Ces textes sont rédigés par une IA et ne sont pas encore relus.
- Intelligence artificielle (IA)
Ensemble de techniques qui permettent à un programme d'accomplir des tâches associées à l'intelligence humaine : comprendre un texte, reconnaître une image, planifier, résoudre un problème. Le mot recouvre des systèmes très différents, des filtres anti-spam aux assistants conversationnels.
Exemple : Un assistant qui répond à une question écrite et un logiciel qui repère une tumeur sur une radiographie relèvent tous deux de l'IA.
Voir aussi : Apprentissage automatique, Modèle de langage
- Apprentissage automatique
Méthode où l'on ne programme pas des règles à la main : on laisse un programme déduire ses règles à partir d'exemples. Plus il voit d'exemples variés, mieux il généralise à des cas nouveaux, dans certaines limites.
Exemple : Pour reconnaître des chats, on montre au programme beaucoup de photos étiquetées plutôt que de lui décrire ce qu'est une moustache.
Voir aussi : Réseau de neurones, Entraînement, Jeu de données
- Réseau de neurones
Famille de modèles faite de nombreuses petites unités de calcul reliées en couches. Chaque lien porte un nombre, ajusté pendant l'entraînement. Le nom est une image : le fonctionnement n'est pas celui d'un cerveau.
Exemple : Un réseau qui lit les pixels d'une photo les fait passer couche après couche jusqu'à une réponse du type « chat » ou « chien ».
Voir aussi : Paramètre, Transformer, Apprentissage automatique
- Modèle de langage
Réseau de neurones entraîné sur de très grandes quantités de texte pour prédire la suite d'un texte. De cette tâche simple naissent des capacités utiles : répondre, résumer, traduire, écrire du code. Il peut aussi se tromper avec aplomb.
Exemple : Quand vous tapez le début d'une phrase et que l'assistant la complète, un modèle de langage choisit les mots un à un.
Voir aussi : Transformer, Modèle de fondation, Hallucination
- Modèle de fondation
Grand modèle entraîné une fois sur des données très larges, puis adapté à de nombreux usages. On le prend comme base, plutôt que de repartir de zéro pour chaque tâche.
Exemple : Un même modèle de base peut être ajusté pour un assistant d'écriture, un outil d'aide au code ou un système de recherche scientifique.
Voir aussi : Modèle de langage, Multimodal, Entraînement
- Transformer
Architecture de réseau de neurones qui permet au modèle de peser l'importance de chaque morceau du texte par rapport aux autres. C'est la base de la plupart des modèles de langage actuels.
Exemple : Dans « la balle a rebondi sur la table, puis elle est tombée », le modèle relie « elle » à « la balle » grâce à ce mécanisme d'attention.
Voir aussi : Réseau de neurones, Modèle de langage
- Entraînement
Phase où le modèle ajuste ses paramètres en voyant des exemples, pour réduire ses erreurs. Elle demande beaucoup de données et de calcul. Une fois finie, le modèle est figé et peut être utilisé.
Exemple : Le modèle prédit un mot, on compare avec le vrai mot, on corrige un peu les paramètres, et on recommence très souvent.
Voir aussi : Inférence, Paramètre, Jeu de données
- Inférence
Moment où un modèle déjà entraîné est utilisé pour produire une réponse à une demande. Les paramètres ne changent plus. C'est ce qui se passe chaque fois que vous posez une question à un assistant.
Exemple : Envoyer une photo à une application qui la décrit déclenche une inférence. Le modèle n'est pas ré-entraîné.
Voir aussi : Entraînement, Paramètre
- Paramètre
Nombre interne d'un modèle, ajusté pendant l'entraînement. L'ensemble des paramètres contient ce que le modèle a appris. Les grands modèles en ont un très grand nombre, mais ce nombre seul ne dit pas si un modèle est bon.
Exemple : On peut voir les paramètres comme les molettes d'une très grande console de mixage, réglées par l'entraînement.
Voir aussi : Entraînement, Poids ouverts, Réseau de neurones
- Jeu de données
Collection d'exemples (textes, images, mesures, problèmes) utilisée pour entraîner ou évaluer un modèle. Sa composition compte : un modèle reflète en partie ce qu'il a vu, y compris les biais et les erreurs.
Exemple : Une collection de radiographies annotées par des médecins sert de jeu de données pour apprendre à détecter une anomalie.
Voir aussi : Entraînement, Benchmark
- Benchmark
Épreuve standardisée pour comparer des modèles sur les mêmes questions. Utile, mais limité : un bon score ne prouve pas qu'un modèle réussira ailleurs, et les questions peuvent avoir fuité dans les données d'entraînement.
Exemple : Un ensemble de conjectures dont on connaît le statut permet de mesurer combien un système en résout.
