Glossaire des termes liés à l’intelligence artificielle

Une technique d'apprentissage d'ensemble qui combine plusieurs modèles entraînés sur différents sous-ensembles des données d'entraînement pour améliorer la précision des prédictions et réduire le sur-apprentissage.

Base de données structurée pour reconnaître les relations entre les éléments d'information stockés.

Méthode de traitement de données où les données sont collectées et traitées par lots. En apprentissage automatique, le traitement par lots est utilisé pour entraîner des modèles en utilisant des blocs de données, permettant une meilleure gestion de la mémoire et une accélération de l'entraînement.

Un principe statistique fondamental utilisé pour calculer les probabilités conditionnelles, largement utilisé dans les réseaux bayésiens et d'autres techniques d'IA pour le raisonnement probabiliste.

Tendance d'un modèle d'intelligence artificielle à préférer certaines prédictions ou décisions en raison de l'ensemble de données d'entraînement, de l'architecture du modèle ou des biais humains. Le biais peut entraîner des résultats inéquitables ou inexacts.

Désigne des ensembles de données très volumineux et complexes qui nécessitent des technologies et des méthodes analytiques avancées pour être traités et analysés. En intelligence artificielle, le big data est crucial pour entraîner des modèles complexes.

Technologie d'identification des individus basée sur des caractéristiques biologiques ou comportementales, telles que les empreintes digitales, la reconnaissance faciale ou la reconnaissance vocale. L'IA joue un rôle clé dans l'analyse et l'interprétation des données biométriques.

Terme utilisé pour décrire un système d'intelligence artificielle ou un modèle dont les processus internes sont opaques ou non compréhensibles par les utilisateurs. Les décisions prises par une boîte noire peuvent être difficiles à interpréter et à expliquer.

Le boosting est une méthode d'apprentissage ensembliste qui combine un ensemble d'apprenants faibles en un apprenant fort, afin de réduire les erreurs d'apprentissage. Dans le boosting, un échantillon aléatoire de données est sélectionné, doté d'un modèle, puis entraîné séquentiellement, c'est-à-dire que chaque modèle tente de compenser les faiblesses de son prédécesseur.

Une approche de résolution de problèmes en IA qui consiste à combiner des ressources ou des composants existants de manière originale pour résoudre de nouveaux problèmes, plutôt que de créer de nouvelles programmes à partir de zéro.