Start here
Read this as one nested system. Start with AI as the umbrella, narrow into Machine Learning, narrow again into Deep Learning, and end at Foundation Models as the reusable engines behind modern generative products.
AI is the umbrella field. Everything below sits inside it.
Machine Learning is a child of AI. It learns patterns from data instead of relying only on fixed rules.
Deep Learning is a child of Machine Learning. It uses many neural-network layers to learn complex features.
Foundation Models are a modern child of Deep Learning. They become reusable engines for many downstream tasks.
Core mechanism
Neural Networks are the architecture that make Deep Learning possible.
Why it matters
Deep Learning describes the method. Neural Networks explain the architecture underneath it: neurons, layers, weights, activation, and backpropagation.
What foundation models can handle
How machines learn
Chapitre 1
Commencez par l'IA comme cadre global, puis descendez vers les couches enfant qui rendent les systèmes modernes possibles.
À la fin de ce chapitre
Vous devez comprendre la relation imbriquée entre IA, Machine Learning, Deep Learning, réseaux de neurones et modèles de fondation.
Des machines de Turing aux modèles Transformer.
Sa place dans la pile
Vue d'ensemble de l'IA
Question clé
What do people actually mean when they say AI?
Pourquoi c'est important
Most confusion starts when teams use AI to mean the whole field, one technique, and one product at the same time. The guide has to fix that first.
Parcours d'apprentissage
This is the starting point. Treat AI as the umbrella before you zoom into any child layer.
Ce que cela débloque ensuite
Once the umbrella is clear, the next question is how a machine improves from data instead of fixed rules. That is Machine Learning.
Vue d'ensemble
Langage commun pour 2026
L'Intelligence Artificielle est la vaste discipline de la création de machines intelligentes. C'est le terme générique qui englobe tout, des simples systèmes basés sur des règles aux complexes Grands Modèles de Langage d'aujourd'hui.
Carte du concept
4 blocs théoriques
Théorie
Pour comprendre l'IA, visualisez des cercles concentriques. Le cercle le plus extérieur est l'Intelligence Artificielle — la grande vision. À l'intérieur se trouve l'Apprentissage Automatique (Machine Learning) — la technique d'apprentissage à partir de données. À l'intérieur se trouve l'Apprentissage Profond (Deep Learning) — utilisant des réseaux de neurones. Et à la pointe, nous trouvons l'IA Générative — des modèles qui créent.
Théorie
Nous classons la capacité de l'IA en trois étapes :
Théorie
C'est la convergence de trois facteurs :
Théorie
Exemple
À retenir
AI is the broad field. Everything else in this guide is a more specific layer inside it.
Question fréquente
Les estimations varient énormément de quelques années à quelques décennies. Les progrès rapides des LLM ont accéléré ces délais, mais des obstacles importants subsistent dans le raisonnement et la compréhension du monde physique.
Concepts liés
Ensuite dans le parcours
Machine LearningDes ordinateurs qui apprennent des données et s'améliorent par l'expérience.
Sa place dans la pile
Vue d'ensemble de l'IA -> Machine Learning
Question clé
How does a machine get better without being reprogrammed for every case?
Pourquoi c'est important
Machine Learning is where AI stops being only hand-written rules and starts learning patterns from examples.
Parcours d'apprentissage
AI gave you the umbrella term. Machine Learning is the first practical child inside that umbrella.
Ce que cela débloque ensuite
After ML, the next step is to understand the approach that became dominant for complex data like text, images, and audio: Deep Learning.
Vue d'ensemble
Langage commun pour 2026
Le Machine Learning est un sous-ensemble de l'intelligence artificielle (IA) dans lequel les ordinateurs apprennent à partir des données et s'améliorent par l'expérience, sans programmation explicite. Les algorithmes sont entraînés à trouver des patterns et des corrélations dans de grands ensembles de données pour prendre les meilleures décisions et émettre des prévisions.
Carte du concept
5 blocs théoriques
Théorie
Le Machine Learning, ainsi que l'apprentissage profond et les réseaux de neurones, sont des sous-ensembles concentriques de l'IA. L'IA traite les données pour prendre des décisions. Le Machine Learning permet à l'IA d'apprendre de ces données. L'intelligence artificielle est la mère, le Machine Learning est le premier sous-ensemble, suivi du Deep Learning et des réseaux de neurones.
Théorie
Les réseaux de neurones artificiels imitent le cerveau biologique, avec des nœuds (neurones) regroupés en couches fonctionnant en parallèle.
