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.
L'IA agentique fait référence à des systèmes d'IA avancés qui vont au-delà de la simple réponse à des 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, en prenant des décisions autonomes tout en interagissant avec différentes plateformes et systèmes pour effectuer des tâches complexes.
Dans le contexte industriel, l'IA agentique implique le déploiement de systèmes d'IA capables de surveiller, d'analyser et de contrôler indépendamment divers aspects des opérations industrielles, tels que la maintenance prédictive, le contrôle qualité, la gestion des stocks ou l'optimisation des processus de production.
L'intelligence artificielle (IA) fait référence à un logiciel capable 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 ne pouvaient auparavant être résolues que par l'intelligence naturelle. Il existe plusieurs types de méthodes d'IA, qui diffèrent considérablement en termes de domaines d'application, de potentiel et de risques qui leur sont associés. Les principes de base de l'IA ont été développés au 20e siècle. Étant donné que toutes les méthodes d'IA nécessitent de grandes quantités de données d'entraînement, la technologie gagne aujourd'hui en pertinence critique grâce à la numérisation et aux mégadonnées.
Technologie qui permet de superposer des informations numériques à des environnements et à 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 sensoriels numériques.
systèmes qui peuvent fonctionner sans intervention humaine, tels que les voitures autonomes et les drones.
Les véhicules qui peuvent fonctionner sans intervention humaine, tels que les voitures et les camions autonomes.
Préjugés ou favoritisme involontaires qui peuvent survenir dans les systèmes d'IA en raison de données d'entraînement ou d'algorithmes biaisés.
ensembles de données volumineux et complexes, souvent générés par des capteurs (industriels), mais également par des entreprises, des organisations et des personnes. Comme ces données sont souvent non structurées, incomplètes ou incorrectes, les logiciels non basés sur 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 communications textuelles ou vocales.
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 de visuels, tels que des images et des vidéos, afin de les comprendre et de les interpréter.
Stratégies, mesures et outils pour aider à protéger les informations numériques contre les attaques externes. L'IA peut être utilisée pour détecter et prévenir les cyberattaques, ainsi que pour identifier et répondre aux failles de sécurité.
Processus d'analyse et d'interprétation des données pour découvrir des informations 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 plusieurs couches pour permettre aux machines d'apprendre à partir de données.
Modèle mathématique qui décrit le comportement d'un objet ou d'un processus physique. 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 venaient à être 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.
L'Edge Computing est un type d'architecture de système qui, contrairement au cloud computing, rapproche l'informatique et le stockage des données des sources de données (la « périphérie »). Il permet de réduire les temps de réponse et la quantité d'énergie requise pour le transfert de données. Les systèmes Edge AI peuvent être implémentés physiquement à proximité du périphérique d'exécution réel. Ces appareils peuvent exécuter des applications d'IA sans être connectés au cloud.
Une IA conçue pour interagir avec le monde physique et s'y retrouver, souvent à l'aide de robots ou de véhicules autonomes.
L'étude et l'application de principes moraux dans le développement et l'utilisation de l'IA, y compris des questions telles que les préjugés, la confidentialité et la responsabilité.
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 dans le domaine de l'apprentissage automatique dans laquelle plusieurs appareils distincts entraînent un modèle d'apprentissage automatique avec leur propre ensemble de données (distinct). Seuls les résultats finaux sont partagés avec l'acteur principal du réseau.
IA conçue pour générer de nouveaux contenus, tels que des images, des vidéos et de la musique, en combinant le contenu existant et en apprenant à partir de celui-ci.
Capacité d'une application, par exemple un logiciel de CAO, à générer de manière autonome un certain nombre d'alternatives de conception 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 secteurs qui constituent l'épine dorsale de nos économies, à savoir l'industrie, les infrastructures, la mobilité et les soins de santé.
Industrial Foundation Models (iFM) sont pré-entraînés 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 standardisé, permettant 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 jouent le rôle de couche de renseignement derrière les copilotes industriels et facilitent le transfert de connaissances et la collaboration entre les secteurs. Ils prennent en charge non seulement le texte, les images et le son, mais également les modèles 3D, les dessins 2D et d'autres structures complexes telles que les données chronologiques spécifiques à un secteur (voir également les LLM multimodaux).
IA de niveau industriel indique un niveau de qualité ; fiable, sécurisé et digne de confiance, conçu pour répondre aux exigences et 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 avancées dans la fabrication et l'industrie.
Réseau de dispositifs techniques intégrés à des capteurs, à des logiciels et à une connectivité permettant l'échange de données. L'IoT est l'un des principaux moteurs de la numérisation et du big data.
Base de données qui représente les connaissances sous la forme d'un graphique de nœuds et d'arêtes interconnectés, utilisée pour des applications d'IA telles que la PNL et la recherche.
Type de modèle de langage basé sur l'IA qui est entraîné sur d'énormes quantités de données, tel que GPT-3, pour générer un texte semblable à celui d'un humain.
Sous-ensemble de l'IA qui implique l'utilisation d'algorithmes et de modèles statistiques pour permettre aux machines d'apprendre à partir de l'expérience ou des données.
