🌐Apprentissage fédéré

Entraîner des modèles sur des appareils décentralisés sans partager les données brutes.

🔢Apprentissage à peu d'exemples

Apprendre à partir d'un petit nombre d'exemples étiquetés par classe.

🎛️Affinage

Entraînement supplémentaire d'un modèle préentraîné sur un jeu plus petit et spécifique.

⚔️Réseau antagoniste génératif

Deux réseaux s'opposent : un générateur crée des données, un discriminateur les juge.

🎨IA générative

Des systèmes d'IA capables de créer de nouveaux contenus : texte, images ou audio.

✨Modèle génératif

Un modèle qui apprend à produire de nouvelles données semblables à son jeu d'entraînement.

⛰️Descente de gradient

Un algorithme d'optimisation qui minimise itérativement une fonction de perte.

🕸️Réseau de neurones de graphes

Un réseau de neurones conçu pour des données structurées en graphe.

🎚️Hyperparamètre

Un réglage de configuration qui contrôle le processus d'entraînement d'un modèle.

🧩Segmentation d'image

Découper une image en régions pour identifier objets et frontières.

⚙️Inférence

L'usage d'un modèle entraîné pour faire des prédictions sur de nouvelles données.

🧪Distillation de connaissances

Entraîner un petit modèle à imiter le comportement d'un modèle plus grand.

🕸️Graphe de connaissances

Une représentation structurée d'entités et de leurs relations.

🏷️Étiquette

La valeur cible connue associée à un exemple d'entraînement.

📖Grand modèle de langage

Un modèle à base de transformers, entraîné sur d'immenses corpus de texte.

👻Variable latente

Une variable non observée, déduite des données, qui influence les résultats.

🧠Mémoire à long court terme

Une architecture récurrente qui apprend des dépendances à longue portée.

📏Fonction de perte

Une fonction qui mesure l'écart entre valeurs prédites et valeurs réelles.

📈Apprentissage automatique

Un domaine où les algorithmes s'améliorent automatiquement par l'expérience et les données.

📦Modèle

Une représentation mathématique apprise des données qui fait des prédictions.

🗜️Compression de modèle

Techniques qui réduisent la taille d'un modèle pour un déploiement plus rapide et moins coûteux.

🎭Apprentissage multimodal

Apprendre à partir de plusieurs types de données, comme le texte et l'image, et les intégrer.

🗣️Traitement automatique des langues

Le domaine qui permet aux ordinateurs de comprendre et de produire le langage humain.

🔗Réseau de neurones

Un système de calcul inspiré des neurones biologiques qui apprend à partir des données.

🔲Détection d'objets

Identifier et localiser des objets dans une image ou une vidéo.

🗺️Ontologie

Une spécification formelle des concepts et des relations d'un domaine.

🔎Reconnaissance optique de caractères

Convertir des images de texte en texte lisible par machine.

🎯Surapprentissage

Un modèle apprend trop bien les données d'entraînement et ne généralise pas.

🎯Précision et rappel

Des mesures de l'exactitude et de l'exhaustivité d'un classifieur.

✍️Ingénierie de prompts

La conception d'entrées pour guider un modèle de langage vers les sorties voulues.