Rechercher
Saisissez au moins deux caractères, sans donnée personnelle.

    BibliothèqueArticles et FAQ Votre projetDemander un devis
    LangueFR
    Intelligence artificielle

    Comprendre l’intelligence artificielle appliquée au Web

    Le vocabulaire de l’IA mélange souvent capacité du modèle, accès aux documents et pouvoir d’agir sur des outils. Séparez ces dimensions. Une réponse fluide peut rester fausse ; un outil connecté peut exécuter une action sans que le modèle comprenne toutes ses conséquences.

    32 notions à explorer avec leurs définitions et conseils pratiques.

    Rechercher dans tout le glossaire
    Personnes examinant ensemble une présentation numérique
    Illustration générée par IA

    Un parcours de lecture

    1. Définir la tâche

    Précisez la question, les sources permises et le résultat attendu. Un prompt ne remplace pas une information absente ou une règle métier non définie.

    • LLM

      Large Language Model : modèle entraîné sur de grandes quantités de texte pour comprendre et générer du langage.

    • Prompt

      Instruction, contexte ou ensemble d’exemples transmis à un modèle d’IA pour orienter sa réponse ou son action.

    • Grounding

      Mécanisme qui relie une réponse de modèle à des données, documents ou résultats récupérés afin d’en améliorer la précision et la vérifiabilité.

    2. Comprendre le contexte et les outils

    La récupération de documents apporte un contexte ; un protocole d’outils organise des échanges avec des applications. Définissez séparément ce que le système peut lire et ce qu’il peut modifier.

    • Retrieval-Augmented Generation

      Technique qui récupère des informations externes pertinentes avant de demander à un modèle de générer une réponse appuyée sur ce contexte.

    • Model Context Protocol

      Protocole ouvert permettant à une application d’IA de découvrir et d’utiliser des outils ou des sources de données exposés de manière structurée.

    • Agent IA

      Système d’intelligence artificielle capable d’enchaîner des étapes, d’utiliser des outils et de poursuivre un objectif avec un certain degré d’autonomie.

    3. Évaluer les cas difficiles

    Conservez des exemples autorisés et des critères de réussite. Testez une source manquante, des informations contradictoires et une demande hors périmètre avant de déployer le parcours.

    • AI evaluation

      Protocole reproductible qui mesure la qualité, la sûreté, la cohérence ou le coût d’un système d’intelligence artificielle sur des cas définis.

    • Hallucination

      Réponse produite avec assurance mais contenant une information inventée, déformée ou insuffisamment appuyée par les sources disponibles.

    • Algorithmic transparency

      Informations fournies sur la finalité, les données, les limites, les décisions et la gouvernance d’un système algorithmique.

    Les distinctions utiles

    Retrieval-Augmented Generation / Model Context Protocol

    Le RAG désigne une méthode de génération appuyée sur des informations retrouvées. MCP organise l’accès à des ressources et outils compatibles. L’un ne rend pas automatiquement l’autre nécessaire, et aucun ne garantit l’exactitude.

    Chatbot / Agent IA

    Un chatbot est une interface conversationnelle. Un agent peut recevoir des objectifs et utiliser des outils selon son périmètre. Le mot agent ne dispense pas de préciser droits, limites et contrôle des actions.

    Exemple pédagogique

    Utiliser le vocabulaire pour décider

    Personne comparant des pages de référence près d’un livre et d’un ordinateur
    Illustration générée par IA · Vérifier que chaque source soutient réellement l’affirmation citée.

    Situation

    Un assistant donne une réponse convaincante dont les liens ne soutiennent pas les faits.

    Avant de décider

    Vérifiez les affirmations une par une sur les documents autorisés. Une citation affichée n’atteste pas que la source dit réellement ce qui est affirmé.

    Un contrôle concret

    Incluez ce cas dans le jeu d’évaluation et prévoyez une réponse explicite lorsque l’information ne peut pas être confirmée.

    Du mot à l’observation

    Évaluer une réponse sur des preuves vérifiables

    Préparez des exemples correspondant à la tâche réelle : une réponse disponible, une source absente et deux sources en désaccord. Décidez à l’avance ce que le système doit faire dans chaque cas.

    1. AffirmationQuel fait la réponse avance-t-elle ?
    2. DocumentQuel passage le confirme réellement ?
    3. DécisionValider, corriger ou demander une précision ?

    Sur petit écran, faites défiler le tableau horizontalement pour lire les trois colonnes.

    Observations illustratives à adapter à votre projet
    Signal observéÀ vérifierCe que cela indique
    Une citation s’ouvre mais ne confirme pas le faitComparer chaque affirmation au passage exact.La présence d’un lien ne suffit pas à établir le résultat.
    Deux documents donnent des conditions différentesComparer dates, versions et périmètres.Le système doit signaler le conflit plutôt qu’inventer un accord.
    La source utile est absenteTester une réponse qui reconnaît cette limite.Une réponse incomplète et explicite peut être préférable à une certitude inventée.

    Prochaine étape : Séparer les erreurs de faits, de périmètre et d’action ; refaire les cas après chaque modification du système.

    Référence technique : NIST — AI Risk Management Framework. Les scénarios et exemples chiffrés ci-dessus sont pédagogiques ; ils ne mesurent pas ce site.

    Examiner l’interprétation

    Une référence citée reste à vérifier

    Cas pédagogique fictif. Ouvrez chaque interprétation pour en examiner le périmètre ; aucun score ni évaluation professionnelle n’est produit.

    1. Affirmation isolée
    2. Passage retrouvé
    3. Portée vérifiée

    Un assistant produit une réponse avec une adresse de source. Le titre de la page semble pertinent, mais personne n’a encore contrôlé si son contenu soutient l’affirmation formulée.

    Quel niveau de preuve possède-t-on ?

    Une piste de source à examiner

    Il faut retrouver la page, sa date, son contexte et le passage qui soutient effectivement l’affirmation. La simple présence d’un lien ne termine pas la vérification.

    Un fait déjà validé par la présence de la citation

    Cette conclusion dépasse l’observation. La source peut être mal interprétée, trop ancienne, inaccessible ou ne pas établir le point précis avancé.

    Une suite utile : Séparer texte généré, source retrouvée et fait vérifié. Conserver les désaccords et les informations impossibles à confirmer avant toute publication.

    Référence pour approfondir : NIST · AI Risk Management Framework · Consultée le .

    Questions fréquentes

    L’accès au Web supprime-t-il les erreurs ?

    Non. Il peut fournir de nouvelles informations, mais leur sélection, leur lecture et leur interprétation restent à contrôler. Conservez la source primaire et son contexte.

    Faut-il connecter des outils dès le premier essai ?

    Commencez par les capacités nécessaires à la tâche. Ajoutez un outil lorsque son utilité et ses limites sont définies, puis évaluez les erreurs de paramètres et les demandes hors périmètre.

    Documents de référence primaires

    Ces documents expliquent les notions techniques. Les parcours et exemples sont des méthodes éditoriales à adapter au projet.

    Thèmes connexes