Comparaisons de termes, rôles et techniques IA souvent confondus.
165 comparaisons publiées
Comparaison côte à côte entre biais et équité. Comprendre la différence entre une tendance systématique qui affecte les résultats et un principe de gouvernance visant un traitement équitable.
Comparaison côte à côte entre fenêtre de contexte et token. Elle explique comment la quantité d’informations qu’un modèle peut prendre en compte à un moment donné diffère de la plus petite unité d’entrée ou de sortie traitée par un modèle de langage.
Distinguer l’injection de prompt, qui détourne le comportement du modèle au moyen d’une entrée malveillante, du jailbreak, qui contourne les garde-fous de sécurité pour produire du contenu restreint. Les deux sont des menaces de sécurité pour les LLM, mais diffèrent par leur mécanisme et leur objectif.
Comparaison côte à côte entre la précision et le rappel. Comprendre comment la précision évalue la justesse des positifs prédits, tandis que le rappel évalue combien de positifs réels ont été trouvés.
Comparaison côte à côte entre risque et préjudice. Elle explique en quoi une évaluation fondée sur la probabilité et la gravité diffère de l’effet défavorable subi par une personne, un groupe, une organisation ou un système.
Comparaison côte à côte du faux positif et du faux négatif. Comprendre quel type d’erreur signale à tort quelque chose d’absent et quel type d’erreur manque quelque chose de présent.
Comparaison côte à côte entre un chatbot et un agent IA. Comprendre comment une interface conversationnelle diffère d’un système orienté objectif capable d’interpréter des entrées et d’agir.
Comparaison côte à côte entre fournisseur et déployeur. Comprendre qui développe ou met un système d’IA sur le marché et qui l’utilise sous son autorité.
Comparaison côte à côte entre système d’IA et modèle d’IA. Comprendre pourquoi un modèle est généralement un composant, tandis qu’un système d’IA inclut l’ensemble déployé plus large qui transforme des entrées et des objectifs en sorties.
Comparaison côte à côte des détecteurs d’IA et du filigranage IA. Comprenez en quoi la détection a posteriori diffère de l’intégration d’identifiants indiquant l’origine ou le statut de génération du contenu.
Comparaison côte à côte entre importateur et distributeur. Comprendre la différence entre la mise sur le marché de l’UE d’un système d’IA de marque non européenne et la mise à disposition d’un système d’IA dans la chaîne d’approvisionnement de l’UE.
Comparaison côte à côte entre la génération augmentée par récupération (RAG) et l’ajustement fin. Comprendre quand récupérer un contexte externe au moment de l’exécution et quand adapter un modèle préentraîné au moyen d’un entraînement supplémentaire.
Comparaison côte à côte entre la génération augmentée par récupération (RAG) et l’ajustement fin. Comprendre quand récupérer un contexte externe au moment de l’exécution et quand adapter un modèle préentraîné au moyen d’un entraînement supplémentaire.
Comparaison côte à côte entre grand modèle de langage et modèle de langage. Comprendre pourquoi un LLM est une forme de modèle de langage à grande échelle, avec des capacités de tâches plus larges et des besoins de gouvernance plus importants.
Comparaison côte à côte entre un grand modèle de langage et un modèle de fondation. Comprendre pourquoi un LLM est centré sur le langage, tandis qu’un modèle de fondation est un large modèle de base préentraîné pouvant soutenir de nombreuses tâches en aval.
Comparaison côte à côte entre l’IA générative et le grand modèle de langage. Comprendre pourquoi l’IA générative est une catégorie plus large de production de contenu, tandis qu’un LLM est un type de modèle centré sur le langage souvent utilisé dans les systèmes d’IA générative.
Comparaison côte à côte entre l’injection de prompt et l’empoisonnement des données. Comprendre comment la manipulation d’instructions à l’exécution diffère des attaques visant les données d’entraînement ou le processus d’entraînement.
Comparaison côte à côte entre l’ingénierie de prompt et le prompt tuning. Comprendre comment les entrées de modèle conçues par des humains diffèrent des soft prompts appris pour une tâche spécifique.
Comparaison côte à côte de l’instruction tuning et du fine-tuning. Comprendre en quoi l’adaptation au suivi d’instructions diffère d’une adaptation plus large à une tâche, un domaine ou un style.
Comparaison côte à côte du prompt tuning et du fine-tuning. Comprendre en quoi un soft prompt appris diffère du réentraînement d’un modèle préentraîné sur un jeu de données spécialisé.
