Le domaine de l'IA englobe un large éventail de disciplines et de technologies. Ce glossaire des termes clés les plus importants peut vous aider à élargir votre compréhension et à approfondir ce monde fascinant.
IA agentique fait référence aux systèmes d'IA avancés qui vont au-delà de la simple réponse aux commandes ; ils génèrent du contenu, exécutent des tâches de manière autonome et atteignent des objectifs. Ces systèmes combinent des capacités de raisonnement, des fonctions de mémoire et des boucles de rétroaction pour planifier et exécuter des actions de manière indépendante, en utilisant souvent divers outils numériques et en adaptant leur approche par l'apprentissage. Contrairement à l'IA traditionnelle, l'IA agentique peut fonctionner à la fois de manière indépendante et en collaboration avec d'autres agents d'IA, prenant des décisions autonomes tout en s'interfacant avec différentes plateformes et systèmes pour effectuer des tâches complexes.
Dans le contexte industriel, l'IA Agentic consiste à déployer des systèmes d'IA capables de surveiller, d'analyser et de contrôler de manière indépendante divers aspects des opérations industrielles, tels que la maintenance prédictive, le contrôle de la qualité, la gestion des stocks ou l'optimisation des processus de production.
L'intelligence artificielle (IA) désigne les logiciels qui ont la capacité d'apprendre et de s'adapter. L'IA peut résoudre des tâches qui l'obligent à interpréter la signification des données d'entrée et à s'adapter aux exigences. En règle générale, il s'agit de tâches qui, auparavant, ne pouvaient être résolues que par l'intelligence naturelle. Il existe plusieurs types de méthodes d'IA, qui diffèrent considérablement en ce qui concerne leurs champs d'application, leur potentiel et les risques qui y sont associés. Les principes de base de l'IA ont été élaborés au 20e siècle. Étant donné que toutes les méthodes d'IA nécessitent de grandes quantités de données de formation, la technologie acquiert maintenant une pertinence critique accrue grâce à la numérisation et aux mégadonnées.
Une technologie qui permet de superposition de l'information numérique sur des environnements et des objets du monde réel, généralement à l'aide de la réalité virtuelle 3D immersive. La réalité augmentée permet une version améliorée du monde physique en ajoutant des éléments visuels, sonores et autres éléments sensoriels numériques.
Systèmes qui peuvent fonctionner sans intervention humaine, comme les voitures autonomes et les drones.
les véhicules qui peuvent fonctionner sans intervention humaine, comme les voitures et les camions autonomes.
Préjugés ou favoritisme involontaires pouvant survenir dans les systèmes d'IA en raison de données ou d'algorithmes d'entraînement biaisés.
Ensembles de données volumineux et complexes, souvent générés par des capteurs (industriels), mais aussi par des entreprises, des organisations et des personnes. Comme ces données sont souvent non structurées, incomplètes ou incorrectes, les logiciels non alimentés par l'IA ne peuvent généralement pas les traiter de manière significative.
Un programme alimenté par l'IA qui peut interagir avec les humains par le biais de la communication textuelle ou vocale.
Type d'IA qui vise à reproduire les processus cognitifs humains, tels que la perception, le raisonnement et la prise de décision.
Sous-ensemble de l'IA qui permet aux ordinateurs d'extraire des informations à partir d'éléments visuels, tels que des images et des vidéos, pour les comprendre et les interpréter.
Stratégies, mesures et outils pour aider à protéger l'information numérique contre les attaquants externes. L'IA peut être utilisée pour détecter et prévenir les cyberattaques, ainsi que pour identifier les atteintes à la sécurité et y répondre.
Processus d'analyse et d'interprétation des données pour découvrir des idées et prendre des décisions éclairées.
Systèmes informatiques conçus pour aider les humains à prendre des décisions en fournissant des informations et des analyses pertinentes.
Sous-ensemble de l'apprentissage automatique qui implique l'utilisation de réseaux neuronaux à couches multiples pour permettre aux machines d'apprendre à partir des données.
Modèle mathématique qui décrit le comportement d'un objet physique ou d'un processus. Dans un environnement de simulation, un jumeau numérique peut être utilisé pour simuler ce qui se passerait dans le monde réel si les paramètres du système étaient modifiés. Les jumeaux numériques peuvent être utilisés tout au long du cycle de vie du produit, y compris les phases de conception, de fabrication, d'exploitation et de service. Les représentations visuelles des jumeaux numériques ressemblent et se comportent comme leurs homologues physiques, reflétant le monde réel et s'adaptant en temps réel à ce qui s'y passe.
informatique de pointe est un type d'architecture système qui, contrairement à l'informatique en nuage, rapproche l'informatique et le stockage des données des sources de données (la « périphérie »). Il contribue à réduire les temps de réponse et la quantité d'énergie nécessaire au transfert de données. Les systèmes Edge AI peuvent être mis en œuvre physiquement à proximité du dispositif d'exécution réel. Ces appareils peuvent exécuter des applications d'IA sans être connectés au nuage.
