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 mieux comprendre 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 feedback 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 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 de manière indépendante 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 les tâches qui l'obligent à interpréter la signification des données saisies et à s'adapter aux exigences. En général, ce sont des tâches qui, auparavant, ne pouvaient être résolues que grâce à 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 y sont associés. Les principes de base de l'IA ont été développés au 20e siècle. Comme 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.
Une technologie qui permet de superposer des informations numériques à des environnements et à des objets du monde réel, généralement grâce à la réalité virtuelle 3D immersive. La réalité augmentée permet d'améliorer le monde physique en y ajoutant des éléments visuels, sonores et sensoriels numériques.
Des systèmes qui peuvent fonctionner sans intervention humaine, tels que les voitures autonomes et les drones.
Des véhicules qui peuvent fonctionner sans intervention humaine, tels que des voitures et des camions autonomes.
Préjugés ou favoritisme involontaires qui peuvent survenir dans les systèmes d'IA en raison de données d'entraînement ou d'algorithmes biaisés.
Des ensembles de données volumineux et complexes, souvent générés par des capteurs (industriels), mais aussi par des entreprises, des organisations et des particuliers. Comme ces données ne sont souvent pas structurées, incomplètes ou incorrectes, les logiciels qui ne sont pas alimentés par l'IA ne peuvent généralement pas les traiter de manière significative.
Un programme basé sur l'IA qui peut interagir avec les humains par texto ou par communication vocale.
Un type d'IA qui vise à reproduire les processus cognitifs humains, tels que la perception, le raisonnement et la prise de décisions.
Un 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 visant à protéger les informations numériques contre les attaques externes. L'IA peut être utilisée pour détecter et prévenir les cyberattaques, ainsi que pour identifier les failles de sécurité et y répondre.
Le processus d'analyse et d'interprétation des données afin de découvrir des informations et de prendre des décisions éclairées.
Des systèmes informatiques conçus pour aider les humains à prendre des décisions en fournissant des informations et des analyses pertinentes.
Un sous-ensemble de l'apprentissage automatique qui implique l'utilisation de réseaux de neurones à plusieurs couches pour permettre aux machines d'apprendre à partir de données.
Un 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 devaient être modifiés. Les jumeaux numériques peuvent être utilisés tout au long du cycle de vie du produit, y compris pendant les phases de conception, de fabrication, d'exploitation et de service. Les représentations visuelles des jumeaux numériques ont l'apparence et le comportement de 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 »). Cela 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 de l'appareil d'exécution. Ces appareils peuvent exécuter des applications d'intelligence artificielle 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 au développement et à l'utilisation de l'IA, y compris des questions telles que les préjugés, la confidentialité et la responsabilité.
Une IA conçue pour être transparente et explicable, afin de permettre aux humains de comprendre comment et pourquoi une machine a pris telle ou telle décision.
C'est une méthode d'apprentissage automatique qui permet à plusieurs appareils d'entraîner un modèle d'apprentissage automatique à partir de leur propre ensemble de données (distinct). Seuls les résultats finaux sont communiqués à l'acteur principal du réseau.
Une IA conçue pour générer de nouveaux contenus, tels que des images, des vidéos et de la musique, en combinant du contenu existant et en tirant des enseignements.
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.
L'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.
Les Industrial Foundation Models (iFM) sont pré-entraînés sur des données spécifiques au secteur afin de mieux comprendre 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, 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 jouent le rôle de couche de renseignement derrière Industrial Copilots 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 en 2D et d'autres structures complexes telles que des données chronologiques spécifiques à un secteur (voir aussi les LLM multimodaux).
L'IA de niveau industriel indique un niveau de qualité. Elle est fiable, sécurisée et digne de confiance, conçue 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 le secteur manufacturier et industriel.
Le réseau d'appareils 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.
Une base de données qui représente les connaissances sous la forme d'un graphique de nœuds et de bords interconnectés, utilisée pour des applications d'IA telles que la PNL et la recherche.
Un type de modèle de langage basé sur l'IA qui est entraîné à partir d'énormes quantités de données, comme le GPT-3, pour générer du texte semblable à un humain.
Un sous-ensemble de l'IA qui utilise des algorithmes et des modèles statistiques pour permettre aux machines d'apprendre à partir de leurs expériences ou de données.
Un sous-ensemble de l'IA qui permet aux machines équipées de caméras d'extraire des informations visuelles afin de comprendre et d'interpréter leur environnement.
Les 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.
Un sous-ensemble de l'IA qui se concentre sur l'interaction entre les ordinateurs et le langage humain.
Une interface qui permet aux humains d'interagir avec les ordinateurs en utilisant des gestes naturels, la parole et d'autres formes d'expression.
Un type d'algorithme d'apprentissage automatique inspiré de la structure du cerveau humain et utilisé pour reconnaître des modèles dans les données.
Un processus pour analyser les variations de tension et de courant des bâtiments ou des machines qui comprennent plusieurs sous-appareils afin de déduire la contribution individuelle de chaque appareil au système.
L'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 à partir de celles-ci et permet aux machines d'effectuer des tâches complexes de manière adaptative et autonome dans des environnements physiques en 3D.
L'IA basée sur la physique, également connue sous le nom d'IA sensible à la physique, fait référence à une nouvelle catégorie de méthodes d'intelligence artificielle qui intègrent les lois de la physique directement au processus d'entraînement. Contrairement aux approches d'IA classiques qui s'appuient largement sur de grands ensembles de données pour apprendre les comportements, l'IA basée sur la physique intègre des contraintes physiques pour orienter 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 de s'appuyer uniquement sur des exemples, ces modèles utilisent leurs connaissances en physique pour orienter l'apprentissage vers des solutions plus optimales et plus cohérentes sur le plan physique.
L'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 pannes potentielles et de recommander des mesures 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 le cadre des opérations industrielles.
L'utilisation de l'IA et de modèles statistiques pour prédire les événements ou les tendances futurs sur la base de données historiques.
L'utilisation de l'IA pour prédire 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 s'assurer que les produits répondent aux normes de qualité.
Un type de machine learning dans lequel des agents non entraînés 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.
La branche de l'ingénierie et de l'IA qui se concentre sur la conception, la construction et le fonctionnement des robots.
L'utilisation de l'IA pour analyser et interpréter les émotions et les opinions exprimées dans les textes ou les 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 pointe dotés d'unités de traitement graphique (GPU) ou d'unités de traitement du langage (LPU), est une tendance émergente en matière d'IA industrielle. Ces appareils fournissent une puissance de calcul ultraperformante 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 permet d'exécuter plus rapidement des 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 urgentes. Le matériel spécialisé prend également en charge des modèles d'IA avancés, ce qui permet de mieux comprendre et d'améliorer les performances. De plus, cela réduit les coûts en minimisant la nécessité d'une infrastructure cloud et d'un transfert de données étendus.
La capacité des machines à reconnaître et à interpréter la parole humaine.
Une méthode d'apprentissage dans laquelle les modèles d'apprentissage automatique sont entraînés à partir d'ensembles de données étiquetés (connus) afin de 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 produits et la prévision de la demande.
Des 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. Cela détermine si l'IA produira des résultats acceptables après l'entraînement.
Une méthode d'apprentissage qui permet aux modèles d'apprentissage automatique de découvrir des modèles et des regroupements dans des données inconnues auparavant (non étiquetées).
La réalité virtuelle (VR) propose 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.