Comparaison côte à côte de l’ancrage et du caractère ancré. Comprendre la différence entre le processus de connexion des sorties à des sources et la propriété d’une sortie soutenue par des preuves.
Comparaison côte à côte des garde-fous et de la modération de contenu / filtres de sécurité. Comprendre la différence entre des limites larges du système d’IA et des contrôles spécifiques des contenus préjudiciables ou interdits.
Comparaison côte à côte de l’hallucination et de la confabulation. Comprendre comment les deux décrivent des sorties d’IA plausibles mais non étayées ou fabriquées, et pourquoi hallucination est souvent le terme opérationnel plus large.
Comparaison côte à côte de LoRA et du fine-tuning. Comprendre comment l’adaptation de bas rang réduit la surface de changement en entraînant des paramètres supplémentaires, tandis qu’un fine-tuning plus large adapte un modèle préentraîné à des exigences spécialisées.
Comparaison côte à côte du prompt système et du prompt utilisateur. Elle explique comment les instructions de comportement au niveau de l’application diffèrent de la tâche ou question immédiate fournie par un utilisateur.
Comparaison côte à côte de la détection de contenu IA et du filigranage IA. Elle explique comment la détection probabiliste de contenu généré par l’IA diffère de l’intégration d’identifiants indiquant l’origine, la provenance ou le statut de génération.
Comparaison côte à côte entre hallucination et information erronée. Elle explique en quoi les sorties d’IA fausses ou fabriquées diffèrent des informations fausses ou trompeuses partagées indépendamment de l’intention.
Comparaison côte à côte entre la recherche d’information et la génération augmentée par récupération. Elle explique en quoi trouver des informations pertinentes diffère de l’utilisation d’informations récupérées pour ancrer des réponses d’IA générative.
Comparaison côte à côte entre recherche approximative du plus proche voisin et recherche sémantique. Elle explique comment une méthode de recherche d’éléments similaires diffère d’une approche de recherche qui vise à comprendre le sens et le contexte d’une requête.
Comparaison côte à côte entre fenêtre de contexte et token. Elle explique comment la quantité d’informations qu’un modèle peut prendre en compte à un moment donné diffère de la plus petite unité d’entrée ou de sortie traitée par un modèle de langage.
Comparaison côte à côte entre empoisonnement des données et apprentissage adversarial. Elle explique comment une attaque sur les données ou le processus d’entraînement diffère d’une méthode d’entraînement utilisant des exemples délibérément difficiles ou hostiles.
Comparaison côte à côte entre prompt et fenêtre de contexte. Elle explique comment l’entrée fournie pour guider la réponse du modèle diffère de la quantité totale d’informations que le modèle peut prendre en compte à un moment donné.
Comparaison côte à côte entre red teaming et audit d’IA. Elle explique comment des tests adversariaux structurés diffèrent d’une évaluation formelle d’un système, d’un modèle ou d’un processus de gouvernance par rapport à des critères définis.
Comparaison côte à côte entre la sécurité dès la conception et les garde-fous. Elle explique en quoi la planification de la sécurité sur tout le cycle de vie diffère des contrôles spécifiques qui maintiennent les systèmes d’IA dans des limites acceptables.
Comparaison côte à côte des détecteurs d’IA et du filigranage IA. Comprenez en quoi la détection a posteriori diffère de l’intégration d’identifiants indiquant l’origine ou le statut de génération du contenu.
Comparaison côte à côte des deepfakes et des médias synthétiques. Comprenez comment les médias manipulés par IA, trompeurs ou d’apparence authentique, se rapportent à la catégorie plus large des médias générés ou modifiés par IA.
Comparaison côte à côte de la température et du déterminisme. Comprenez comment un paramètre de génération contrôlant l’aléa se rapporte aux systèmes qui produisent la même sortie pour la même entrée et le même état.
Comparaison côte à côte du découpage de contenu et de la fenêtre de contexte. Comprenez en quoi la préparation de matériaux sources en sections diffère de la quantité d’information qu’un modèle peut considérer à la fois.
Comparaison côte à côte de l’embedding et du word embedding. Comprenez en quoi des représentations vectorielles générales de données diffèrent des représentations vectorielles denses de mots en NLP.
Comparaison côte à côte de Provenance / Watermarking et de la Coalition for Content Provenance and Authenticity (C2PA). Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte de l’indexation des données et de la recherche sémantique. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte du vecteur d’embedding et de l’espace d’embedding. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte entre système d’IA et modèle d’IA. Comprendre pourquoi un modèle est généralement un composant, tandis qu’un système d’IA inclut l’ensemble déployé plus large qui transforme des entrées et des objectifs en sorties.