Le Deep Learning (apprentissage profond) inclut de nombreuses couches de ces réseaux et traite d'énormes volumes de données. Il extrait des informations de plus en plus détaillées : reconnaître une plante, puis une fleur, puis une marguerite jaune.
Théorie
Théorie
Théorie
Biais et fausses corrélations : Les modèles peuvent apprendre des erreurs ou voir des liens là où il n'y en a pas (ex: margarine et divorce). Si les données sont biaisées, les résultats le seront aussi.
La Boîte Noire : Les algorithmes complexes sont parfois impossibles à interpréter par les humains. On ne sait pas toujours pourquoi une décision a été prise.
Exemple
À retenir
Machine Learning is the learning engine inside AI, powered by data rather than explicit instructions for every outcome.
Question fréquente
Le Machine Learning est un sous-ensemble de l'IA. L'IA est le cerveau global, tandis que le ML permet au système d'apprendre et de s'améliorer à partir des données sans programmation supplémentaire.
Concepts liés
Ensuite dans le parcours
Deep LearningLibérer la puissance des données de haute dimension.
Sa place dans la pile
Vue d'ensemble de l'IA -> Machine Learning -> Deep Learning
Question clé
Why did modern AI become dramatically more capable?
Pourquoi c'est important
Deep Learning explains the performance leap that unlocked language, vision, speech, and the current generative wave.
Parcours d'apprentissage
Machine Learning taught the machine to learn from data. Deep Learning shows what happens when that learning is scaled with many layers.
Ce que cela débloque ensuite
To understand why deep systems work, you need to see the architecture underneath them: Neural Networks.
Vue d'ensemble
Langage commun pour 2026
Le Deep Learning est un sous-ensemble spécialisé de l'apprentissage automatique inspiré par la structure du cerveau humain. Il utilise des réseaux de neurones multicouches pour apprendre à partir de vastes quantités de données non structurées comme des images, de l'audio et du texte.
Carte du concept
4 blocs théoriques
Théorie
Le "Deep" (profond) dans Deep Learning fait référence au nombre de couches dans le réseau de neurones. Les réseaux de neurones traditionnels peuvent avoir 2 ou 3 couches. Les modèles de Deep Learning peuvent en avoir des centaines ou des milliers. Cette profondeur permet au modèle d'apprendre une hiérarchie de caractéristiques — des simples bords et textures aux formes et objets complexes.
Théorie
Dans le ML traditionnel, les humains devaient sélectionner manuellement les caractéristiques (par exemple, "cette image a-t-elle des oreilles ?"). Dans le Deep Learning, le réseau effectue une extraction automatique de caractéristiques. Il apprend quelles caractéristiques sont importantes directement à partir des pixels bruts ou du texte.
Théorie
Le Deep Learning est la technologie derrière les voitures autonomes, les assistants vocaux, la reconnaissance faciale et le récent boom de l'IA générative. Il prospère sur l'échelle — plus de données et plus de calcul conduisent généralement à de meilleures performances.
Théorie
Exemple
Le Deep Learning est la technologie derrière les voitures autonomes, les assistants vocaux, la reconnaissance faciale et le récent boom de l'IA générative. Il prospère sur l'échelle — plus de données et plus de calcul conduisent généralement à de meilleures performances.
À retenir
Deep Learning is scaled Machine Learning built on many layers, which makes it strong on high-dimensional and unstructured data.
Question fréquente
Le Deep Learning est essentiellement l'utilisation de réseaux de neurones *profonds*. Donc tout Deep Learning implique des réseaux de neurones, mais tous les réseaux de neurones ne sont pas 'profonds' (bien que dans le contexte moderne, les termes soient souvent utilisés de manière interchangeable).
Concepts liés
Ensuite dans le parcours
Réseaux de NeuronesL'architecture mathématique de l'esprit.
Sa place dans la pile
Vue d'ensemble de l'IA -> Machine Learning -> Deep Learning -> Réseaux de Neurones
Question clé
What is the actual mechanism doing the learning inside Deep Learning?
Pourquoi c'est important
Without neural networks, Deep Learning stays abstract. This lesson makes the architecture visible.
Parcours d'apprentissage
Deep Learning described the method. Neural Networks explain the machinery that makes that method work.
Ce que cela débloque ensuite
Once the mechanism is clear, the next step is to see how these architectures became reusable, general-purpose engines: Foundation Models.
