Plus de 50 définitions claires et à jour pour comprendre l'Intelligence Artificielle, le règlement européen AI Act, le RGPD et les grands concepts de l'éthique du numérique.
De l'AI Act à l'explicabilité, du biais algorithmique à la supervision humaine : ce glossaire rassemble le vocabulaire essentiel de la Data Science, du Machine Learning et de la gouvernance éthique des systèmes d'IA. Une référence pensée pour les décideurs, juristes, data scientists et responsables conformité.
Premier règlement européen sur l'intelligence artificielle (Règlement UE 2024/1689). Il encadre la mise sur le marché et l'usage des systèmes d'IA selon une approche par les risques (inacceptable, élevé, limité, minimal) et impose des obligations de transparence, de gouvernance et de supervision humaine.
Suite finie et ordonnée d'instructions permettant de résoudre un problème ou d'accomplir une tâche. En IA, l'algorithme apprend des règles à partir de données plutôt que de les recevoir explicitement.
Évaluation indépendante d'un système d'IA visant à vérifier sa conformité, son équité et sa robustesse. C'est le cœur de la démarche des labels ADEL et de la Plateforme DEO.
Processus de sensibilisation et de montée en compétences des équipes aux enjeux de la Data Science et de l'éthique de l'IA, condition d'une adoption responsable.
Méthode de Machine Learning où le modèle apprend à partir de données étiquetées (entrées associées à des sorties connues) pour prédire de nouveaux cas.
Méthode où le modèle détecte seul des structures, regroupements ou anomalies dans des données non étiquetées (clustering, réduction de dimension).
Distorsion systématique des résultats d'un système d'IA, reproduisant ou amplifiant des discriminations présentes dans les données d'entraînement ou la conception du modèle. Sa détection est un enjeu central de l'IA responsable.
Ensembles de données d'un volume, d'une vélocité et d'une variété tels qu'ils dépassent les outils traditionnels de traitement. Matière première de nombreux modèles d'IA.
Jeu de données utilisé pour entraîner un modèle. Sa qualité, sa représentativité et sa gouvernance conditionnent directement la fiabilité et l'équité du système.
Commission Nationale de l'Informatique et des Libertés : autorité française chargée de veiller à la protection des données personnelles et à l'application du RGPD.
Principe consistant à intégrer les exigences réglementaires (RGPD, AI Act) dès la conception d'un système, et non a posteriori.
Ensemble des obligations à respecter pour les systèmes d'IA selon leur niveau de risque : documentation technique, gestion des risques, transparence, supervision humaine, journalisation.
Étape de nettoyage et normalisation des données (correction d'erreurs, gestion des valeurs manquantes, dédoublonnage) préalable à toute modélisation fiable.
Discipline combinant statistiques, informatique et expertise métier pour extraire de la valeur des données, de la collecte à la modélisation prédictive.
Sous-domaine du Machine Learning fondé sur des réseaux de neurones profonds à plusieurs couches, à l'origine des progrès récents en vision, langage et IA générative.
Au sens de l'AI Act, organisation qui utilise un système d'IA sous sa propre autorité. Il porte des obligations de supervision humaine et de surveillance des incidents.
Plateforme d'auto-évaluation et d'audit de la maturité éthique des systèmes d'IA, support des labels ADEL de GoodAlgo.
Délégué à la Protection des Données : référent chargé de piloter la conformité RGPD au sein d'une organisation.
Réflexion sur les valeurs, devoirs et responsabilités qui doivent encadrer la conception et l'usage des technologies numériques au service de l'humain.
Approche développée par Jérôme Béranger : faire évoluer l'éthique en continu avec la technologie, plutôt que de la figer dans des règles statiques.
Intégration des principes éthiques dès la conception d'un système numérique : transparence, équité, respect des droits fondamentaux.
Capacité à expliquer de façon compréhensible les décisions d'un système d'IA. Exigence clé pour la confiance, l'audit et la conformité AI Act.
Propriété d'un modèle traitant les individus et groupes sans discrimination injustifiée, mesurée par des tests statistiques dédiés.
Modèle de très grande taille (foundation model) pré-entraîné sur d'immenses corpus, adaptable à de multiples tâches — socle des IA génératives modernes.
Ré-entraînement ciblé d'un modèle pré-entraîné sur des données spécifiques pour l'adapter à un usage métier.
Ensemble des politiques, rôles et processus garantissant la qualité, la sécurité et la conformité des données tout au long de leur cycle de vie.