Comparaison côte à côte entre biais et équité. Comprendre la différence entre une tendance systématique qui affecte les résultats et un principe de gouvernance visant un traitement équitable.
Comparaison côte à côte entre évaluation des risques liés à l’IA et audit d’IA. Comprendre comment un processus de risque soutient les décisions avant et pendant le déploiement, tandis qu’un audit évalue des systèmes ou la gouvernance au regard de critères définis.
Comparaison côte à côte entre l’assurance IA et l’audit IA. Comprendre comment l’assurance est une pratique plus large de production de preuves et de confiance, tandis que l’audit est une évaluation structurée au regard de critères définis.
Comparaison côte à côte entre l’IA générative et l’intelligence artificielle. Comprendre pourquoi l’IA générative est un sous-ensemble créateur de contenu au sein du champ plus large de l’IA.
Comparaison côte à côte entre la responsabilité IA et la responsabilité algorithmique. Comprendre comment la responsabilité des systèmes d’IA se rapporte à la responsabilité plus large des systèmes algorithmiques et de leurs impacts.
Comparaison côte à côte entre la gouvernance de l’IA et le système de management de l’IA. Comprendre comment le cadre plus large de supervision diffère des processus structurés ou de la plateforme utilisée pour gérer l’IA tout au long du cycle de vie.
Comparaison côte à côte entre un système de management de l’IA et l’ISO/IEC 42001. Comprendre la différence entre le système de gouvernance de l’IA d’une organisation et la norme internationale destinée à l’établir et l’améliorer.
Comparaison côte à côte d’un inventaire IA ou registre des systèmes et d’une politique d’utilisation de l’IA. Comprendre en quoi un catalogue des systèmes d’IA diffère des règles d’usage organisationnel acceptable.
Comparaison côte à côte de l’évaluation des risques IA et d’ISO/IEC 23894. Comprendre en quoi un processus spécifique d’évaluation des risques diffère d’une norme internationale de gestion des risques liés à l’IA.
Comparaison côte à côte entre la surveillance du modèle et l’évaluation. Elle explique en quoi l’observation continue d’un modèle déployé diffère de la mesure d’un modèle, d’un système ou d’un changement par rapport à des critères définis.
Comparaison côte à côte entre MLOps et opérations des modèles de fondation. Elle explique comment les pratiques d’exploitation des systèmes d’apprentissage automatique diffèrent de la discipline opérationnelle propre au déploiement, à l’adaptation, à la surveillance et à la gouvernance des modèles de fondation.
Comparaison côte à côte entre incident grave et incident d’IA. Elle explique en quoi un événement large de préjudice lié à l’IA diffère d’une catégorie sévère pouvant déclencher des obligations renforcées de signalement et de correction.
Comparaison côte à côte de la transparence et de l’IA explicable. Comprenez en quoi une visibilité large pour les parties prenantes diffère des méthodes qui rendent les sorties du modèle compréhensibles.
Comparaison côte à côte du modèle boîte noire et de l’IA explicable. Comprenez en quoi l’absence de raisonnement interne compréhensible diffère des méthodes ou propriétés utilisées pour rendre les sorties compréhensibles.
Comparaison côte à côte de l’IA explicable et de l’interprétabilité. Comprenez comment les systèmes et méthodes orientés explication se rapportent à la capacité humaine de comprendre le comportement d’un modèle.
Comparaison côte à côte du Shadow AI et de l’inventaire IA / registre des systèmes. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte du risque fournisseur et de la due diligence fournisseur. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte de l’IA digne de confiance et de l’IA responsable. Elle explique comment un terme décrit les qualités qui soutiennent la confiance dans l’IA, tandis que l’autre décrit les pratiques utilisées pour gouverner l’IA de manière responsable.
Comparaison côte à côte de l’IA éthique et de l’IA responsable. Elle explique en quoi les principes orientés vers l’éthique diffèrent de la pratique plus large consistant à gouverner les systèmes d’IA de manière sûre, licite et transparente.
Comparaison côte à côte entre fournisseur et déployeur. Comprendre qui développe ou met un système d’IA sur le marché et qui l’utilise sous son autorité.
Comparaison côte à côte entre l’IA à usage général et le modèle de fondation. Comprendre comment l’un décrit une large adaptabilité et l’autre un grand modèle de base préentraîné soutenant des tâches en aval.
Comparaison côte à côte entre l’IA à usage général et l’IA frontière. Comprendre la différence entre une IA largement adaptable et des systèmes à usage général hautement capables associés à de nouveaux risques de sécurité et de politique publique.