Vue d'ensemble
Langage commun pour 2026
Les Réseaux de Neurones Artificiels (ANN) sont des systèmes informatiques vaguement inspirés par les réseaux de neurones biologiques qui constituent les cerveaux animaux. Ils sont les éléments fondamentaux du Deep Learning.
Carte du concept
3 blocs théoriques
Théorie
Un neurone prend plusieurs entrées, les multiplie par des poids (importance), ajoute un biais (seuil), et passe le résultat à travers une fonction d'activation (non-linéarité). Si le signal est assez fort, le neurone "s'active" et transmet l'information à la couche suivante.
Théorie
Théorie
Ils apprennent par un processus appelé Rétropropagation. Le réseau fait une estimation, la compare à la réponse réelle pour calculer la perte (erreur), puis travaille en arrière pour ajuster les poids afin de minimiser cette erreur. Cela est répété des millions de fois.
Exemple
C'est une fonction mathématique (comme ReLU ou Sigmoïde) attachée à chaque neurone qui décide s'il doit être activé. Elle introduit la non-linéarité, permettant au réseau d'apprendre des motifs complexes.
À retenir
Neural Networks are the mathematical structure that powers Deep Learning and makes modern model scaling possible.
Question fréquente
Les réseaux de neurones peuvent être si complexes que même leurs créateurs ne comprennent pas entièrement comment ils arrivent à une décision spécifique. Ce manque d'interprétabilité est un défi majeur dans des domaines à enjeux élevés comme la médecine.
Concepts liés
Ensuite dans le parcours
Modèles de FondationUn modèle, des applications infinies.
Sa place dans la pile
Vue d'ensemble de l'IA -> Machine Learning -> Deep Learning -> Modèles de Fondation
Question clé
Why do a few large models now power so many different tasks?
Pourquoi c'est important
Foundation Models are the bridge between technical architectures and the products people actually use today.
Parcours d'apprentissage
Neural Networks gave you the structure. Foundation Models show what that structure becomes at internet scale.
Ce que cela débloque ensuite
Once you understand foundation models, it becomes much easier to explain Generative AI as an application layer on top of them.
Vue d'ensemble
Langage commun pour 2026
Un Modèle de Fondation est un modèle d'IA à grande échelle entraîné sur une vaste quantité de données (souvent à l'échelle d'Internet) qui peut être adapté à un large éventail de tâches en aval. Ils représentent un changement de paradigme, passant de modèles spécifiques à une tâche à des moteurs polyvalents.
Carte du concept
4 blocs théoriques
Théorie
Il doit être largement capable. Contrairement aux modèles précédents conçus pour une tâche (par exemple, l'analyse de sentiment), un modèle de fondation peut écrire de la poésie, déboguer du code, traduire des langues et résumer du texte, le tout sans réentraînement spécifique.
Théorie
Les modèles de fondation présentent une émergence — des capacités pour lesquelles ils n'ont pas été explicitement entraînés. Par exemple, un modèle entraîné simplement pour prédire le mot suivant dans une phrase pourrait émerger avec la capacité de traduire des langues, d'écrire du code ou de résoudre des énigmes logiques.
Théorie
Le cycle de vie comprend deux étapes :
Théorie
Les modèles de fondation importants incluent la série GPT (OpenAI), BERT (Google), Claude (Anthropic) et Stable Diffusion (Stability AI).
Exemple
Les modèles de fondation importants incluent la série GPT (OpenAI), BERT (Google), Claude (Anthropic) et Stable Diffusion (Stability AI).
À retenir
Foundation Models are general-purpose engines trained at massive scale and adapted to many downstream uses.
Question fréquente
Les LLM (Grands Modèles de Langage) sont un *type* de modèle de fondation axé sur le texte. Mais les modèles de fondation peuvent aussi être multimodaux, traitant des images, de l'audio et de la vidéo.
Concepts liés
Chapitre 2
Une fois la pile comprise, il devient plus facile de voir comment les systèmes modernes génèrent du contenu et qui structure cette couche.
À la fin de ce chapitre
Vous devez pouvoir expliquer ce qu'est l'IA générative, pourquoi elle dépend des modèles de fondation et comment les principaux acteurs se distinguent.
De l'analyse à la création.
Sa place dans la pile
Vue d'ensemble de l'IA -> Machine Learning -> Deep Learning -> Modèles de Fondation -> IA Générative
Question clé
How does modern AI move from analysis into creation?