Voir aussi : Jeu de données, Record
- Agent
Système d'IA qui ne se contente pas de répondre : il enchaîne des actions pour atteindre un but, en utilisant des outils (recherche, code, fichiers) et en tenant compte des résultats. Plus il agit seul, plus le contrôle humain compte.
Exemple : Un agent de recherche lit des articles, lance un calcul, corrige son erreur, puis rédige un compte rendu.
Voir aussi : Raisonnement, Modèle de langage
- Raisonnement
Capacité à enchaîner des étapes logiques pour résoudre un problème. Certains modèles produisent d'abord des étapes intermédiaires avant de répondre. Que ces étapes reflètent un vrai raisonnement reste débattu.
Exemple : Pour un problème d'olympiade, un système peut tester plusieurs pistes et vérifier chacune avant de proposer une solution.
Voir aussi : Agent, Preuve, Hallucination
- Hallucination
Réponse d'un modèle qui paraît sûre et bien écrite mais qui est fausse ou inventée : une source qui n'existe pas, une preuve qui comporte un trou. Le ton ne renseigne pas sur l'exactitude.
Exemple : Un modèle cite un article avec un titre plausible et des auteurs réels, mais l'article n'existe pas.
Voir aussi : Modèle de langage, Vérification formelle, Revendication
- Poids ouverts
Se dit d'un modèle dont les paramètres (les « poids ») sont publiés : n'importe qui peut les télécharger et les faire tourner. Ce n'est pas toujours du logiciel libre : le code d'entraînement, les données et la licence peuvent rester fermés.
Exemple : Un laboratoire publie les poids d'un modèle : un chercheur peut l'examiner et le faire fonctionner sur son propre matériel.
Voir aussi : Paramètre, Modèle de fondation
- Multimodal
Se dit d'un modèle qui traite plusieurs sortes de données à la fois : texte, image, son, vidéo. Il peut par exemple répondre à une question sur une photo.
Exemple : Vous envoyez la photo d'un graphique et vous demandez ce qu'il montre : le modèle lit l'image et répond par écrit.
Voir aussi : Modèle de fondation, Robotique et modèle VLA
- Robotique et modèle VLA
Un modèle VLA (vision, langage, action) relie ce qu'un robot voit et une consigne écrite à une action à exécuter. L'idée est de commander un robot en langage courant. Les démonstrations en laboratoire ne garantissent pas la fiabilité dans le monde réel.
Exemple : On dit à un bras robotisé « range la tasse sur l'étagère » : le modèle regarde la scène et choisit les mouvements.
Voir aussi : Multimodal, Agent
- Apprentissage par renforcement
Méthode où un système apprend par essais et erreurs : il tente des actions, reçoit une récompense quand le résultat est bon, et ajuste sa stratégie. Elle marche bien quand on peut vérifier automatiquement le résultat, comme dans un jeu ou une preuve contrôlée par machine.
Exemple : Un système de preuve formelle reçoit un signal positif quand l'assistant de preuve accepte sa démonstration.
Voir aussi : Raisonnement, Lean (assistant de preuve)
- Préprint
Article scientifique mis en ligne avant toute relecture par des pairs, sur une plateforme comme arXiv. Il permet de diffuser vite, mais personne n'a encore contrôlé son contenu officiellement.
Exemple : Un laboratoire annonce un résultat par un préprint ; la communauté le lit, le critique, et un éditeur le soumettra peut-être à relecture.
Voir aussi : Relecture par les pairs, Revue scientifique
- Relecture par les pairs
Examen d'un article par des experts du domaine, indépendants des auteurs, avant ou pendant sa publication. Elle écarte beaucoup d'erreurs mais pas toutes : un article relu peut contenir une faute.
Exemple : Des spécialistes lisent la démonstration, posent des questions aux auteurs et demandent des corrections avant d'accepter l'article.
Voir aussi : Revue scientifique, Préprint, Tiers indépendant
- Revue scientifique
Publication périodique qui sélectionne des articles de recherche après relecture par des pairs. Toutes les revues n'ont pas la même exigence : le nom de la revue compte, et la date aussi.
Exemple : Un résultat publié dans une revue à comité de lecture a passé un contrôle qu'un simple billet de blog n'a pas passé.
Voir aussi : Relecture par les pairs, Préprint
- Conjecture
Énoncé mathématique que l'on croit vrai, mais que personne n'a encore démontré ni réfuté. Elle peut rester ouverte longtemps. Résoudre une conjecture, c'est la prouver, ou montrer qu'elle est fausse.
Exemple : Une conjecture dit « tous les objets de telle famille ont telle propriété » ; il suffit d'un seul objet sans cette propriété pour la réfuter.
