation est le processus qui mesure la qualité d'un modèle ou compare plusieurs modèles. Pour un modèle supervisé, on le juge sur un jeu de validation et un jeu de test. Les « evals » désignent le plus souvent les évaluations de LLM : métriques et benchmarks qui aident à repérer les points à améliorer, à comparer les LLM et à vérifier qu'ils sont sûrs. Trois modes existent : automatique (un programme compare la sortie à une réponse de référence, ou un « autorater » juge), humain, et mixte (un autorater entraîné sur des jugements humains).

Source Google, lexique IA générative

Selon Palantir, qui dit avoir inventé ce poste, un ingénieur placé directement auprès des clients, souvent sur site, pour comprendre rapidement leurs problèmes les plus importants, puis concevoir et mettre en œuvre des solutions fondées sur les données. Dans ses offres récentes, Palantir décrit la mission comme le déploiement de logiciels et d'IA dans les opérations à enjeu de grandes institutions, avec « un engagement radical envers le résultat ». Cette définition vient de l'éditeur à l'origine du terme ; d'autres entreprises utilisent le titre avec des périmètres variables, non couverts ici.

Source Palantir, offre Forward Deployed Software Engineer

Passe d'entraînement supplémentaire, propre à une tâche, appliquée à un modèle pré-entraîné pour affiner ses paramètres pour un usage précis, typiquement avec des centaines ou des milliers d'exemples ciblés. Google distingue la modification de tous les paramètres (full fine-tuning), celle d'une partie seulement, l'ajout de couches, et les techniques économes en paramètres comme LoRA. Google le compare à la distillation et à l'apprentissage par prompt.

Source Google, lexique IA générative

Très grand modèle pré-entraîné sur un jeu d'entraînement énorme et varié. Il répond bien à un large éventail de demandes et peut servir de modèle de base à un affinage ou à une autre personnalisation.

Source Google, lexique IA générative

Dans le vocabulaire de NVIDIA NeMo Guardrails, des règles (« rails ») appliquées à différents moments. Un rail d'entrée agit avant que la requête atteigne le modèle ; il peut la rejeter ou la modifier, par exemple en masquant des données sensibles. Un rail de sortie agit après la génération et avant le retour à l'utilisateur ; il peut rejeter ou modifier la sortie. D'autres rails encadrent le dialogue, la récupération de documents et l'exécution des outils appelés par le LLM. Le terme n'est pas normalisé : cette définition décrit le cadre d'un éditeur.

Source NVIDIA, NeMo Guardrails Terminology

Selon Gartner, spécification des droits de décision et d'un cadre de responsabilité pour garantir un comportement approprié dans la valorisation, la création, la consommation et le contrôle des données et de l'analytique. Selon DAMA-DMBOK2, exercice de l'autorité et du contrôle (planification, suivi, application) sur la gestion des actifs de données.

Sources Gartner, Data Governance ; Gouvernement du Canada (GCwiki), citant DAMA-DMBOK2

Dans un essai clinique, selon le National Cancer Institute, groupe qui ne reçoit pas le nouveau traitement étudié ; on le compare au groupe qui le reçoit pour savoir si le traitement fonctionne. La base terminologique de l'UE le décrit comme la référence à laquelle on compare dans une expérience, utilisée typiquement pour mesurer l'effet d'un traitement en comparant groupe de contrôle et groupe expérimental.

Illustration Velista Appliquer des recommandations de prix à un lot de magasins et garder un lot de magasins comparables avec la pratique habituelle.

Sources National Cancer Institute, control group ; Base terminologique de l'UE (IATE), via Gaois

Voir aussi dans le lexique : Cannibalisation

Dans les outils : Bilan de promotion

Production, par un modèle d'IA générative, d'une sortie d'apparence plausible mais factuellement incorrecte, présentée comme une affirmation sur le monde réel. Google donne aussi le synonyme « confabulation », qu'il juge techniquement plus exact, tout en notant que « hallucination » s'est imposé le premier.