Pourquoi c'est important
Generative AI is the part of the market most people encounter first, but it only makes sense once the model stack underneath is clear.
Parcours d'apprentissage
Foundation Models explain the engine. Generative AI explains the visible behavior that engine enables.
Ce que cela débloque ensuite
After understanding generated output, the next practical question is who builds these systems and how their approaches differ.
Vue d'ensemble
Langage commun pour 2026
L'IA Générative fait référence aux algorithmes capables de créer de nouveaux contenus — y compris de l'audio, du code, des images, du texte, des simulations et des vidéos. Contrairement à l'IA traditionnelle qui classe ou prédit, l'IA Générative produit des sorties nouvelles.
Carte du concept
4 blocs théoriques
Théorie
L'IA traditionnelle est Discriminative : Elle trace une ligne pour séparer les données (par exemple, "Est-ce un chat ou un chien ?"). L'IA Générative est Créative : Elle apprend la distribution des données pour créer de nouveaux exemples (par exemple, "Dessine-moi un chat qui n'a jamais existé").
Théorie
Les modèles génératifs, tels que les modèles de diffusion (pour les images) ou les Transformers (pour le texte), apprennent la structure sous-jacente des données d'entraînement. Ils utilisent ensuite la probabilité pour assembler de nouveaux motifs qui suivent ces structures mais ne sont pas des copies identiques.
Théorie
L'IA Générative démocratise la créativité. Elle agit comme un copilote pour les écrivains, artistes, codeurs et designers, leur permettant d'itérer plus rapidement et d'explorer de nouvelles idées. Elle déplace le goulot d'étranglement de la "compétence" à l'"imagination".
Théorie
Exemple
À retenir
Generative AI is the creation layer. It uses modern models to produce new text, images, code, audio, and more.
Question fréquente
C'est une question juridique et éthique complexe. Les modèles apprennent à partir de données existantes, mais ils ne font pas de 'copier-coller'. Ils apprennent des styles et des concepts. Cependant, les droits des créateurs originaux des données d'entraînement font l'objet de débats actifs et de litiges.
Concepts liés
Ensuite dans le parcours
Acteurs LLMLes titans qui façonnent l'avenir de l'intelligence.
Sa place dans la pile
Vue d'ensemble de l'IA -> Machine Learning -> Deep Learning -> Modèles de Fondation -> Acteurs LLM
Question clé
Who is shaping the model layer that everyone builds on?
Pourquoi c'est important
The ecosystem matters because strategy, safety, privacy, deployment, and cost all depend on who provides the model.
Parcours d'apprentissage
Generative AI showed what the systems can do. This lesson explains who is building the core engines and why the market feels fragmented.
Ce que cela débloque ensuite
Once the provider layer is clear, the next step is to see how those models turn into tools for actual work.
Vue d'ensemble
Langage commun pour 2026
Le paysage des Grands Modèles de Langage est dominé par quelques géants technologiques clés et des startups ambitieuses. Comprendre qui ils sont et ce qu'ils offrent est crucial pour naviguer dans l'écosystème de l'IA.
Carte du concept
2 blocs théoriques
Théorie
Théorie
Exemple
À retenir
Model providers are not interchangeable. Each one makes different tradeoffs in openness, performance, integration, and control.
Question fréquente
Cela dépend du cas d'utilisation. GPT-4 est souvent la référence pour le raisonnement. Claude est excellent pour les longs documents et le codage. LLaMA est le meilleur pour le déploiement local. Gemini s'intègre le mieux avec Google Workspace.
Concepts liés
Chapitre 3
Après la couche des modèles vient la question concrète: comment les personnes utilisent l'IA dans le travail et construisent leur intuition.
À la fin de ce chapitre
Vous devez comprendre comment l'IA devient un outil, comment comparer les produits et pourquoi la pratique renforce les concepts.
Augmenter la capacité humaine.
Sa place dans la pile
Vue d'ensemble de l'IA -> Machine Learning -> Deep Learning -> Modèles de Fondation -> IA Générative -> Outils IA
Question clé
How do models become useful products in everyday work?
Pourquoi c'est important
Most learners do not adopt AI at the model layer. They adopt it through tools that wrap models into jobs to be done.
Parcours d'apprentissage
The provider landscape explains the engines. AI tools show how those engines are packaged into user-facing products.
Ce que cela débloque ensuite
After seeing the product categories, the next step is comparison: which tools belong in which workflow.