Comparaison côte à côte entre importateur et distributeur. Comprendre la différence entre la mise sur le marché de l’UE d’un système d’IA de marque non européenne et la mise à disposition d’un système d’IA dans la chaîne d’approvisionnement de l’UE.
Comparaison côte à côte entre fournisseur et fournisseur en aval. Comprendre la différence entre le rôle général de fournisseur et un fournisseur qui intègre un modèle d’IA dans son propre système ou offre.
Comparaison côte à côte entre le mandataire autorisé et l’importateur. Comprendre en quoi un représentant établi dans l’UE et mandaté diffère de l’acteur qui met sur le marché de l’UE le système d’IA d’un fournisseur non établi dans l’UE.
Comparaison côte à côte entre la mise sur le marché et la mise en service. Comprendre comment la première disponibilité sur le marché de l’UE diffère de la première utilisation opérationnelle pour une finalité prévue.
Comparaison côte à côte entre la mise à disposition sur le marché et la mise sur le marché. Comprendre comment la fourniture générale dans l’UE pour distribution ou utilisation diffère du premier événement de ce type sur le marché.
Comparaison côte à côte entre l’évaluation de la conformité et le marquage CE. Comprendre comment le processus d’évaluation de la conformité diffère du marquage signalant que les exigences applicables de l’UE ont été satisfaites.
Comparaison côte à côte entre la finalité prévue et le mésusage raisonnablement prévisible. Comprendre comment l’usage déclaré du système diffère d’un usage hors finalité plausible et pourquoi les deux comptent pour la classification des risques d’IA et les preuves de conformité.
Comparaison côte à côte entre la modification substantielle et la finalité prévue. Comprendre comment un changement postérieur à la mise sur le marché diffère de l’usage déclaré qui définit le périmètre du système et les attentes de conformité.
Comparaison côte à côte entre organisme notifié et organisme d’évaluation de la conformité. Comprendre comment la désignation formelle dans l’UE diffère de la catégorie plus large des organisations tierces d’évaluation.
Comparaison côte à côte d’une norme harmonisée et d’une spécification commune. Comprendre comment chacune soutient les preuves de conformité et quand les équipes doivent s’appuyer sur des normes ou des spécifications reconnues par le régulateur.
Comparaison côte à côte d’un organisme notifié et d’une autorité notifiante. Comprendre qui évalue les systèmes réglementés et qui désigne et surveille les organismes d’évaluation.
Comparaison côte à côte du bac à sable réglementaire [IA] et du test en conditions réelles. Comprendre en quoi les cadres d’innovation supervisés diffèrent des tests temporaires dans l’environnement opérationnel prévu.
Comparaison côte à côte du rappel d’un système d’IA et du retrait d’un système d’IA. Elle explique la différence entre retirer un système de l’usage après sa disponibilité et empêcher qu’un système déjà dans la chaîne d’approvisionnement soit rendu disponible sur le marché.
Comparaison côte à côte entre système d’identification biométrique à distance en temps réel et système d’identification biométrique à distance un posteriori. Elle explique en quoi l’identification biométrique immédiate ou quasi immédiate diffère d’une identification effectuée après la capture.
A side-by-side comparison of Sandbox Plan and Real-World Testing Plan. It explains how an agreed regulatory sandbox document differs from a plan for testing an AI system under real-world conditions.
Comparaison côte à côte entre identification biométrique et vérification biométrique. Elle explique comment la reconnaissance automatisée d’une identité par comparaison avec une base de données diffère d’une confirmation un-à-un de l’identité d’une personne.
Comparaison côte à côte entre système d’identification biométrique à distance et identification biométrique. Elle explique comment un système utilisé pour identifier des personnes sans participation active, généralement à distance, diffère du concept plus large d’identification biométrique.
Comparaison côte à côte entre risque systémique et capacités à fort impact. Elle explique comment les seuils de capacité d’un modèle se rattachent à des risques plus larges susceptibles de se propager dans la société, les marchés, la sécurité et les droits fondamentaux.
Comparaison côte à côte du système de catégorisation biométrique et du système de reconnaissance des émotions. Comprenez en quoi le fait d’assigner des personnes à des catégories à partir de données biométriques diffère de l’inférence d’émotions ou d’intentions.
Comparaison côte à côte de l’autorité nationale compétente et de l’autorité de surveillance du marché. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte du Bureau de l’IA et de l’Autorité nationale compétente. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte des instructions d’utilisation et de la documentation. Elle explique en quoi les instructions opérationnelles fournies par le fournisseur diffèrent des dossiers plus larges utilisés pour la traçabilité, la reproductibilité et l’auditabilité.
