Glossaire terminologique
Image
| Agile | Approche de la gestion et du développement de projets qui met l'accent sur la souplesse, les progrès itératifs et la collaboration. |
| Algorithme | Ensemble de règles ou d'instructions données à un système d'IA pour l'aider à apprendre, à prendre des décisions et à résoudre des problèmes. |
| API (interface de programmation d'application) | Ensemble de règles et de protocoles permettant à différentes applications logicielles de communiquer entre elles. |
| Apprentissage automatique | Sous-ensemble de l'IA permettant aux systèmes d'apprendre et de s'améliorer à partir de l'expérience sans programmation explicite. |
| Architecture de données | Structure globale des actifs de données et des ressources de gestion des données d'une organisation. |
| Automatisation robotisée des processus | Technologie qui automatise les tâches répétitives grâce à des robots logiciels. |
| Base de données | Collection organisée d'informations ou de données structurées. |
| Biais d’affinité | Lorsqu'une personne préfère les gens qui lui ressemblent en termes d'idéologie, d'attitudes, d'apparence ou de religion. |
| Biais d’amplification | Lorsque plusieurs systèmes d'IA, chacun avec ses propres biais, interagissent et renforcent mutuellement leurs biais. |
| Biais d’automatisation | Lorsque les conclusions tirées des algorithmes sont plus valorisées que les analyses humaines. |
| Biais d’échantillonnage | Lorsque les données ne sont pas sélectionnées au hasard, ce qui produit un échantillon non représentatif de la population. |
| Biais de boucle de rétroaction | Lorsque la sortie d'un système d'IA influe sur les entrées futures, renforçant potentiellement les biais existants. |
| Biais de couverture | Forme de biais d'échantillonnage qui se produit lorsqu'une population sélectionnée ne correspond pas à la population prévue. |
| Biais de déploiement | Lorsqu'un système qui fonctionne correctement en environnement de test donne de mauvais résultats lorsqu'il est déployé dans le monde réel. |
| Biais de données | Type d'erreur dans lequel certains éléments d'un ensemble de données sont plus fortement pondérés ou représentés que d'autres. |
| Biais de participation | Forme de biais d'échantillonnage qui se produit lorsque certains groupes choisissent de ne pas participer à la collecte des données. |
| Biais de proxy | Lorsque des variables utilisées comme proxies pour des attributs protégés introduisent un biais dans le modèle. |
| Biais linguistique | Lorsqu'un algorithme d'IA favorise certains styles linguistiques, vocabulaires ou références culturelles par rapport à d'autres. |
| Biais temporel | Lorsque les données d’entraînement deviennent obsolètes et ne représentent plus les réalités du moment. |
| Scénario d’utilisation | Situation spécifique dans lequel un système ou une application d'IA peut être utilisé(e). |
| Code source ouvert | Logiciel dont le code source est librement disponible pour que chacun puisse le contrôler, le modifier et l'améliorer. |
| Conception d’invites | Pratique consistant à concevoir et optimiser les données d'entrée des systèmes d'IA afin de générer les résultats souhaités. |
| Confidentialité | Principe selon lequel les systèmes d'IA doivent respecter et protéger les données et informations personnelles. |
| Déploiement | Processus de mise à disposition d'un système ou d'une application d'IA. |
| Données d’entraînement | Ensemble des données initiales permettant d’apprendre à un système d'IA à remplir la fonction pour laquelle il a été conçu. |
| Droits de propriété intellectuelle | Droits protégeant l'investissement des titulaires de droits sur le contenu original, notamment les droits d'auteur et les droits accessoires. |
| Ensemble de données | Collection de points de données ou d'informations liés servant à entraîner les systèmes d'IA. |
| Explicabilité | Capacité des êtres humains à comprendre les décisions, recommandations ou prédictions faites par un système d'IA et à faire confiance à celles-ci. |
| Exploration des données | Processus de découverte de schémas et de relations dans de gros ensembles de données. |
| Gestionnaire de données | Personne responsable de la gestion et de la supervision des données d'une organisation. |
| Gouvernance de l’IA | Cadre de politiques, structures et processus créé pour tirer au maximum profit des atouts de l'IA tout en réduisant ses risques. |
| Gouvernance des données | Cadre des politiques, processus et normes qui garantissent une gestion efficace des données. |
| GPP d’IA (gestion de portefeuille de projets d'IA) | Gestion centralisée des initiatives d'IA d'une organisation en vue d'atteindre des objectifs stratégiques en optimisant l'attribution des ressources, en compensant les risques et en optimisant la valeur. |
