TechCrunch dévoile un glossaire IA complet

L'intelligence artificielle est un domaine complexe et en constante évolution. Les scientifiques qui plongent dans ce domaine utilisent souvent une terminologie spécialisée, ce qui peut rendre difficile pour le reste d'entre nous de suivre. C'est pourquoi nous avons créé ce glossaire - pour vous aider à comprendre les termes et phrases clés que nous utilisons dans notre couverture de l'industrie de l'IA. Nous tiendrons cette liste à jour à mesure que de nouveaux termes et concepts émergeront, reflétant les dernières avancées et risques potentiels dans la recherche sur l'IA.

Agent AI Un agent AI est un outil qui exploite les technologies AI pour gérer une gamme de tâches pour vous - en déplaçant au-delà de ce qu'un simple chatbot AI peut faire. Pensez à des choses comme le dépôt de vos dépenses, la réservation de voyages ou des réservations de restaurants, ou même la gestion et l'écriture de code. Cependant, le terme "agent d'IA" peut varier en signification en fonction de qui vous demandez. L'infrastructure pour réaliser pleinement leur potentiel est toujours en cours de développement, mais l'idée de base est un système autonome qui peut puiser dans plusieurs systèmes d'IA pour exécuter des tâches en plusieurs étapes.

Chaîne de pensée face à une question simple comme "Quel animal est plus grand, une girafe ou un chat?", Votre cerveau peut généralement y répondre sans trop d'effort. Mais pour des problèmes plus délicats - comme comprendre combien de poulets et de vaches qu'un agriculteur a quand vous savez qu'ils ont 40 têtes et 120 jambes - vous pourriez avoir besoin de noter certaines équations (dans ce cas, 20 poulets et 20 vaches).

Dans l'IA, le raisonnement de la chaîne de pensées consiste à décomposer un problème en étapes intermédiaires plus petites pour améliorer la précision du résultat final. Cela peut prendre plus de temps, mais il est particulièrement utile dans les scénarios logiques ou codants. Ces modèles de raisonnement sont construits sur des modèles traditionnels de grande langue et affinés pour les processus de la chaîne de pensées grâce à l'apprentissage du renforcement.

(Voir: Modèle de grande langue)

L'apprentissage en profondeur en profondeur est un type d'apprentissage automatique qui utilise une structure de réseau neuronal artificiel multicouche (ANN). Cette configuration permet des corrélations plus complexes que des méthodes d'apprentissage automatique plus simples comme les modèles linéaires ou les arbres de décision. La conception des algorithmes d'apprentissage en profondeur s'inspire des voies neuronales du cerveau humain.

Les modèles d'apprentissage en profondeur peuvent identifier eux-mêmes des fonctionnalités clés dans les données, sans avoir besoin que les humains les définissent. Ils apprennent également de leurs erreurs, s'améliorant au fil du temps par la répétition et les ajustements. Cependant, ils nécessitent beaucoup de données - des millions de points - pour bien performer, et ils prennent plus de temps à s'entraîner que des modèles plus simples, ce qui peut augmenter les coûts de développement.

(Voir: réseau neuronal)

Le réglage fin du réglage implique une formation ultérieure d'un modèle d'IA pour augmenter ses performances pour une tâche ou une zone spécifique, en utilisant de nouvelles données spécialisées. De nombreuses startups d'IA commencent par des modèles de langues importants, puis les affinent pour mieux servir une industrie ou une tâche particulière, en utilisant leurs propres connaissances spécifiques au domaine.

(Voir: Modèle de grande langue [LLM])

Modèles de grande langue (LLM) Modèles de grande langue, ou LLMS, Power Popular IA Assistants comme Chatgpt, Claude, Google's Gemini, Meta's Ai Llama, Microsoft Copilot et Le Chat de Mistral. Lorsque vous discutez avec ces assistants, vous interagissez avec un LLM qui traite votre demande, utilisant souvent des outils comme la navigation Web ou les interprètes de code.

Les assistants AI et les LLM peuvent porter des noms différents. Par exemple, GPT est le modèle grand langage d'Openai, tandis que Chatgpt est le produit assistant AI construit sur celui-ci.

Les LLM sont des réseaux de neurones profonds avec des milliards de paramètres (ou de poids) qui apprennent comment les mots et les phrases sont liés les uns aux autres, créant une carte multidimensionnelle du langage. Ils sont formés sur de grandes quantités de texte de livres, d'articles et de transcriptions. Lorsque vous donnez une invite à un LLM, il génère une réponse basée sur le modèle le plus probable, prédisant le mot suivant en fonction de ce qui a précédé.

(Voir: réseau neuronal)

Réseau neuronal Un réseau neuronal est la structure algorithmique multicouche qui forme l'épine dorsale de l'apprentissage en profondeur et la surtension des outils d'IA génératifs, en particulier après l'entrée en jeu des modèles de grands langues.

Le concept d'imitation des voies interconnectées du cerveau humain pour le traitement des données remonte aux années 40. Cependant, c'est la montée des unités de traitement graphique (GPU), grâce à l'industrie du jeu vidéo, qui a vraiment donné vie à cette idée. Ces puces ont permis des algorithmes de formation avec de nombreuses autres couches, améliorant considérablement les performances dans des domaines tels que la reconnaissance vocale, la navigation autonome et la découverte de médicaments.

(Voir: Modèle de grande langue [LLM])

Poids Les poids sont cruciaux dans l'entraînement en IA car ils déterminent la quantité d'importance (ou le poids) accordé aux différentes caractéristiques des données d'entraînement, en façonnant la sortie du modèle d'IA. Essentiellement, les poids sont des paramètres numériques qui mettent en évidence ce qui est le plus pertinent dans un ensemble de données pour la tâche à accomplir. Ils fonctionnent en multipliant les entrées.

L'entraînement commence généralement par des poids attribués au hasard, qui s'ajustent ensuite au fil du temps alors que le modèle essaie de produire des sorties qui correspondent plus étroitement à la cible. Par exemple, un modèle d'IA prédisant les prix des logements peut attribuer des poids à des facteurs tels que le nombre de chambres et de salles de bains, que ce soit une propriété détachée ou semi-détachée, et qu'il dispose d'un parking ou d'un garage. Ces poids reflètent dans quelle mesure chaque facteur influence la valeur d'une propriété, en fonction des données utilisées.