Rechercher sur le site

Votre recherche correspond à 117 résultats

Filtres de recherche

Retour à tous les résultats

Glossaire (117)

Trier par :

  • Inférence

    Définition simple : qu'est-ce que l'inférence de modèle IA? En intelligence artificielle, l'inférence désigne le moment où un modèle déjà entraîné reçoit de nouvelles données en entrée et produit un résultat : une prédiction, une classification, une recommandation, une génération de texte, une détection ou une prise de décision automatisée. Autrement dit, l'inférence correspond à la phase d'utilisation du modèle, par opposition à la phase d'entraînement, pendant laquelle le modèle apprend à partir d'un jeu de données. C'est cette étape qui donne une valeur opérationnelle à l'IA : une fois le modèle entraîné, il peut être mobilisé sur des données nouvelles pour répondre à un besoin concret. Enjeux et impacts de l'inférence pour les collectivités Le premier enjeu de l'inférence est la rapidité de réponse. Plus un service doit répondre vite, plus la performance d'inférence devient critique, notamment dans les usages temps réel comme les agents conversationnels, la détection d'anomalies ou les recommandations instantanées. Le deuxième enjeu est la qualité des résultats produits. Un bon entraînement ne garantit pas automatiquement une inférence fiable dans tous les contextes. La qualité dépend aussi des données d'entrée, du contexte d'usage et de la stabilité du modèle. Le troisième enjeu est celui de la mise en production. L'inférence transforme un modèle de laboratoire en service opérationnel : il faut donc gérer l'hébergement, l'authentification, le routage, la supervision et la montée en charge. Il existe aussi un enjeu de coût et de sobriété. L'inférence à grande échelle, surtout avec des modèles volumineux, peut consommer beaucoup de ressources de calcul. Les organisations cherchent à arbitrer entre précision, latence, coût et fréquence d'usage, par exemple en choisissant des modèles plus compacts ou en mutualisant les infrastructures.

    Lire la définition

  • Objet connecté

    Définition : Qu'est-ce qu'un objet connecté ? Un objet connecté est un équipement physique capable de communiquer avec d'autres appareils ou avec internet afin d'émettre, recevoir ou exploiter des données. Il peut s'agir d'une montre, d'un compteur, d'un capteur, d'un thermostat de domotique, d'un véhicule, d'une caméra, d'un éclairage public ou d'un équipement industriel, tous reliés via un accès à internet ou un réseau dédié. En pratique, un objet connecté embarque généralement des capteurs, un composant de traitement et un module de communication sans fil. Son intérêt est de mesurer un état, transmettre une information, automatiser une action ou améliorer le pilotage d'un service grâce à la donnée.

    Lire la définition

  • Métadonnée

    Qu'est-ce qu'une métadonnée ? Une métadonnée, ou metadata en anglais, est une donnée qui décrit une autre donnée. Elle fournit des informations de contexte sur un fichier, un document, un jeu de données ou une ressource numérique : titre, auteur, date de création, format, taille, mots-clés, licence, couverture géographique ou temporelle, structure, provenance, etc. En d'autres termes, les métadonnées ne correspondent pas au contenu principal lui-même, mais aux renseignements qui permettent de comprendre ce qu'est ce contenu, d'où il vient, comment il est structuré et comment on peut l'utiliser. Cette logique est souvent résumée par l'expression « des données sur les données ». Elles jouent un rôle essentiel pour rechercher, classer, retrouver, partager, gouverner et réutiliser l'information.

    Lire la définition

  • IA embarquée

    Qu'est-ce que l'IA embarquée (ou embedded AI en anglais) ? L'IA embarquée (en anglais embedded AI) désigne l'intégration de modèles d'intelligence artificielle directement dans un équipement, un objet connecté ou un système électronique, afin qu'il puisse analyser des données et prendre des décisions localement, sans recourir en permanence à des serveurs distants. Cette technologie permet à un appareil de détecter une anomalie, classer une image, interpréter un signal ou déclencher une action en temps réel. L'IA embarquée répond ainsi à des besoins concrets : traiter l'information rapidement, fonctionner hors connexion et protéger certaines données en les traitant localement. Bénéfices et enjeux de l'IA embarquée : marché, cybersécurité et sobriété Le premier enjeu de l'IA embarquée est la latence. La réponse peut être produite beaucoup plus vite qu'en envoyant systématiquement les données vers le cloud lorsque le traitement s'effectue directement sur l'équipement ou à proximité immédiate. Cette rapidité est essentielle lorsque la décision doit être prise immédiatement, par exemple pour détecter un incident, déclencher une alerte ou réagir à une anomalie sur une ligne de production. Le deuxième enjeu est la résilience opérationnelle. L'IA embarquée permet de continuer à fonctionner hors connexion ou dans des environnements où la connectivité est intermittente, coûteuse ou insuffisante. Cela la rend particulièrement pertinente pour des équipements situés dans des sites isolés, des environnements industriels ou des zones rurales. Le troisième enjeu est celui de la sobriété des flux de données et de la protection de la vie privée. En traitant localement les données utiles, l'IA embarquée limite la quantité d'informations brutes envoyées vers les data centers distants. Cette approche réduit la consommation d'énergie liée aux transferts réseau, améliore l'efficacité énergétique globale et contribue à diminuer l'empreinte carbone du numérique. Elle évite aussi de transférer systématiquement des données sensibles vers des environnements centralisés. En contrepartie, l'IA embarquée soulève des défis de maintenance, de cybersécurité et de mise à jour des modèles. Les équipements ont des ressources limitées, les versions doivent être maîtrisées, et les organisations doivent prévoir comment corriger, superviser ou remplacer les modèles lorsqu'ils deviennent obsolètes ou insuffisants. Les architectures edge intègrent donc souvent une logique hybride : inférence locale pour la réactivité, et cloud pour l'entraînement ou la supervision. Le marché de l'IA embarquée connaît une dynamique soutenue en France. La stratégie nationale pour l'intelligence artificielle, portée par France 2030 et réaffirmée lors du Sommet IA 2025, positionne l'IA embarquée comme un domaine prioritaire, avec l'objectif de capter 10 à 15 % des parts du marché mondial. Pour les collectivités, ces enjeux de l'intelligence artificielle pour les collectivités offrent des opportunités concrètes d'innovation et de modernisation des services publics.