Sources Google, lexique IA générative ; Google, Machine Learning Glossary

Expression au sens flou, selon Google. Elle peut désigner une politique consistant à regarder les sorties de l'IA générative avec esprit critique, ou une stratégie qui garantit que des personnes contribuent à façonner, évaluer et affiner le comportement d'un modèle. Exemple de Google : une IA génère du code que des ingénieurs relisent.

Source Google, lexique IA générative

Domaine émergent sans définition formelle. La plupart des experts s'accordent sur le fait que ses modèles créent un contenu à la fois complexe, cohérent et original : texte, image, audio, musique, vidéo. Des technologies plus anciennes (LSTM, RNN) peuvent aussi générer du contenu cohérent ; les avis divergent sur leur appartenance à l'IA générative. Google l'oppose au ML prédictif.

Source Google, lexique IA générative

En ML classique, processus qui consiste à faire des prédictions en appliquant un modèle entraîné à des exemples sans étiquette. Pour un LLM, processus qui consiste à utiliser un modèle entraîné pour générer une réponse à un prompt. Le mot a un sens un peu différent en statistique.

Source Google, lexique ML (fondamentaux)

Selon Anthropic, ensemble de stratégies pour sélectionner et maintenir l'ensemble optimal de tokens (d'informations) pendant l'inférence d'un LLM, y compris tout ce qui arrive dans le contexte en dehors des prompts. Anthropic la présente comme la suite naturelle de l'ingénierie de prompt, dont l'objet principal est la rédaction de prompts efficaces, en particulier les prompts système. Avec des agents qui travaillent sur plusieurs tours, il faut gérer tout l'état du contexte : instructions système, outils, MCP, données externes, historique des messages.

Source Anthropic, Effective context engineering for AI agents

Selon l'OWASP, vulnérabilité qui survient quand des prompts d'utilisateur modifient le comportement ou la sortie d'un LLM de façon non prévue. Elle est possible parce que les LLM ne séparent pas les instructions des données externes. L'injection est dite indirecte quand l'instruction malveillante se trouve dans un contenu externe que le modèle lit (page web, fichier).

Sources OWASP, LLM01 Prompt Injection ; OWASP, LLM01 (édition 2023-24)

Programme ou modèle non humain capable de résoudre des tâches sophistiquées, par exemple traduire un texte ou identifier des maladies sur des images médicales. Le machine learning est formellement un sous-domaine de l'IA.

Source Google, lexique ML (fondamentaux)

Capacité d'expliquer ou de présenter le raisonnement d'un modèle en termes compréhensibles pour un humain. Selon Google, la plupart des modèles de régression linéaire et les forêts de décision sont très interprétables. À l'inverse, un modèle « boîte noire » est un modèle dont le raisonnement est impossible ou difficile à comprendre pour des humains : c'est le cas de la plupart des modèles profonds et des LLM.

Sources Google, lexique ML (fondamentaux) ; Google, Machine Learning Glossary

Collection de données brutes, le plus souvent (pas uniquement) organisée dans un tableur ou un fichier CSV. Un exemple correspond en général à une ligne du jeu : des variables et, éventuellement, une étiquette.

Source Google, lexique ML (fondamentaux)

Selon Google, au minimum un modèle de langage doté d'un très grand nombre de paramètres ; plus informellement, tout modèle de langage fondé sur l'architecture Transformer. Tous ces modèles sont auto-régressifs : ils prédisent le token suivant à partir des tokens déjà produits. Anthropic décrit de même les modèles de langage autorégressifs comme pré-entraînés à prédire le mot suivant à partir du contexte du document.

Sources Google, lexique IA générative ; Anthropic, lexique

Selon Anthropic, protocole ouvert qui standardise la façon dont les applications fournissent du contexte aux LLM. Il permet aux systèmes d'IA d'accéder à des ressources externes de manière standardisée. Le « connecteur MCP » est une fonctionnalité de l'API d'Anthropic qui permet de se connecter à des serveurs MCP sans construire de client MCP.

