Aller au contenu

Glossaire IA

De Wiki Alseno

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.

Voir aussi[modifier | modifier le wikicode]