Lexique de l'Intelligence Artificielle

Test de Turing (1950) : Test proposé par Alan Turing pour déterminer si une machine peut reproduire un comportement intelligent humain.

Intelligence Artificielle (1956) : Simulation de l'intelligence humaine par des machines pour résoudre des problèmes, apprendre et prendre des décisions.

Conférence de Dartmouth (1956) : Rencontre fondatrice où le terme "intelligence artificielle" a été introduit, marquant le début officiel de la recherche en IA.

AGI (Artificial General Intelligence) : IA hypothétique capable de réaliser toutes les tâches intellectuelles humaines avec une flexibilité comparable à celle des humains.

Systèmes Experts (1970) : Programmes informatiques basés sur des règles d'expertise, conçus pour résoudre des problèmes complexes dans des domaines spécifiques.

Machine Learning (1959) : Sous-branche de l'IA permettant aux machines d'apprendre à partir de données pour effectuer des prédictions ou des décisions.

Deep Learning (1986) : Sous-branche du machine learning utilisant des réseaux de neurones profonds pour analyser des données complexes.

Deep Blue (1997): IA d'IBM ayant battu le champion d'échecs Garry Kasparov.

Watson (2011) : IA d'IBM ayant battu des champions humains dans le jeu télévisé Jeopardy!

Algorithme : un algorithme est une série d'instructions ou d'étapes logiques conçues pour résoudre un problème ou effectuer une tâche de manière systématique.

Apprentissage Supervisé : Technique d'apprentissage où les modèles sont entraînés à partir de données étiquetées (avec des entrées et sorties connues).

Apprentissage Non Supervisé : Technique où les modèles analysent des données non étiquetées pour identifier des schémas ou des regroupements.

Apprentissage Semi-Supervisé : Méthode combinant des données étiquetées et non étiquetées pour améliorer l'apprentissage du modèle.

Forêts Aléatoires (2001) : Algorithme d'apprentissage supervisé utilisant un ensemble d'arbres de décision pour réaliser des prédictions robustes.

Transfer Learning : Technique où un modèle pré-entraîné sur une tâche est réutilisé ou adapté pour une autre tâche connexe.

Fine-Tuning : Ajustement spécifique d'un modèle pré-entraîné pour l'adapter à une tâche précise.

Overfitting : Situation où un modèle est trop complexe, apprenant les détails et le bruit des données d'entraînement au lieu de généraliser.

Underfitting : Situation où un modèle est trop simple et n'arrive pas à capturer les tendances des données, entraînant une faible précision.

Appropriate Fitting : État où un modèle capture correctement les tendances des données sans surapprentissage ni sous-apprentissage.

Biais : Erreurs systématiques dans les données ou les modèles conduisant à des prédictions biaisées.

Réseaux de Neurones (1943) : Modèles mathématiques inspirés des neurones biologiques, capables de reconnaître des schémas complexes.

Descente du Gradient (1847) : Algorithme d'optimisation qui ajuste les paramètres d'un modèle pour réduire l'erreur.

Rétropropagation (1986) : Algorithme permettant de calculer les gradients dans les réseaux de neurones.

Réseaux de Neurones Convolutifs (1989) : Réseaux conçus pour le traitement des images et la reconnaissance de motifs visuels.

Mixture of Experts (1990) : Architecture où des sous-modèles spécialisés (experts) sont activés selon les tâches à réaliser.

Réseaux de Neurones Récurrents (2014) : Réseaux adaptés aux données séquentielles comme le texte et les séries temporelles.

Attention (2014) : Mécanisme qui permet aux modèles de se concentrer sur des parties spécifiques des données d'entrée.

Transformer (2017) : Architecture révolutionnaire utilisée notamment pour le traitement du langage naturel grâce au mécanisme d'attention.

NLP (Natural Language Processing) : Techniques pour permettre aux machines de comprendre et générer le langage humain.

Computer Vision : Domaine de l’IA dédié à l’analyse et à la compréhension des images et des vidéos, permettant aux machines de percevoir et interpréter le monde visuel.

Speech Recognition : Technologie permettant aux machines de convertir la parole humaine en texte écrit, utilisée notamment dans les assistants vocaux.

Recommander System : Systèmes permettant de personnaliser les suggestions de produits, films, musiques ou contenus basés sur les préférences des utilisateurs.

Generative AI : IA capable de créer du contenu original comme des textes, images ou musiques.

Modèles de Langage à Grande Échelle (LLM) : Modèles AI comme GPT, conçus pour traiter et générer du texte sur de grandes bases de données.

AI Agent : Système autonome qui perçoit son environnement, prend des décisions et agit pour atteindre ses objectifs.