Glossaire IA
Apparence
Ce glossaire explique les mots de l'intelligence artificielle utilisés dans le sous-portail IA pour l'agriculture. Pour les mots de la radio et des capteurs, voir le Glossaire Agritech.
A[modifier | modifier le wikicode]
- Algorithme
- suite d'instructions qu'un ordinateur suit pour résoudre un problème.
- Apprentissage automatique (machine learning)
- méthodes où l'ordinateur construit une règle à partir d'exemples plutôt qu'à partir d'instructions écrites à la main.
- Apprentissage non supervisé
- le modèle cherche des groupes ou des structures dans des données sans étiquette (par exemple regrouper des parcelles semblables).
- Apprentissage par transfert
- réutiliser un modèle déjà entraîné sur beaucoup de données et l'ajuster à son cas avec peu d'exemples.
- Apprentissage supervisé
- le modèle apprend à partir d'exemples étiquetés (photo → « mildiou »).
B[modifier | modifier le wikicode]
- Biais
- défaut systématique d'un modèle, souvent hérité de données non représentatives.
C[modifier | modifier le wikicode]
- Classification
- tâche qui consiste à choisir une catégorie parmi plusieurs (maladie A, maladie B, saine).
- Capteur
- appareil qui mesure une grandeur physique (humidité du sol) ; voir Capteur de sol.
D[modifier | modifier le wikicode]
- Données d'entraînement / de validation / de test
- les trois parties d'un jeu de données ; on apprend sur la première, on règle sur la deuxième, on évalue sur la troisième.
E[modifier | modifier le wikicode]
- Entraînement
- phase où le modèle ajuste ses réglages (poids) pour minimiser ses erreurs sur les exemples.
- Époque
- un passage complet du modèle sur toutes les données d'entraînement.
- Étiquette
- la bonne réponse associée à un exemple.
H[modifier | modifier le wikicode]
- Hallucination
- réponse inventée mais présentée avec assurance, typique des grands modèles de langage.
I[modifier | modifier le wikicode]
- Inférence
- utilisation d'un modèle entraîné pour faire une prédiction sur une nouvelle donnée.
J[modifier | modifier le wikicode]
- Jeu de données (dataset)
- ensemble d'exemples organisés, avec leurs étiquettes.
L[modifier | modifier le wikicode]
- LLM (grand modèle de langage)
- modèle entraîné sur de très grandes quantités de texte pour prédire la suite d'un texte ; voir Assistants conversationnels agricoles.
M[modifier | modifier le wikicode]
- Modèle
- le programme obtenu après entraînement, qui transforme une entrée en prédiction.
N[modifier | modifier le wikicode]
- NDVI
- indice de végétation calculé à partir du rouge et du proche infrarouge ; voir satellites.
- Neurone (artificiel)
- brique de calcul d'un réseau de neurones.
P[modifier | modifier le wikicode]
- Précision (accuracy)
- part des réponses justes parmi toutes les réponses. Attention : sur des classes déséquilibrées (99 % de feuilles saines), un modèle qui répond toujours « saine » a 99 % de précision sans rien détecter.
- Précision / rappel (precision / recall)
- deux mesures plus fines. Le rappel est la part des vrais cas détectés ; la précision est la part des alertes qui étaient justes.
R[modifier | modifier le wikicode]
- Régression
- tâche qui prédit un nombre (humidité de demain, rendement).
- Réseau de neurones
- modèle formé de couches de neurones ; les réseaux convolutifs sont spécialisés dans les images.
S[modifier | modifier le wikicode]
- Surapprentissage (overfitting)
- le modèle apprend par cœur ses exemples, y compris le bruit, et échoue sur de nouvelles données. Remède : plus de données variées, un modèle plus simple, des tests sur des données jamais vues.
- Sous-apprentissage
- le modèle est trop simple pour saisir la régularité.
T[modifier | modifier le wikicode]
- TinyML
- apprentissage automatique sur microcontrôleur ; voir IA embarquée (TinyML).
- Transformeur
- famille de réseaux de neurones à la base des grands modèles de langage.
V[modifier | modifier le wikicode]
- Validation croisée
- méthode qui répète l'entraînement en changeant la partie laissée de côté pour tester, utile quand il y a peu de données.