Annexes

LLM (Large Language Model)

Modèle de langage génératif entraîné sur d'énormes corpus de texte.

Token

Unité de texte (≈ ¾ de mot) que le modèle lit et génère ; base de la facturation.

Fenêtre de contexte

Quantité de texte que le modèle peut prendre en compte d'un seul coup.

Embeddings

Représentation vectorielle d'un texte, permettant la recherche par similarité sémantique.

RAG (Retrieval-Augmented Generation)

Injecter des connaissances externes (vos données) dans les réponses du modèle.

MCP (Model Context Protocol)

Standard pour brancher un modèle sur des outils et des sources de données.

Agent / IA agentique

Système qui exécute des tâches en plusieurs étapes, utilise des outils et atteint un objectif.

Agent Skills

Compétences modulaires que l'on fournit à un agent pour étendre ses capacités.

Prompt engineering

Art de rédiger des instructions efficaces pour obtenir de bons résultats d'un modèle.

Fine-tuning

Ré-entraînement d'un modèle sur des données spécifiques (contrairement au prompt engineering, qui ne modifie pas le modèle).

Hallucination

Réponse plausible mais fausse produite par un modèle.

Prompt injection

Instructions cachées dans une donnée externe qui détournent le comportement de l'IA.

ZDR (Zero Data Retention)

Engagement du fournisseur à ne pas conserver vos échanges après traitement.

MLOps / LLMOps

Pratiques d'industrialisation, de déploiement et d'exploitation des modèles (ML / LLM).

Gateway IA

Point d'entrée unique d'entreprise pour router, filtrer, auditer et piloter les coûts des appels aux modèles.

Open weight

Modèle dont les poids sont publiquement disponibles, donc auto-hébergeable.