Source Anthropic, lexique

Selon Google Cloud, culture et pratique d'ingénierie du ML qui vise à unifier le développement (Dev) et l'exploitation (Ops) des systèmes de ML. Pratiquer le MLOps, c'est défendre l'automatisation et la supervision à toutes les étapes de construction d'un système de ML : intégration, tests, mise en production, déploiement et gestion de l'infrastructure. Le document de Google couvre l'intégration continue (CI), la livraison continue (CD) et l'entraînement continu (CT).

Source Google Cloud, MLOps : livraison continue et pipelines d'automatisation

Construction mathématique qui traite des données d'entrée et renvoie une sortie ; autrement dit, l'ensemble des paramètres et de la structure dont un système a besoin pour faire des prédictions. Un modèle de régression linéaire se compose de poids et d'un biais ; un réseau de neurones, de couches cachées de neurones avec leurs poids ; un arbre de décision, de sa forme, de ses conditions et de ses feuilles. Un modèle peut être sauvegardé, restauré ou copié.

Source Google, lexique ML (fondamentaux)

Petit modèle conçu pour tourner sur des appareils aux ressources de calcul limitées : téléphones mobiles, tablettes, systèmes embarqués. Google cite Gemini Nano comme un modèle conçu pour un usage sur l'appareil.

Sources Google, Machine Learning Glossary ; Google, lexique IA générative

Caractéristique d'une variable dont les valeurs changent selon une ou plusieurs dimensions, le plus souvent le temps. Exemples de Google : les ventes de maillots de bain d'un magasin varient avec la saison ; la récolte d'un fruit est nulle presque toute l'année, puis forte pendant une courte période. Son contraire est la stationnarité. Google précise que très peu de variables sont stationnaires dans le monde réel.

Source Google, lexique ML (fondamentaux)

Selon l'Open Source Initiative (définition 1.0 de l'IA open source), un système d'IA est open source s'il donne les libertés de l'utiliser, de l'étudier, de le modifier et de le partager, pour tout usage, avec ou sans modification. Exercer ces libertés suppose l'accès à la forme préférée pour modifier le système : une information suffisamment détaillée sur les données d'entraînement pour qu'une personne qualifiée puisse construire un système substantiellement équivalent, le code complet d'entraînement et d'exécution, et les paramètres du modèle (les poids). L'OSI précise que des « modèles » ou « poids » open source doivent inclure l'information sur les données et le code qui ont servi à les produire.

Source Open Source Initiative, Open Source AI Definition 1.0

Modèle dont les poids sont largement disponibles. Le NTIA américain, dans son rapport de 2024, désigne ces modèles par « open foundation models » et note que les développeurs peuvent les publier avec des niveaux d'ouverture variés : poids, code, données d'entraînement ou d'affinage et documentation peuvent chacun être mis à disposition par plusieurs canaux, avec des restrictions variables.

À ne pas confondre avec open source : la définition de l'OSI exige aussi l'information sur les données et le code d'entraînement (voir Open source).

Sources NTIA, rapport sur les modèles à poids largement disponibles ; NTIA, contexte du rapport

Voir aussi : Open source (IA)

Les paramètres sont les poids et les biais qu'un modèle apprend pendant l'entraînement. Les hyperparamètres sont les valeurs que l'on fournit au modèle (ou qu'un service de réglage ajuste) d'un entraînement à l'autre, comme le taux d'apprentissage. La température est un hyperparamètre (voir Température).

Source Google, lexique ML (fondamentaux)

Voir aussi : Température

Selon IBM, processus de la chaîne d'approvisionnement qui s'appuie sur des données historiques pour la planification de la demande et anticipe la demande future des clients. Les méthodes vont de la projection de tendance à des modèles sophistiqués d'analytique prédictive pilotés par l'IA. AWS la décrit comme un domaine de l'analytique prédictive qui cherche à prévoir la demande des clients.