Sous-ensemble de l'IA qui permet aux machines équipées de caméras d'extraire des informations visuelles pour comprendre et interpréter leur environnement.
LLM multimodaux peuvent comprendre et traiter simultanément plusieurs types de données, tels que du texte, des images, du son ou des données de capteurs. Ils sont intégrés à des applications telles que la vision par ordinateur, les véhicules autonomes et la robotique. Ils améliorent la reconnaissance des objets, la compréhension des scènes et permettent aux machines de suivre des instructions complexes. Les LLM multimodaux peuvent avoir un impact sur le traitement et la génération de données spécifiques à un secteur, telles que des séries chronologiques, des modèles 2D et 3D ou des données pour la vision industrielle, de la même manière que les LLM classiques ont eu un impact sur le traitement du texte et de la parole.
Sous-ensemble de l'IA qui se concentre sur l'interaction entre les ordinateurs et le langage humain.
Interface qui permet aux humains d'interagir avec les ordinateurs en utilisant des gestes naturels, la parole et d'autres formes d'expression.
Type d'algorithme d'apprentissage automatique calqué sur la structure du cerveau humain et utilisé pour reconnaître des modèles dans les données.
Procédé d'analyse des variations de tension et de courant de bâtiments ou de machines comprenant plusieurs sous-appareils afin de déduire la contribution individuelle de chaque appareil dans le système.
IA physique fait référence à l'intégration de l'intelligence artificielle dans des machines, telles que des robots, capables de détecter leur environnement et d'agir en son sein. 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.
L'IA basée sur la physique, également connue sous le nom d'IA consciente de la physique, fait référence à une nouvelle classe de méthodes d'intelligence artificielle qui intègrent les lois de la physique directement dans le processus d'entraînement. Contrairement aux approches d'IA classiques qui s'appuient largement sur de grands ensembles de données pour apprendre le comportement, l'IA basée sur 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 s'appuie sur l'analyse statistique et l'apprentissage automatique pour identifier des modèles dans les données opérationnelles historiques et en temps réel des machines et des équipements, ce qui lui permet de prédire les comportements futurs, de détecter les anomalies, de prévoir les défaillances potentielles et de recommander des actions de maintenance. Il est utilisé pour améliorer l'état et la fiabilité des actifs, réduire les temps d'arrêt imprévus et accélérer la prise de décisions basée sur les données dans les opérations industrielles.
L'utilisation de l'IA et de modèles statistiques pour prédire des événements ou des tendances futurs sur la base de données historiques.
L'utilisation de l'IA pour prévoir quand les machines auront besoin d'entretien ou de réparation, sur la base de données en temps réel.
L'utilisation de l'IA pour détecter les défauts et garantir que les produits répondent aux normes de qualité.
Type d'apprentissage automatique dans lequel des agents non formés apprennent une stratégie grâce aux pénalités et aux récompenses du système après avoir effectué des actions.
Des applications d'IA qui répondent à des normes éthiques et morales définies.
Branche de l'ingénierie et de l'IA qui se concentre sur la conception, la construction et le fonctionnement de robots.
L'utilisation de l'IA pour analyser et interpréter les émotions et les opinions exprimées sous forme de texte ou de discours.
Un réseau électrique qui utilise l'IA et d'autres technologies avancées pour optimiser la production, la distribution et la consommation d'électricité.
Le matériel spécialisé, tel que les appareils de périphérie dotés d'unités de traitement graphique (GPU) ou d'unités de traitement du langage (LPU), constitue une tendance émergente en matière d'IA industrielle. Ces appareils fournissent une puissance de calcul de haute performance à la périphérie, permettant le traitement en temps réel des algorithmes d'IA. Leur intégration permet un traitement parallèle et des performances accélérées, ce qui se traduit par une exécution plus rapide de tâches d'IA complexes. Ce traitement local réduit la latence et la dépendance à l'égard des ressources du cloud, ce qui le rend crucial pour les applications sensibles au facteur temps. Le matériel spécialisé prend également en charge les modèles d'IA avancés, ce qui permet de mieux comprendre et d'améliorer les performances. De plus, il réduit les coûts en minimisant le besoin d'une infrastructure cloud étendue et de transfert de données.
La capacité des machines à reconnaître et à interpréter la parole humaine.
Méthode d'apprentissage dans laquelle les modèles d'apprentissage automatique sont entraînés 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 afin de réduire les coûts et d'améliorer l'efficacité. L'IA est souvent utilisée pour l'automatisation des processus, la détection des inefficacités, l'assurance qualité des biens et la prévision de la demande.
données artificielles générées par des algorithmes plutôt que par des événements du monde réel qui sont utilisées pour entraîner et valider des modèles d'apprentissage automatique. La qualité des données synthétiques est essentielle. Il détermine si l'IA produira des résultats acceptables après l'entraînement.
Méthode d'apprentissage dans laquelle les modèles d'apprentissage automatique découvrent des modèles et des regroupements dans des données qui étaient auparavant inconnues (non étiquetées).
La réalité virtuelle (VR) présente un environnement rendu numériquement qui peut reproduire un espace réel, créer une réalité alternative ou combiner les deux. L'utilisateur peut explorer l'espace virtuel depuis son domicile, son bureau ou son usine.