    Lire la définition

  • Prompt

    Qu'est-ce qu'un prompt ? Définition simple Un prompt est l'entrée fournie à un modèle d'intelligence artificielle pour obtenir une réponse. Il peut prendre la forme d'une question, d'une instruction, d'un texte de contexte, d'un exemple ou d'un extrait de code. Pour les collectivités qui déploient l'IA générative, maîtriser l'art du prompt est devenu un enjeu clé : la qualité du résultat dépend directement de la manière dont cette demande est formulée, structurée et contextualisée.

    Lire la définition

  • Deep fake

    Qu'est-ce qu'un deep fake ? Un deep fake, appelé aussi hypertrucage, est un contenu audio, photo ou vidéo créé ou modifié grâce à l'intelligence artificielle afin d'imiter de manière réaliste une personne, une voix, un visage ou une scène. Le terme vient de la contraction de deep learning et fake, et désigne des médias artificiels capables de reproduire un visage ou une voix avec un réalisme difficile à distinguer d'un contenu authentique.

    Lire la définition

  • Fake news

    Définition simple : qu'est-ce qu'une fake news (infox) ? Une fake news, ou infox, désigne une information fausse ou manipulée, présentée comme vraie, et diffusée de manière à induire en erreur. Une fake news ne se réduit pas à une simple erreur : elle s'inscrit généralement dans une logique de désinformation visant à influencer l'opinion, à nuire ou à détourner le débat public.

    Lire la définition

  • IA multimodale

    Définition simple : Qu'est-ce que l'IA multimodale ? L'IA multimodale désigne des systèmes d'intelligence artificielle capables de traiter, croiser et exploiter plusieurs types de données (texte, images, audio, vidéo, code) au sein d'un même modèle. Cette technologie transforme les usages du numérique en permettant une compréhension plus riche du contexte, particulièrement utile pour les collectivités et les entreprises confrontées à des informations dispersées entre plusieurs formats. L'émergence de l'IA multimodale répond directement aux besoins d'organisations qui exploitent quotidiennement des documents complexes mêlant contenus hétérogènes.

    Lire la définition

  • MCP (Model Context Protocol)

    Qu'est-ce que le MCP (Model Context Protocol) ? Dans l'univers de l'IA générative, MCP désigne le Model Context Protocol, une norme ouverte créée par Anthropic pour standardiser la connexion entre applications IA et systèmes externes. La documentation officielle compare MCP à un port USB-C pour l'IA : au lieu de développer une intégration spécifique pour chaque outil, on utilise une interface commune. Des applications comme Claude ou Mistral peuvent ainsi se connecter à des fichiers, bases de données ou services métiers. Pour les collectivités, MCP répond à un besoin concret : connecter de manière fiable et gouvernée les assistants IA aux bons référentiels.

    Lire la définition

  • RAG (Retrieval-Augmented Generation)

    Définition simple : qu'est-ce que le RAG? Le RAG, pour Retrieval-Augmented Generation ou génération augmentée par la recherche d’information, désigne une approche d’intelligence artificielle qui combine un modèle de langage avec un système de recherche documentaire. Concrètement, au lieu de répondre uniquement à partir de ce qu’il a appris pendant son entraînement, le modèle va d’abord aller chercher des informations dans une base de connaissances, puis s’appuyer sur ces contenus pour formuler une réponse plus précise, plus contextualisée et souvent plus fiable. On peut comparer le RAG à un expert qui, avant de répondre, consulte les bons documents, les procédures internes ou les textes de référence. Cette architecture est particulièrement utilisée pour les assistants documentaires, les moteurs de question-réponse, la recherche dans les connaissances internes, les copilotes métier ou les interfaces conversationnelles adossées à des fonds documentaires.

    Lire la définition

  • IA agentique

    Définition simple : qu'est-ce que l'IA agentique ? (ou agentic AI en anglais) L'IA agentique est une intelligence artificielle capable d'agir de manière autonome pour accomplir des tâches complexes. Contrairement aux outils d'IA classiques, qui répondent à des requêtes ponctuelles, l'IA agentique enchaîne des actions, prend des décisions et s'adapte à son environnement. Par exemple, elle peut analyser des données, envoyer des notifications ou modifier des bases de données sans intervention humaine. Pour les collectivités, cela signifie automatiser des processus comme la gestion des demandes citoyennes ou l'optimisation des services publics.

    Lire la définition
Par page :
Résultats : 23 à 33 sur 117