Distinguer l’injection de prompt, qui détourne le comportement du modèle au moyen d’une entrée malveillante, du jailbreak, qui contourne les garde-fous de sécurité pour produire du contenu restreint. Les deux sont des menaces de sécurité pour les LLM, mais diffèrent par leur mécanisme et leur objectif.
Comparaison côte à côte de la dérive des données et de la dérive du modèle. Comprendre en quoi les changements de distribution des données d’entrée diffèrent des changements ou de la dégradation des performances du modèle au fil du temps.
Comparaison côte à côte de la sécurité [IA] et de l’éthique [IA]. Comprendre comment les pratiques de prévention des dommages se rattachent aux questions plus larges de valeurs humaines, de droits et de conception responsable.
Comparaison côte à côte de la dérive des données et de la dérive du concept. Comprendre si un problème de modèle provient d’une évolution des distributions d’entrée ou d’une évolution des relations entre les entrées et les résultats.
Comparaison côte à côte entre la dérive du modèle et la dérive conceptuelle. Elle explique en quoi la dégradation des performances dans le temps diffère d’un changement dans la relation statistique entre les entrées et les résultats cibles.
Comparaison côte à côte entre risque et préjudice. Elle explique en quoi une évaluation fondée sur la probabilité et la gravité diffère de l’effet défavorable subi par une personne, un groupe, une organisation ou un système.
Comparaison côte à côte du dossier de sécurité et de l’évaluation des risques IA. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte entre données à caractère personnel et données non personnelles. Comprendre comment l’identifiabilité modifie l’analyse de confidentialité, l’usage licite et les contrôles de gouvernance de l’IA.
Comparaison côte à côte entre données à caractère personnel et catégories particulières de données à caractère personnel. Comprendre pourquoi toutes les données de catégorie particulière sont des données personnelles, mais toutes les données personnelles ne bénéficient pas de la même protection renforcée.
Comparaison côte à côte entre anonymisation / dé-identification et pseudonymisation. Comprendre la différence entre réduire l’identifiabilité et remplacer des identifiants tout en gardant possible la ré-identification au moyen d’informations séparées.
Comparaison côte à côte entre données biométriques et catégories particulières de données à caractère personnel. Comprendre comment les identifiants biométriques se rattachent à l’ensemble plus large des données personnelles sensibles protégées dans l’analyse européenne de confidentialité.
Comparaison côte à côte entre l’anonymisation des données et la confidentialité différentielle. Comprendre comment la réduction de l’identifiabilité dans les données diffère de la limitation de ce qui peut être inféré à partir de calculs ou de sorties de modèles.
Comparaison côte à côte des données synthétiques et des données personnelles. Comprendre en quoi des données générées artificiellement diffèrent d’informations se rapportant à une personne identifiée ou identifiable.
Comparaison côte à côte de la résidence et souveraineté des données et de la souveraineté de l’IA. Comprendre en quoi le contrôle juridique du lieu de stockage et de gouvernance des données diffère d’un contrôle plus large des systèmes, infrastructures et dépendances d’IA.
Comparaison côte à côte de l’évaluation d’impact algorithmique et de l’évaluation d’impact sur la vie privée (PIA). Comprendre en quoi une revue large des risques algorithmiques diffère d’une évaluation centrée sur la confidentialité du traitement des informations personnelles.
Comparaison côte à côte de la confidentialité des données et de la gouvernance des données. Comprendre comment la protection des informations personnelles ou sensibles s’inscrit dans une gestion plus large du cycle de vie des données.
Comparaison côte à côte du règlement général sur la protection des données (RGPD) et de l’EU AI Act. Comprendre en quoi les obligations de protection des données personnelles diffèrent des obligations fondées sur le risque applicables aux systèmes d’IA et aux modèles d’IA à usage général.
Comparaison côte à côte du chiffrement des données et du chiffrement de bout en bout. Comprenez en quoi le chiffrement général pour le stockage, la transmission ou le traitement diffère du maintien des données chiffrées de l’expéditeur au destinataire prévu.
Comparaison côte à côte des clés de chiffrement gérées par le client et du chiffrement des données. Comprenez en quoi le contrôle des clés de chiffrement diffère de la protection plus large des données par chiffrement.