Illustration Velista Prévoir les ventes de la semaine suivante d'un article en promotion pour ajuster approvisionnement et prix.

Sources IBM, What is demand forecasting? ; AWS, Demand Forecasting (livre blanc)

Voir aussi dans le lexique : Repricing

Dans les outils : Optimiseur de démarque, Bilan de promotion

Selon Google, texte saisi en entrée d'un LLM pour le conditionner à se comporter d'une certaine façon. Un prompt peut être court ou très long ; Google distingue les catégories question, instruction, exemple, rôle et entrée partielle à compléter. L'ingénierie de prompt est l'art de créer des prompts qui obtiennent les réponses souhaitées ; elle dépend notamment du jeu de pré-entraînement, de la température et d'autres paramètres de décodage. Pour Anthropic, son objet principal est la rédaction de prompts efficaces, en particulier les prompts système.

Sources Google, lexique IA générative ; Anthropic, Effective context engineering

Un prompt zero-shot ne fournit aucun exemple de la réponse souhaitée. Un prompt one-shot en donne un, un prompt few-shot plusieurs (synonyme : apprentissage en contexte). Le few-shot produit généralement de meilleurs résultats que les deux autres, au prix d'un prompt plus long.

Source Google, lexique IA générative

Selon le gouvernement britannique, une donnée de bonne qualité est adaptée à l'usage prévu. Il recommande six dimensions, définies par DAMA UK : exactitude, complétude, unicité, cohérence, actualité et validité.

Illustration Velista Un même article présent sous deux références (unicité) ; un prix concurrent relevé il y a dix jours (actualité).

Sources GOV.UK, Meet the data quality dimensions ; GOV.UK, What is data quality?

Aussi dans le lexique : Qualité de la donnée

Selon Google, technique qui améliore la qualité des sorties d'un LLM en les ancrant dans des sources de connaissance récupérées après l'entraînement du modèle ; le LLM accède à des informations issues de bases de connaissances ou de documents de confiance. Motivations citées : augmenter l'exactitude factuelle, donner accès à des connaissances absentes de l'entraînement, changer les connaissances utilisées, permettre de citer des sources. Dans l'exemple de Google, le backend recherche les données pertinentes, les ajoute à la requête de l'utilisateur, puis demande au LLM de produire une synthèse à partir d'elles. Pour Anthropic, le modèle est augmenté d'une base de connaissances externe ou d'un ensemble de documents passés dans la fenêtre de contexte.

Sources Google, lexique ML (fondamentaux) ; Anthropic, lexique

Un réseau de neurones est un modèle contenant au moins une couche cachée. Un modèle profond (réseau de neurones profond, deep neural network) en contient plus d'une. Certains réseaux peuvent imiter des relations non linéaires extrêmement complexes entre les variables et l'étiquette. Google note que les modèles linéaires sont en général plus faciles à entraîner et plus interprétables que les modèles profonds, lesquels apprennent en revanche des relations complexes entre variables.

Source Google, lexique ML (fondamentaux)

Utilisation des retours d'évaluateurs humains pour améliorer la qualité des réponses d'un modèle. Exemple de Google : demander aux utilisateurs de noter une réponse par un pouce levé ou baissé ; le système ajuste ensuite ses réponses futures. Anthropic indique avoir entraîné Claude avec le RLHF pour en faire un assistant plus utile.

Sources Google, lexique IA générative ; Anthropic, lexique

Selon la documentation d'Anthropic, capacité modulaire qui étend les fonctions de Claude. Chaque skill regroupe des instructions, des métadonnées et, en option, des ressources (scripts, modèles) que Claude utilise automatiquement quand c'est pertinent. Contrairement à un prompt, instruction d'une conversation pour une tâche ponctuelle, un skill se charge à la demande et évite de redonner les mêmes consignes d'une conversation à l'autre. Quand un skill se déclenche, Claude lit son fichier SKILL.md, dont les instructions entrent alors dans la fenêtre de contexte ; les scripts sont exécutés et seul leur résultat entre dans le contexte ; les autres fichiers ne sont lus que si la tâche l'exige.