Vue d'ensemble
Langage commun pour 2026
Les outils d'IA sont des applications qui exploitent l'intelligence artificielle pour résoudre des problèmes spécifiques. Ils sont l'interface pratique entre les modèles complexes et les utilisateurs finaux.
Carte du concept
2 blocs théoriques
Théorie
Théorie
Exemple
À retenir
AI tools are the interface layer between advanced models and real human tasks.
Question fréquente
L'IA est plus susceptible de changer votre travail que de le remplacer. Le consensus est que 'Vous ne serez pas remplacé par l'IA, mais par un humain utilisant l'IA.' Apprendre ces outils est un super-pouvoir de carrière.
Concepts liés
Ensuite dans le parcours
Répertoire d'Outils IAUne collection organisée des meilleures ressources IA.
Sa place dans la pile
Vue d'ensemble de l'IA -> Machine Learning -> Deep Learning -> Modèles de Fondation -> IA Générative -> Outils IA -> Répertoire d'Outils IA
Question clé
How do you evaluate the crowded tool market without getting lost?
Pourquoi c'est important
A directory is useful only if it turns abundance into categories and buying criteria.
Parcours d'apprentissage
AI tools introduced the categories. The directory organizes the landscape so the learner can compare options more quickly.
Ce que cela débloque ensuite
After comparison, the best next move is practice. Concepts stick when the learner can interact with them.
Vue d'ensemble
Langage commun pour 2026
Naviguer dans l'explosion des outils d'IA peut être accablant. Ce répertoire classe les outils les plus fiables et les plus impactants disponibles aujourd'hui.
Carte du concept
3 blocs théoriques
Théorie
Théorie
Théorie
Exemple
À retenir
The right tool choice depends on workflow, privacy, integration, and the model sitting underneath the interface.
Concepts liés
Ensuite dans le parcours
Exercices InteractifsApprendre par la pratique.
Sa place dans la pile
Vue d'ensemble de l'IA -> Machine Learning -> Exercices Interactifs
Question clé
How do abstract AI ideas become intuition instead of memorized jargon?
Pourquoi c'est important
Practice is where the concepts stop sounding impressive and start becoming usable mental models.
Parcours d'apprentissage
The directory helps you compare tools. Interactive exercises help you internalize how the underlying systems behave.
Ce que cela débloque ensuite
After the technical and practical stack, the last move is to reconnect all of this to human judgment.
Vue d'ensemble
Langage commun pour 2026
La théorie est essentielle, mais c'est en forgeant qu'on devient forgeron. Ces simulations interactives et jeux sont conçus pour développer votre intuition sur le fonctionnement réel des systèmes d'IA.
Carte du concept
2 blocs théoriques
Théorie
Les concepts d'IA comme la "Descente de Gradient" ou la "Rétropropagation" peuvent être abstraits et mathématiques. Les visualisations interactives vous permettent de voir les mathématiques en action, construisant une compréhension plus profonde et intuitive.
Théorie
Exemple
À retenir
Interactive learning is the shortest path from theory to intuition.
Concepts liés
Chapitre 4
Terminez en replaçant l'IA dans le contexte humain: intelligence, augmentation et vocabulaire partagé.
À la fin de ce chapitre
Vous devez pouvoir parler de l'IA avec plus de précision, plus de discernement et un langage commun au sein de l'équipe.
QI, QE et IA façonnent notre prise de décision.
Sa place dans la pile
Vue d'ensemble de l'IA -> Intelligence
Question clé
What still belongs to humans in an AI-shaped world?
Pourquoi c'est important
A good guide should not end with tools. It should end with judgment, augmentation, and the boundary between machine capability and human responsibility.
Parcours d'apprentissage
You have now seen the stack, the model layer, and the product layer. This lesson brings the conversation back to people.
Ce que cela débloque ensuite
Once the human role is clear, the final step is to lock in a shared vocabulary so teams can speak precisely.
Vue d'ensemble
Langage commun pour 2026
Comprendre comment l'intelligence humaine, l'intelligence artificielle et l'intelligence augmentée se complètent est essentiel pour naviguer dans l'avenir. L'intelligence n'est pas seulement une puissance de traitement ; c'est la synergie entre la cognition biologique et synthétique.