| Hypertrucage | Support synthétique dans lequel l'image d'une personne est remplacée par celle d'une autre grâce à l'IA. |
| IA fantôme | Utilisation non supervisée ou non autorisée d'outils d'IA au sein d'une organisation, en dehors de son cadre informatique et de cybersécurité. |
| IA générative | Systèmes d'IA capables de créer de nouveaux contenus (textes, images, codes, etc.) sur la base de schémas appris à partir de données d'entraînement. |
| Indicateur de performance clé | Valeurs mesurables démontrant l'efficacité avec laquelle une organisation atteint ses objectifs clés. |
| Informatique fantôme | Utilisation de systèmes, d'appareils, de logiciels ou de services informatiques sans l'accord explicite de l'organisation. |
| Infrastructure | Matériels, logiciels, réseaux et installations permettant l’activité informatique d'une organisation. |
| L’humain intervient dans le processus | Approche dans laquelle un humain intervient dans toutes les décisions prises par le système d'IA. |
| L’humain reste aux commandes | Approche globale de la supervision prenant en compte les impacts économiques, sociaux, juridiques et éthiques généraux des systèmes d'IA. |
| L’humain supervise le processus | Approche dans laquelle les humains surveillent les opérations du système d'IA et peuvent intervenir si nécessaire. |
| LLM (grand modèle de langage) | Modèles d'IA entraînés sur de grandes quantités de données textuelles, capables de comprendre et de générer des textes semblables à ceux d'un être humain. |
| Maîtrise de l’IA | Capacité de comprendre et d'évaluer de manière critique les technologies de l'IA, et d'interagir efficacement avec ces dernières, notamment en connaissant les capacités, les limites et l’impact potentiel de l'IA. |
| Maîtrise des données | Capacité à lire, comprendre, créer et communiquer des données en tant qu'informations, notamment la compréhension de la collecte, de l'analyse, de l'interprétation et de la présentation des données. |
| Migration des données | Processus de déplacement des données d'un système ou d'un type de stockage à un autre. |
| Nettoyage des données | Processus de détection et de correction des erreurs, des incohérences et des inexactitudes dans les ensembles de données. |
| Partie prenante | Toute personne, groupe ou organisation qui a un intérêt dans un projet d'IA ou qui est concerné par celui-ci. |
| Principes éthiques | Lignes directrices garantissant que les systèmes d'IA respectent la confidentialité, la transparence, la redevabilité, l'équité et l'autonomie humaine tout en promouvant le bien-être de la société. |
| Projet pilote | Étude préliminaire à petite échelle pour évaluer la faisabilité, le coût et les problèmes potentiels. |
| Redevabilité | Principe permettant d’attribuer clairement des responsabilités pour toutes les décisions et actions survenant pendant le cycle de vie d'un système d'IA, de sa planification à sa mise hors service. |
| Réseau de neurones | Système informatique inspiré du fonctionnement du cerveau humain, conçu pour reconnaître des motifs. |
| Robustesse | Capacité des systèmes d'IA à fonctionner de manière fiable et à résister à des conditions défavorables ou à des attaques. |
| Stockage sur le cloud | Pratique consistant à stocker des données et des applications sur des serveurs distants accessibles sur Internet, plutôt que sur des ordinateurs locaux. |
| SVG (graphique vectoriel adaptable) | Format convivial d'image vectorielle pour le web pouvant être mise à l'échelle sans perte de qualité. |
| Traçabilité | Capacité de suivre et de contrôler le cycle de vie complet d'un système d'IA. |
| Traitement automatique des langues (TAL) | Capacité des ordinateurs à comprendre, interpréter et produire du langage humain. |
| Transparence | Communication d'informations appropriées sur les systèmes d'IA dans un format compréhensible et accessible. |
| Visualisation des données | Représentation graphique de données et d'informations à l'aide de tableaux, de diagrammes et d'autres éléments visuels. |
| XAI (IA explicable) | Systèmes d'IA conçus pour être interprétables et compréhensibles par l'Homme.
|
Contenu Connexe
À propos des Lignes directrices | Rôle de l'IA au sein des parlements | Présentation des applications d'IA | Coopération interparlementaire pour l'IA | Actions stratégiques pour la gouvernance de l'IA | Risques et difficultés pour les parlements | Risques et biais génériques | Principes éthiques | Gestion des risques | Adéquation par rapport aux normes et cadres nationaux et internationaux en matière d'IA | Gestion du portefeuille de projets | Gouvernance des données | Développement de systèmes | Gestion de la sécurité | Formation à la maîtrise des données et à la maîtrise l'IA | Glossaire terminologique