Voir aussi : Preuve, Contre-exemple
- Preuve
Démonstration logique qu'un énoncé mathématique est vrai, étape par étape, à partir de résultats déjà établis. Une preuve doit pouvoir être contrôlée par d'autres. En pratique, les longues preuves peuvent contenir des erreurs difficiles à voir.
Exemple : Une IA peut proposer une preuve ; tant que personne d'indépendant ne l'a contrôlée, c'est une proposition de preuve.
Voir aussi : Conjecture, Vérification formelle, Lean (assistant de preuve)
- Contre-exemple
Cas précis qui montre qu'un énoncé général est faux. Il est souvent plus facile à contrôler qu'une preuve : on vérifie que le cas existe et qu'il échappe à la règle.
Exemple : Pour réfuter « tous les cygnes sont blancs », un seul cygne noir suffit.
Voir aussi : Conjecture, Preuve
- Borne
Limite que l'on sait démontrer pour une quantité : elle ne peut pas être plus grande (borne supérieure) ou plus petite (borne inférieure) qu'une valeur donnée. Améliorer une borne la rapproche de la vraie valeur, sans toujours l'atteindre.
Exemple : Savoir qu'un nombre est au moins égal à une valeur, c'est une borne inférieure ; trouver une valeur plus grande resserre l'encadrement.
Voir aussi : Record, Conjecture
- Record
Meilleure valeur connue pour un problème donné, par exemple la plus grande construction connue ayant une propriété. Battre un record ne résout pas forcément le problème : on a seulement fait mieux que les essais précédents.
Exemple : Un programme trouve une construction plus grande que toutes celles publiées ; reste à contrôler qu'elle respecte bien les règles.
Voir aussi : Borne, Reproduction
- Reproduction
Fait de refaire un résultat par une autre personne ou un autre outil, avec les mêmes données ou le même code, pour voir si l'on obtient la même chose. Un résultat reproduit est plus solide qu'un résultat vu une seule fois.
Exemple : Un tiers relance le code publié d'un calcul et retrouve exactement la valeur annoncée.
Voir aussi : Tiers indépendant, Vérification formelle
- Lean (assistant de preuve)
Logiciel dans lequel on écrit une preuve mathématique sous une forme que la machine peut contrôler pas à pas. Si Lean l'accepte, aucune étape n'est fausse. Il ne dit pas si l'énoncé écrit correspond bien à ce que l'on voulait prouver. Coq et Isabelle jouent un rôle comparable.
Exemple : Une IA peut proposer une preuve en Lean ; le logiciel la rejette si une étape ne tient pas.
Voir aussi : Formalisation, Vérification formelle, Fidélité de l'énoncé
- Formalisation
Traduction d'un énoncé ou d'une preuve mathématique dans un langage qu'une machine peut contrôler. Quand le résultat était déjà connu, c'est une vérification, pas une découverte : DiscoverIA les distingue.
Exemple : Réécrire en Lean un théorème célèbre, démontré il y a longtemps, pour que la machine en valide chaque étape.
Voir aussi : Lean (assistant de preuve), Vérification formelle
- Vérification formelle
Contrôle par une machine, selon des règles logiques fixes, qu'une preuve est correcte. C'est la forme de contrôle la plus stricte des preuves. Elle porte sur l'énoncé tel qu'il est écrit : elle ne remplace pas la lecture de cet énoncé.
Exemple : Un tiers fait tourner une preuve dans Lean de son côté et publie que la machine l'accepte.
Voir aussi : Lean (assistant de preuve), Tiers indépendant, Fidélité de l'énoncé
- Tiers indépendant
Personne ou organisation distincte de celle qui annonce un résultat, sans intérêt à le défendre, qui l'a contrôlé. DiscoverIA exige un tiers nommé pour le statut « vérifié formellement » : la preuve fournie par l'auteur seul ne suffit pas.
Exemple : Un laboratoire annonce une preuve, puis un groupe extérieur la fait vérifier et publie son rapport.
Voir aussi : Vérification formelle, Reproduction, Statut : vérifié formellement
- Fidélité de l'énoncé
Question de savoir si l'énoncé écrit en langage formel dit bien ce que la source annonce. Une preuve acceptée par Lean peut porter sur un énoncé plus faible, ou différent, de celui qu'on croit. DiscoverIA juge ce point à part du statut.
Exemple : Une source annonce un théorème pour tous les nombres ; l'énoncé formel ne le démontre que pour les nombres positifs. La machine est satisfaite, l'annonce est trop large.
Voir aussi : Lean (assistant de preuve), Vérification formelle, Formalisation
- Revendication
Ce qu'une personne ou une organisation affirme avoir obtenu, avant tout contrôle indépendant. DiscoverIA enregistre la revendication, son auteur, sa source et sa date, puis suit ce qui lui arrive : examen, contestation, retrait.