À noter Le terme et le format décrits ici sont ceux de la documentation Anthropic.

Source Anthropic, Agent Skills

Le surapprentissage consiste à créer un modèle qui colle si étroitement aux données d'entraînement qu'il échoue à prédire correctement sur des données nouvelles. La régularisation et un jeu d'entraînement grand et varié le réduisent. La généralisation est la capacité d'un modèle à prédire correctement sur des données nouvelles jamais vues : elle est l'opposé du surapprentissage. Une courbe de généralisation, qui trace la perte d'entraînement et la perte de validation, signale un surapprentissage quand la seconde devient nettement plus élevée que la première.

Source Google, lexique ML (fondamentaux)

Selon Google, hyperparamètre qui contrôle le degré d'aléa de la sortie d'un modèle : une température élevée donne une sortie plus aléatoire, une basse une sortie moins aléatoire. Le meilleur choix dépend de l'application. Anthropic la décrit de même comme le paramètre qui contrôle l'aléa des prédictions du modèle pendant la génération de texte.

Sources Google, lexique IA générative ; Anthropic, lexique

Selon Anthropic, le texte soumis au modèle (une suite de caractères) est encodé en une suite de tokens que le modèle traite. Des tokens plus grands améliorent l'efficacité au pré-entraînement et à l'inférence ; des tokens plus petits permettent de gérer des mots rares ou jamais vus.

Source Anthropic, lexique

Selon la documentation d'Anthropic, mécanisme qui permet à Claude d'appeler des fonctions que l'on définit ou qu'Anthropic fournit. Claude détermine quand appeler un outil d'après la demande de l'utilisateur et la description de l'outil, puis renvoie un appel structuré que l'application exécute (outils client) ou qu'Anthropic exécute (outils serveur).

Source Anthropic, Tool use with Claude

Selon Google, fait de demander à un modèle d'IA générative de créer un logiciel : les prompts décrivent l'objectif et les fonctions du logiciel, que le modèle traduit en code source. Le code ne correspond pas toujours aux intentions, d'où des itérations. Le terme a été forgé pour désigner une nouvelle sorte de codage où l'on s'abandonne aux « vibes ». Il impliquait à l'origine une approche volontairement lâche, où l'on pouvait ne même pas examiner le code généré ; il en est venu à désigner toute forme de codage généré par IA. Google distingue le « conversational coding » (dialogue itératif avec le modèle, sens d'origine du terme) du « specificational coding » (écrire et maintenir un fichier de description du logiciel en langue humaine, que le modèle ou un ingénieur transforme en logiciel).

Source Google, lexique IA générative

Selon la documentation d'AWS, service qui permet de provisionner une section logiquement isolée du cloud AWS, dans laquelle on lance des ressources au sein d'un réseau virtuel que l'on définit.

Source AWS, Virtual Private Cloud

Selon Anthropic, un workflow est un système où des LLM et des outils sont orchestrés par des chemins de code prédéfinis, alors que dans un agent le LLM dirige dynamiquement son propre processus et son usage des outils. Les workflows offrent prévisibilité et cohérence pour des tâches bien définies ; les agents conviennent quand la flexibilité et la décision pilotée par le modèle sont nécessaires à grande échelle. Anthropic recommande de chercher la solution la plus simple et de n'ajouter de la complexité que si c'est nécessaire, ce qui peut vouloir dire ne pas construire de système agentique. Google définit l'agentic workflow comme un processus dynamique où un agent planifie et exécute de façon autonome des actions pour atteindre un but, avec éventuellement raisonnement, appel d'outils externes et auto-correction.

Sources Anthropic, Building effective agents ; Google, lexique IA générative