Comparaison côte à côte des données de production et des données d’entraînement. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte de la provenance des données et du registre des sources de données. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte entre la précision et le rappel. Comprendre comment la précision évalue la justesse des positifs prédits, tandis que le rappel évalue combien de positifs réels ont été trouvés.
Comparaison côte à côte entre l’exactitude et la précision. Comprendre pourquoi la justesse globale peut masquer une faible performance sur la classe positive et pourquoi la précision compte lorsque les faux positifs sont coûteux.
Comparaison côte à côte entre l’exactitude et le rappel. Comprendre comment la justesse globale diffère de la capacité à trouver les cas positifs réels, surtout lorsque les positifs manqués sont coûteux.
Comparaison côte à côte entre l’exactitude et le score F1. Comprendre comment la justesse globale diffère d’une mesure équilibrée de la précision et du rappel.
Comparaison côte à côte entre le score F1 et l’aire sous la courbe ROC. Comprendre comment un équilibre précision-rappel dépendant d’un seuil diffère d’une discrimination de classement sur plusieurs seuils.
Comparaison côte à côte entre la courbe ROC et la courbe précision-rappel. Comprendre comment les compromis entre taux de vrais positifs et taux de faux positifs diffèrent des compromis entre précision et rappel.
Comparaison côte à côte de l’aire sous la courbe ROC et de l’aire sous la courbe PR. Comprendre en quoi la discrimination de classement diffère de la performance précision-rappel sur plusieurs seuils.
Comparaison côte à côte du faux positif et du faux négatif. Comprendre quel type d’erreur signale à tort quelque chose d’absent et quel type d’erreur manque quelque chose de présent.
Comparaison côte à côte entre le taux de faux positifs et le taux de faux négatifs. Elle explique en quoi le fait de signaler à tort des négatifs réels diffère du fait de manquer des positifs réels dans l’évaluation de classification.
Comparaison côte à côte entre factualité et ancrage factuel. Elle explique comment la cohérence d’une sortie avec la réalité ou les faits établis diffère du fait qu’elle soit étayée par des sources précises ou le contexte fourni.
Comparaison côte à côte du taux de vrais positifs et du taux de faux positifs. Comprenez en quoi la détection des positifs réels diffère des prédictions positives erronées parmi les négatifs réels.
Comparaison côte à côte de la précision des citations et du rappel des citations. Comprenez en quoi le soutien correct des affirmations citées diffère de l’exposition des documents sources utilisés pour produire une réponse.
Comparaison côte à côte du taux d’affirmations non étayées et de l’hallucination. Comprenez comment une mesure des affirmations non étayées se rapporte à la défaillance plus large des sorties IA fausses ou fabriquées.
Comparaison côte à côte du seuil de classification et du seuil de décision. Comprenez comment le langage des seuils s’applique à la prédiction de classes et aux décisions discrètes plus larges du modèle.
Comparaison côte à côte d’une métrique et d’un benchmark. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte de l’évaluation et du benchmark. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte de l’erreur absolue moyenne et de l’erreur quadratique moyenne. Elle explique comment chaque métrique de régression traite les erreurs de prédiction et pourquoi le choix affecte les conclusions de validation.
Comparaison côte à côte d’Exact Match et de ROUGE-L. Elle explique en quoi une métrique stricte tout-ou-rien diffère d’une métrique de chevauchement de séquence fondée sur la plus longue sous-séquence commune.
Comparaison côte à côte entre un chatbot et un agent IA. Comprendre comment une interface conversationnelle diffère d’un système orienté objectif capable d’interpréter des entrées et d’agir.
Comparaison côte à côte entre l’IA agentique et l’agent IA. Comprendre comment l’IA agentique décrit une classe de systèmes autonomes poursuivant des objectifs, tandis qu’un agent IA est l’entité ou le système logiciel qui agit.
Comparaison côte à côte entre un flux de travail agentique et le chaînage de prompts. Comprendre comment le comportement agentique autonome en plusieurs étapes diffère d’une conception séquentielle de prompts.
Comparaison côte à côte de l’IA agentique et des systèmes autonomes. Elle explique en quoi les systèmes d’IA qui planifient et agissent vers des objectifs diffèrent de la catégorie plus large des systèmes qui fonctionnent sans intervention humaine continue.
Comparaison côte à côte entre flux de travail agentique et boucle agentique. Elle explique la différence entre un processus dans lequel un agent d’IA planifie et exécute plusieurs étapes vers un objectif défini et le cycle répété d’observation, de raisonnement, d’action et de feedback.