Carte du concept
3 blocs théoriques
Théorie
Nous pouvons classer l'intelligence en trois formes distinctes qui interagissent dans le monde moderne :
| Caractéristique | Humains | Machines | Intelligence Augmentée |
|---|---|---|---|
| Traitement des données | Comprendre et généraliser des concepts | Traiter et analyser de grands volumes de données | Combiner le contexte avec des informations basées sur les données |
| Répétition | Sujet à la fatigue | Effectuer des tâches répétitives avec une grande précision | Automatiser les tâches tout en préservant la supervision humaine |
| Créativité | Résolution de problèmes flexible | Capacité créative limitée | Améliorer la créativité humaine avec des outils intelligents |
| Perspicacité émotionnelle | Empathie et service client | Aucune compréhension émotionnelle | Empathie dirigée par l'humain, soutenue par une assistance intelligente |
Théorie
Définition : La capacité des machines à penser et à réfléchir comme des humains, tentant de reproduire l'intelligence humaine avec des machines.
Capacités :
Caractéristiques :
Théorie
"Pourquoi ne sommes-nous pas plus compatissants ?" — Daniel Goleman
L'Intelligence Émotionnelle opère à travers les ganglions de la base (le centre de sagesse du cerveau). Elle guide les décisions basées sur la valence émotionnelle (ce qui a semblé bon/mauvais). Contrairement au néocortex, elle ne parle pas avec des mots mais est connectée aux émotions et à l'instinct.
Idée clé : Combinez QE + QI pour de meilleures décisions.
Exemple
L'Intelligence Augmentée est un modèle de partenariat centré sur l'humain où les personnes et l'IA travaillent ensemble pour améliorer les performances cognitives, y compris l'apprentissage, la prise de décision et les nouvelles expériences.
À retenir
The strongest future is not human or machine alone. It is augmented intelligence with clear human oversight.
Question fréquente
L'Intelligence Augmentée est un modèle de partenariat centré sur l'humain où les personnes et l'IA travaillent ensemble pour améliorer les performances cognitives, y compris l'apprentissage, la prise de décision et les nouvelles expériences.
Concepts liés
Ensuite dans le parcours
Concepts & Terminologie IAParlez la langue du futur.
Sa place dans la pile
Vue d'ensemble de l'IA -> Concepts & Terminologie IA
Question clé
Which terms should everyone use consistently after reading this guide?
Pourquoi c'est important
Shared language prevents shallow conversations, poor purchasing decisions, and avoidable confusion across teams.
Parcours d'apprentissage
Human judgment sets the frame. The glossary gives the team a common language to carry that frame into daily work.
Ce que cela débloque ensuite
This is the reference layer at the end of the journey. Use it to keep future AI conversations precise.
Vue d'ensemble
Langage commun pour 2026
Le domaine de l'IA est rempli de jargon. Ce dictionnaire fournit des définitions claires et concises pour les termes les plus importants que vous devez connaître.
Carte du concept
3 blocs théoriques
Théorie
Algorithme : Un ensemble de règles ou d'instructions données à une IA, un réseau de neurones ou une autre machine pour l'aider à apprendre par elle-même.
Alignement : Le problème de s'assurer que les systèmes d'IA ont des objectifs qui correspondent aux valeurs humaines.
Biais : Erreurs dans la sortie de l'IA résultant de préjugés dans les données d'entraînement.
Théorie
Fine-tuning (Affinement) : Le processus d'entraînement d'un modèle pré-entraîné sur un ensemble de données plus petit et spécifique pour le spécialiser.
Hallucination : Lorsqu'une IA génère des informations fausses ou absurdes avec confiance.
LLM (Grand Modèle de Langage) : Un algorithme d'apprentissage profond qui peut reconnaître, résumer, traduire, prédire et générer du texte.
Théorie
Multimodal : IA capable de comprendre et de générer plusieurs types de médias (texte, images, audio).
Paramètres : Les variables internes (poids) que le modèle ajuste pendant l'entraînement. GPT-4 en a des billions.
Token : L'unité de base du texte pour un LLM (environ 0,75 mot).
Exemple
Fine-tuning (Affinement) : Le processus d'entraînement d'un modèle pré-entraîné sur un ensemble de données plus petit et spécifique pour le spécialiser.
Hallucination : Lorsqu'une IA génère des informations fausses ou absurdes avec confiance.
LLM (Grand Modèle de Langage) : Un algorithme d'apprentissage profond qui peut reconnaître, résumer, traduire, prédire et générer du texte.
À retenir
A strong AI guide should end with alignment: people leaving with the same words for the same concepts.
Concepts liés