Famille de systèmes d'IA capables de produire des contenus originaux (texte, image, son, code) à partir d'instructions. Couverte par le label ADEL-AI Use.
General-Purpose AI : modèles d'IA à usage général soumis à des obligations spécifiques de transparence et de documentation au titre de l'AI Act.
Catégorie de l'AI Act regroupant les IA pouvant affecter la santé, la sécurité ou les droits fondamentaux (recrutement, crédit, santé, justice…). Soumise aux obligations les plus strictes.
Production par une IA générative d'une information plausible mais fausse. Risque majeur à encadrer par la supervision humaine.
Ensemble de techniques permettant à des machines de réaliser des tâches associées à l'intelligence humaine : perception, raisonnement, apprentissage, décision.
Conception et usage de l'IA respectant l'éthique, les droits fondamentaux et la réglementation, avec transparence et redevabilité.
IA licite, éthique et robuste, selon le cadre de la Commission Européenne : un système digne de confiance tout au long de son cycle de vie.
Phase d'exploitation d'un modèle entraîné : il produit des prédictions ou contenus sur de nouvelles données en conditions réelles.
Certification GoodAlgo attestant l'engagement éthique d'un acteur ou d'un système d'IA, déclinée en ADEL-Project, ADEL-AI Act et ADEL-AI Use (niveaux Bronze, Silver, Gold).
Large Language Model : modèle de Deep Learning entraîné sur d'immenses corpus textuels, capable de comprendre et générer du langage naturel.
Apprentissage automatique : branche de l'IA où un modèle apprend des règles à partir de données plutôt que d'instructions explicites.
Construction d'un modèle mathématique représentant un phénomène à partir de données, pour le prédire ou l'expliquer.
Niveau d'avancement d'une organisation dans sa démarche d'IA responsable, mesuré par la Plateforme DEO et matérialisé par les labels ADEL.
Défaut d'un modèle trop ajusté à ses données d'entraînement, qui généralise mal sur de nouvelles données.
Toute information se rapportant à une personne physique identifiée ou identifiable, protégée par le RGPD.
Utilisation de modèles statistiques et d'IA pour anticiper des événements ou comportements futurs à partir de données historiques.
Au sens de l'AI Act, entité qui développe ou met sur le marché un système d'IA. Il porte l'essentiel des obligations de conformité.
Outil propriétaire GoodAlgo d'auto-évaluation et de suivi de la maturité éthique digitale des projets et systèmes d'IA.
Règlement Général sur la Protection des Données (UE 2016/679) : cadre européen protégeant les données personnelles des citoyens et encadrant leur traitement.
Capacité d'un système d'IA à rester fiable et sûr face à des erreurs, des données inhabituelles ou des attaques adverses. Exigence de l'AI Act.
Modèle inspiré du cerveau, composé de couches de neurones artificiels, au cœur du Deep Learning.
Déclinaison de la Responsabilité Sociétale des Entreprises aux enjeux du numérique : éthique des algorithmes, sobriété, inclusion.
Principe garantissant qu'un humain garde le contrôle sur un système d'IA : pouvoir d'intervenir, de corriger ou d'arrêter une décision. Obligation pour les IA à haut risque.
Valorisation de petits volumes de données de qualité, souvent plus pertinente et frugale que le Big Data pour de nombreux cas industriels.
Au sens de l'AI Act, système automatisé qui, pour des objectifs donnés, génère des résultats (prédictions, recommandations, décisions) influençant son environnement.
Mesures techniques et organisationnelles protégeant les données contre la perte, l'altération ou l'accès non autorisé.
Capacité à rendre intelligibles le fonctionnement et les finalités d'un système d'IA pour ses utilisateurs et les autorités.
Toute opération sur des données personnelles (collecte, stockage, analyse, partage), encadrée par le RGPD.
Journalisation des événements d'un système d'IA permettant de reconstituer et auditer ses décisions a posteriori.
Transformation de données brutes en valeur métier : insights, automatisation, aide à la décision.
Représentation graphique des données et résultats d'IA pour les rendre lisibles et actionnables (ex. l'outil VIZIAA de GoodAlgo).
eXplainable AI : ensemble de méthodes rendant les décisions des modèles d'IA interprétables par l'humain, indispensable à la confiance et à la conformité.
Capacité d'un modèle à traiter une tâche sans exemple spécifique préalable, en s'appuyant sur ses connaissances généralisées.
Nos experts vous accompagnent de l'audit éthique à la certification ADEL. Évaluez gratuitement la maturité de vos systèmes d'IA.