Data / IA / BI — vocabulaire professionnel

IA non-relue

Termes et locutions employés dans cette activité professionnelle.

Numérique / Informatique · 22 termes

  • Actualisation

    Opération qui recharge les données sources et recalcule les indicateurs affichés dans un rapport. Elle peut être lancée à heure fixe, à intervalles réguliers ou à la demande.

  • Connecteur de données

    Composant qui permet à un système d'aller lire ou envoyer des données dans un logiciel, une base de données ou un service en ligne selon les règles techniques de celui-ci.

  • Déploiement

    Mise à disposition du modèle dans l'environnement réel de l'entreprise, avec les connexions, les ressources informatiques et les contrôles nécessaires à son utilisation.

  • Dérive du modèle

    Baisse progressive de la fiabilité d'un modèle lorsque les données ou les comportements réels évoluent par rapport aux exemples ayant servi à son entraînement.

  • Entraînement

    Phase pendant laquelle le modèle ajuste ses calculs à partir d'exemples dont le résultat est déjà connu. La qualité, la quantité et la représentativité de ces exemples influencent directement ses performances.

  • Entrepôt de données

    Base centralisée conçue pour regrouper l'historique de plusieurs outils et faciliter les analyses, sans solliciter directement les logiciels utilisés au quotidien.

  • ETL

    Processus qui extrait des données de plusieurs sources, les corrige ou les harmonise, puis les charge dans un espace destiné à leur analyse.

  • Hallucination

    Réponse inventée ou inexacte que le modèle formule pourtant de manière crédible. Ce risque se réduit par des sources contrôlées et des vérifications, mais ne disparaît pas totalement.

  • Inférence

    Étape durant laquelle un modèle déjà entraîné reçoit de nouvelles données et calcule une prédiction ou génère une réponse.

  • Jeton

    Petit fragment de texte traité par le modèle ; un mot peut représenter un ou plusieurs jetons. Le volume de jetons envoyés et générés sert souvent à calculer le prix d'utilisation.

  • Jeu de validation

    Ensemble de données volontairement écarté de l'entraînement pour vérifier le comportement du modèle sur des cas qu'il n'a pas utilisés pour apprendre.

  • KPI

    Indicateur chiffré choisi pour mesurer un objectif précis, par exemple le taux de conversion ou le délai moyen de traitement. Sa formule et son périmètre doivent être définis pour éviter des interprétations différentes.

  • LLM

    Modèle informatique entraîné sur de très nombreux textes pour produire une suite de mots adaptée à une demande. Il génère une réponse probable sans vérifier automatiquement qu'elle est vraie.

  • Modèle de données

    Organisation qui relie les informations utiles entre elles, par exemple une vente avec son client, son produit et sa date. Il détermine les analyses possibles et évite de compter plusieurs fois la même opération.

  • Modèle prédictif

    Programme qui apprend des relations à partir de cas passés afin d'estimer un résultat sur de nouvelles données, comme un risque d'impayé ou une demande future.

  • Pipeline de données

    Enchaînement automatisé d'étapes qui collecte, transforme, contrôle et transporte les données jusqu'à leur destination. Chaque étape peut être surveillée pour repérer les erreurs ou les retards.

  • Prompt système

    Consigne générale fournie au modèle par l'application pour fixer son rôle, ses règles de réponse et ses limites avant même la demande de l'utilisateur.

  • RAG

    Méthode qui recherche d'abord des passages dans les documents de l'entreprise, puis les transmet au modèle afin qu'il construise sa réponse à partir de ces éléments.

  • Supervision

    Suivi automatique de la disponibilité, du temps de réponse, des erreurs et de la qualité des résultats du modèle une fois celui-ci utilisé en conditions réelles.

  • Tableau de bord

    Écran qui rassemble des indicateurs, graphiques et filtres afin de suivre une activité et de comparer des périodes, des équipes ou des catégories.

  • Variable cible

    Résultat que le modèle doit apprendre à prévoir, par exemple l'achat d'un produit, le montant d'une vente ou la survenue d'une panne.

  • Versionnement du modèle

    Conservation de chaque version d'un modèle avec ses données de référence, ses réglages et ses résultats, afin de savoir laquelle est en service et de pouvoir revenir à une version antérieure.

Tous les métiers