Exemple : Un laboratoire écrit avoir résolu un problème ouvert : c'est une revendication, tant que d'autres n'ont pas examiné la preuve.
Voir aussi : Hallucination, Statut : non évalué, Tiers indépendant
- Statut : vérifié formellement
Un tiers nommé a contrôlé la preuve à la machine (par exemple dans Lean). Un Lean fourni par l'auteur de la revendication, seul, ne suffit pas. Ce statut ne dit rien de la fidélité de l'énoncé, jugée à part.
Exemple : Une formalisation en Lean contrôlée par un groupe extérieur nommé reçoit ce statut ; la même formalisation vue seulement chez son auteur ne le reçoit pas.
Voir aussi : Vérification formelle, Tiers indépendant, Statut : relu par pairs
- Statut : relu par pairs
Le résultat est publié dans une revue ou a été relu par des experts nommés. C'est un contrôle humain solide, mais moins strict qu'une vérification formelle.
Exemple : Un article d'une revue à comité de lecture sur un système d'IA reçoit ce statut une fois la publication constatée.
Voir aussi : Relecture par les pairs, Revue scientifique, Statut : en examen
- Statut : en examen
Un examen public est en cours, sans verdict. Le résultat n'est ni confirmé ni écarté : il faut attendre ou suivre la discussion.
Exemple : Un lot de manuscrits est publié et des mathématiciens commencent à les lire publiquement, sans avoir conclu.
Voir aussi : Statut : contesté, Statut : non évalué
- Statut : contesté
Une objection publique sourcée existe, sans qu'une réfutation soit établie. Le résultat n'est pas déclaré faux : l'objection est signalée et on suit la suite.
Exemple : Un expert publie une critique argumentée d'une preuve annoncée ; les auteurs n'ont pas encore répondu ou l'affaire n'est pas tranchée.
Voir aussi : Statut : retiré, Statut : en examen
- Statut : retiré
Le résultat a été retiré ou abandonné par son auteur, ou classé incorrect par la source de référence. Il reste dans le registre, avec la date et la raison, pour que l'erreur soit visible.
Exemple : Un manuscrit est retiré après la découverte d'une erreur de signe ; la fiche garde la trace du retrait.
Voir aussi : Statut : contesté, Revendication
- Statut : non évalué
Aucune évaluation par un tiers n'a été trouvée. Cela ne veut pas dire que le résultat est faux, ni qu'il est juste : personne n'a, à notre connaissance, publié de contrôle.
Exemple : Un laboratoire publie un résultat sur son propre blog et personne d'autre ne l'a encore examiné : la fiche porte « non évalué ».
Voir aussi : Revendication, Statut : en examen, Tiers indépendant
- Statuts d'un produit ou d'un modèle
Pour un produit ou un modèle, DiscoverIA utilise un autre jeu de statuts : annoncé (rien de montré), démo seulement, disponible, testé par un tiers, abandonné. Les libellés sont provisoires. Ils disent où en est un produit, pas s'il est bon.
Exemple : Un robot présenté dans une vidéo mais pas vendu est « démo seulement » ; quand un tiers nommé publie un essai, il peut devenir « testé par un tiers ».
Voir aussi : Statut : non évalué, Robotique et modèle VLA
- Fiabilité de lecture : PAGE
La page source a été lue en entier et la citation relevée mot pour mot. C'est le niveau de confiance le plus élevé de la lecture : le fait annoncé repose sur le texte lui-même.
Exemple : La fiche cite une phrase d'un article, copiée telle quelle depuis la page consultée à telle date.
Voir aussi : Fiabilité de lecture : PAGE-WF, Fiabilité de lecture : extrait de moteur
- Fiabilité de lecture : PAGE-WF
La page a été lue au travers d'un résumé produit par un modèle. La citation n'a pas été revérifiée mot pour mot sur la page : elle est probable, pas garantie.
Exemple : Un outil a résumé une longue page ; la fiche en retient une citation, signalée comme non revérifiée.
Voir aussi : Fiabilité de lecture : PAGE, Fiabilité de lecture : extrait de moteur
- Fiabilité de lecture : extrait de moteur
L'information n'a été vue que dans l'extrait affiché par un moteur de recherche, sans ouvrir la page. C'est le niveau le plus faible. Un statut qui ne repose que sur un extrait est marqué comme non confirmé.
Exemple : Un moteur affiche deux lignes qui évoquent un retrait ; tant que la page n'est pas lue, la fiche le dit.
Voir aussi : Fiabilité de lecture : PAGE, Fiabilité de lecture : PAGE-WF