L'IA est conçue pour interagir avec le monde physique et naviguer dans le monde physique, souvent à l'aide de robots ou de véhicules autonomes.
Étude et application des principes moraux dans le développement et l'utilisation de l'IA, y compris des questions telles que les préjugés, la protection de la vie privée et la responsabilisation.
IA conçue pour être transparente et explicable, permettant aux humains de comprendre comment et pourquoi une machine a pris une décision particulière.
Il s'agit d'une méthode d'apprentissage automatique dans le cadre de laquelle plusieurs dispositifs distincts entraînent un modèle d'apprentissage automatique avec leur propre ensemble de données (distinct). Seuls les résultats finaux sont communiqués à l'acteur principal du réseau.
IA qui est conçue pour générer de nouveaux contenus, tels que des images, des vidéos et de la musique, en combinant du contenu existant et en apprenant à partir de ces contenus.
Capacité d'une application, p. ex. un logiciel de CAO, de générer de manière autonome un certain nombre de solutions de rechange en fonction d'un ensemble de contraintes. Utilise des techniques telles que l'IA, l'optimisation et la simulation.
IA industrielle fait référence à l'application de l'IA dans les industries qui constituent l'épine dorsale de nos économies — l'industrie, l'infrastructure, la mobilité et les soins de santé.
modèles de base industrielle (IFM) sont préformés sur des données spécifiques à l'industrie afin de comprendre en profondeur le « langage » de l'ingénierie, de l'automatisation et de la fabrication, et de permettre un déploiement plus rapide et plus précis des solutions d'IA. Ils fournissent un point de départ normalisé, ce qui permet d'économiser du temps, des ressources et de l'énergie grâce à des économies d'échelle. Les IFM sont conçus pour relever les défis industriels du monde réel. Ils agissent en tant que couche de renseignement derrière les copilots industriels et facilitent le transfert des connaissances et la collaboration entre les secteurs. Ils prennent en charge non seulement le texte, les images et le son, mais aussi les modèles 3D, les dessins 2D et d'autres structures complexes telles que les données de séries chronologiques propres à l'industrie (voir aussi LLM multimodaux).
IA de qualité industrielle désigne un niveau de qualité ; fiable, sécurisé et digne de confiance, conçu pour répondre aux exigences et aux normes rigoureuses des environnements professionnels les plus exigeants.
Terme utilisé pour décrire la quatrième révolution industrielle, qui implique l'intégration de l'IA, de l'IoT et d'autres technologies de pointe dans la fabrication et l'industrie.
Le réseau d'appareils techniques intégrés avec des capteurs, des logiciels et une connectivité pour permettre l'échange de données. L'IoT est l'un des principaux moteurs de la numérisation et des mégadonnées.
Base de données qui représente les connaissances sous forme de graphique de nœuds et de bords interconnectés, utilisée pour les applications d'IA telles que la PNL et la recherche.
Type de modèle de langage d'IA formé sur des quantités massives de données, comme le GPT-3, pour générer du texte de type humain.
Sous-ensemble de l'IA qui implique l'utilisation d'algorithmes et de modèles statistiques pour permettre aux machines d'apprendre de l'expérience ou des données.
Sous-ensemble de l'IA qui permet aux machines avec des caméras attachées d'extraire des informations visuelles pour comprendre et interpréter leur environnement.
Les LLM multimodaux peuvent comprendre et traiter simultanément plusieurs types de données, telles que des textes, des images, des données audio ou des données de capteurs. Ils sont intégrés à des applications comme la vision par ordinateur, les véhicules autonomes et la robotique. Ils améliorent la reconnaissance des objets, la compréhension de la scène et permettent aux machines de suivre des instructions complexes. Les LLM multimodales peuvent avoir une incidence sur le traitement et la génération de données propres à l'industrie - comme les séries chronologiques, les modèles 2D et 3D ou les données pour la vision industrielle - de la même manière que les LLM classiques ont eu un impact sur le traitement de texte et de la parole.
Sous-ensemble de l'IA qui met l'accent sur l'interaction entre les ordinateurs et le langage humain.
Une interface qui permet aux humains d'interagir avec les ordinateurs à l'aide de gestes naturels, de la parole et d'autres formes d'expression.
Un type d'algorithme d'apprentissage automatique qui est modélisé d'après la structure du cerveau humain et qui est utilisé pour reconnaître les tendances dans les données.
Processus d'analyse des changements de tension et de courant de bâtiments ou de machines qui comprennent plusieurs sous-dispositifs afin de déduire la contribution individuelle de chaque dispositif dans le système.