Comparaison côte à côte entre agent d’IA et travailleur IA. Elle explique comment une entité logicielle qui perçoit, interprète et agit pour atteindre des objectifs diffère d’un travailleur numérique d’entreprise conçu pour exécuter des tâches complexes dans un processus métier.
Comparaison côte à côte entre agent d’IA et bot. Elle explique comment un système qui perçoit un environnement et agit pour atteindre des objectifs diffère d’une application automatisée conçue pour exécuter des tâches, parfois en interaction avec des humains.
Comparaison côte à côte entre protocole de contexte du modèle et plugins. Elle explique comment une interface standardisée de connexion aux outils, données et services diffère de modules ou extensions attachés à un système d’IA.
Comparaison côte à côte entre automatisation robotisée des processus et automatisation agentique des processus. Elle explique comment l’automatisation de tâches répétitives fondées sur des règles diffère de l’utilisation d’agents d’IA autonomes ou semi-autonomes dans des processus métier.
Comparaison côte à côte de l’espace d’action et des permissions de gestion des identités et des accès. Comprenez en quoi les actions disponibles pour un agent diffèrent des contrôles d’accès qui autorisent les actions sur les ressources.
Comparaison côte à côte de l’orchestration IA et du workflow agentique. Comprenez en quoi la coordination au niveau du système diffère d’un agent qui planifie et réalise plusieurs étapes vers un objectif.
Comparaison côte à côte de l’appel de fonctions et des plugins. Comprenez en quoi l’invocation structurée d’outils diffère des extensions modulaires attachées à un système IA ou à un agent.
Comparaison côte à côte de l’appel de fonctions et de l’ingénierie de prompts. Comprenez en quoi l’invocation structurée d’outils diffère de la conception des entrées du modèle pour améliorer le comportement de sortie.
Comparaison côte à côte de la surface d’attaque et de l’espace d’action. Comprenez en quoi l’exposition d’un système aux abus diffère de l’ensemble des actions disponibles pour un agent IA.
Comparaison côte à côte de l’automatisation et de l’automatisation de processus agentique. Comprenez en quoi l’exécution de tâches activée par la technologie en général diffère de l’exécution de workflows par agents IA autonomes ou semi-autonomes.
Comparaison côte à côte de l’agent routeur et de l’orchestration IA. Elle explique en quoi un composant de routage diffère de la couche de coordination plus large qui gère les tâches, outils, modèles et agents.
Comparaison côte à côte entre l’apprentissage supervisé et l’apprentissage non supervisé. Comprendre comment l’apprentissage à partir d’exemples étiquetés diffère de la découverte de motifs dans des données sans étiquettes préexistantes.
Comparaison côte à côte entre les données d’entraînement et le jeu de test. Comprendre pourquoi les données utilisées pour ajuster un modèle doivent être séparées des données réservées pour l’évaluer.
Comparaison côte à côte entre les données d’entraînement et les données de validation. Comprendre comment les données utilisées pour ajuster le modèle diffèrent des données utilisées pendant le développement pour régler les choix et détecter les problèmes de généralisation.
Comparaison côte à côte entre l’apprentissage automatique et l’apprentissage profond. Comprendre comment le domaine plus large de l’apprentissage à partir des données diffère des méthodes de réseaux neuronaux à couches multiples.
Comparaison côte à côte de l’apprentissage supervisé et de l’apprentissage semi-supervisé. Comprendre en quoi l’apprentissage à partir d’exemples étiquetés diffère de la combinaison de données étiquetées et non étiquetées.
Comparaison côte à côte de l’apprentissage auto-supervisé et de l’apprentissage semi-supervisé. Comprendre comment chacun utilise des données non étiquetées et pourquoi le rôle des étiquettes diffère.
Comparaison côte à côte des données de validation et du jeu de test. Comprendre pourquoi les données de réglage en développement doivent rester séparées des données d’évaluation indépendante.
Comparaison côte à côte de l’apprentissage par renforcement et de l’apprentissage supervisé. Elle explique comment l’apprentissage à partir de récompenses dans un environnement diffère de l’apprentissage de correspondances à partir d’exemples étiquetés.
Comparaison côte à côte de l’apprentissage actif et de l’apprentissage supervisé. Elle explique comment demander sélectivement les étiquettes les plus utiles diffère de l’entraînement sur un jeu de données étiquetées existant.
Comparaison côte à côte entre le modèle de diffusion et le réseau antagoniste génératif. Elle explique en quoi la génération par débruitage diffère de l’entraînement adversarial générateur-discriminateur.
Comparaison côte à côte entre le surapprentissage et le sous-apprentissage. Elle explique en quoi apprendre trop étroitement les données d’entraînement diffère de ne pas apprendre de schémas significatifs dans les données.