IA physique fait référence à l'intégration de l'intelligence artificielle dans des machines — comme les robots — qui peuvent détecter leur environnement et agir à l'intérieur de celui-ci. Inspirée du cycle sensorimoteur humain, l'IA physique traite les entrées sensorielles (telles que les caméras 3D ou les capteurs tactiles), génère des commandes de contrôle à partir de celles-ci et permet aux machines d'effectuer des tâches complexes de manière adaptative et autonome dans des environnements physiques 3D.
IA informée par la physique, également connue sous le nom d'IA sensible à la physique, fait référence à une nouvelle classe de méthodes d'intelligence artificielle qui intègrent les lois de la physique directement dans le processus de formation. Contrairement aux approches conventionnelles de l'IA qui reposent fortement sur de grands ensembles de données pour apprendre le comportement, l'IA informée par la physique intègre des contraintes basées sur la physique pour guider l'apprentissage. Cela permet aux systèmes d'IA de raisonner et de faire des prédictions même lorsque les données du monde réel sont limitées, en tirant parti de nos connaissances existantes sur le fonctionnement du monde physique. Au lieu d'apprendre uniquement à partir d'exemples, ces modèles utilisent leurs connaissances en physique pour orienter l'apprentissage vers des solutions plus optimales et physiquement cohérentes.
IA prédictive tire parti de l'analyse statistique et de l'apprentissage automatique pour identifier les modèles dans les données opérationnelles historiques et en temps réel provenant de machines et d'équipements, ce qui lui permet de prédire les comportements futurs, de détecter les anomalies, de prévoir les pannes potentielles et de recommander des actions de maintenance. Il est utilisé pour améliorer la santé et la fiabilité des actifs, réduire les temps d'arrêt imprévus et favoriser une prise de décision plus rapide basée sur les données dans toutes les opérations industrielles.
L'utilisation de l'IA et de modèles statistiques pour prédire les événements ou tendances futurs à partir de données historiques.
L'utilisation de l'IA pour prédire quand les machines auront besoin d'entretien ou de réparation, en se basant sur des données en temps réel.
L'utilisation de l'IA pour détecter les défauts et s'assurer que les produits respectent les normes de qualité.
Type d'apprentissage automatique où des agents non formés apprennent une stratégie par le biais de pénalités et de récompenses du système après avoir effectué des actions.
Applications d'IA qui répondent à des normes éthiques et morales définies.
La branche de l'ingénierie et de l'IA qui se concentre sur la conception, la construction et l'exploitation de robots.
L'utilisation de l'IA pour analyser et interpréter les émotions et les opinions exprimées dans le texte ou la parole.
Un réseau électrique qui utilise l'IA et d'autres technologies de pointe pour optimiser la production, la distribution et la consommation d'électricité.
Le matériel spécialisé, comme les unités de traitement graphique (GPU) ou les périphériques de périphérie compatibles avec les unités de traitement du langage (LPU), est une tendance émergente de l'IA industrielle. Ces appareils fournissent une puissance de calcul haute performance à la périphérie, permettant le traitement en temps réel des algorithmes d'IA. Leur intégration permet un traitement parallèle et une performance accélérée, ce qui se traduit par une exécution plus rapide des tâches complexes d'IA. Ce traitement local réduit la latence et la dépendance aux ressources infonuagiques, ce qui le rend crucial pour les applications urgentes. Le matériel spécialisé prend également en charge les modèles avancés d'IA, ce qui permet d'améliorer les connaissances et les performances. De plus, il réduit les coûts en minimisant le besoin d'une infrastructure infonuagique étendue et de transfert de données.
La capacité des machines de reconnaître et d'interpréter la parole humaine.
Méthode d'apprentissage par laquelle les modèles d'apprentissage automatique sont formés à l'aide d'ensembles de données étiquetés (connus) pour prédire un résultat.
Optimisation des flux de marchandises et de matériaux dans une chaîne d'approvisionnement pour réduire les coûts et améliorer l'efficacité. L'IA est souvent utilisée pour l'automatisation des processus, la détection de l'inefficacité, l'assurance de la qualité des marchandises et la prévision de la demande.
Données artificielles générées par des algorithmes plutôt que par des événements du monde réel qui sont utilisées pour former et valider des modèles d'apprentissage automatique. La qualité des données synthétiques est essentielle. Il détermine si l'IA produira des résultats acceptables après la formation.
Méthode d'apprentissage par laquelle les modèles d'apprentissage automatique découvrent des modèles et des regroupements dans des données qui étaient auparavant inconnues (non étiquetées).
La réalité virtuelle (RV) présente un environnement rendu numérique qui peut reproduire un espace réel, créer une réalité alternative ou combiner les deux. L'utilisateur peut explorer l'espace virtuel depuis les limites de la maison, du bureau ou de l'usine.