Comparaison côte à côte entre arbre de décision et forêt aléatoire. Elle explique comment un modèle supervisé interprétable en structure arborescente diffère d’une méthode ensembliste qui agrège de nombreux arbres de décision.
Comparaison côte à côte entre modèle génératif et modèle discriminatif. Elle explique comment un modèle qui apprend la distribution des données pour créer ou estimer des exemples diffère d’un modèle qui apprend à prédire des sorties à partir de caractéristiques observées.
Comparaison côte à côte entre réseau neuronal et réseau neuronal profond. Elle explique comment un modèle composé d’unités de calcul interconnectées diffère d’un réseau comportant plusieurs couches cachées entraîné par des techniques d’apprentissage profond.
Comparaison côte à côte de la classification et de la régression. Comprenez en quoi prédire des catégories discrètes diffère de prédire des valeurs continues ou numériques.
Comparaison côte à côte du clustering et de la classification. Comprenez en quoi regrouper des points de données similaires sans labels diffère de l’assignation d’entrées à des catégories prédéfinies.
Comparaison côte à côte de la forêt aléatoire et du gradient boosting. Comprenez en quoi l’agrégation de nombreux arbres randomisés diffère de l’amélioration séquentielle de modèles faibles pour réduire les erreurs de prédiction.
Comparaison côte à côte du jeu de test et des données de réserve. Comprenez comment un jeu de test réservé se rapporte à la catégorie plus large des données exclues de l’entraînement pour validation ou évaluation.
Comparaison côte à côte du modèle de langage causal et du modèle de langage masqué. Comprenez en quoi la génération du prochain token diffère de la prédiction de tokens masqués à partir du contexte environnant.
Comparaison côte à côte du réseau neuronal convolutif et du Transformer. Comprenez en quoi l’apprentissage de motifs locaux diffère de la modélisation de séquences et de relations fondée sur l’attention.
Comparaison côte à côte de la validation croisée et des données de réserve. Comprenez en quoi l’évaluation répétée par divisions diffère de la réservation de données hors entraînement pour l’évaluation.
Comparaison côte à côte de l’augmentation de données et des données synthétiques. Comprenez en quoi modifier ou transformer des données existantes diffère de générer des données artificielles qui ressemblent à des données réelles.
Comparaison côte à côte du clustering K-means et de DBSCAN. Comprenez en quoi le regroupement fondé sur des centroïdes diffère du clustering fondé sur la densité avec détection du bruit.
Comparaison côte à côte du clustering K-means et du clustering hiérarchique. Elle explique en quoi un regroupement plat fondé sur des centroïdes diffère de structures de clusters imbriquées en forme d’arbre.
Comparaison côte à côte de la régression logistique et de la régression linéaire. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte du réseau neuronal récurrent et du Transformer. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte du bagging et du boosting. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte du modèle de langage bidirectionnel et du modèle de langage unidirectionnel. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte de l’encodeur et du décodeur. Elle explique en quoi les concepts diffèrent, quand chaque terme s’applique et pourquoi cette distinction compte pour la gouvernance, l’évaluation ou la conception des systèmes d’IA.
Comparaison côte à côte du gradient boosting et de XGBoost. Elle explique en quoi la technique générale de boosting diffère de l’implémentation largement utilisée et quand chaque terme doit être employé.
Comparaison côte à côte de la régularisation et de l’arrêt anticipé. Elle explique en quoi une grande famille de contrôles contre le surapprentissage diffère d’une technique spécifique d’arrêt de l’entraînement.
Comparaison côte à côte de l’attention et de l’auto-attention [aussi appelée couche d’auto-attention]. Elle explique en quoi le mécanisme général de pondération diffère du mécanisme interne à la séquence utilisé dans les architectures Transformer.
Comparaison côte à côte de l’autoencodeur et de l’autoencodeur variationnel. Elle explique en quoi l’apprentissage de représentations centré sur la reconstruction diffère de la modélisation générative probabiliste.
Comparaison côte à côte de l’annotation des données et de l’étiquetage des données. Elle explique comment l’enrichissement descriptif des données se rapporte à l’attribution de valeurs cibles ou de réponses correctes pour l’apprentissage automatique.
Comparaison côte à côte de la régularisation L~1~ et de la régularisation L~2~. Elle explique en quoi les pénalités sur les poids absolus diffèrent des pénalités sur les poids au carré et comment cela affecte la parcimonie, l’utilisation des caractéristiques et la généralisation.