L’intelligence artificielle, l’automatisation et le nocode sont des domaines en pleine expansion qui utilisent de nombreux termes techniques. Ce lexique a pour but de définir ces termes de manière claire et concise, afin de faciliter la compréhension des débutants dans ces domaines passionnants.
- Intelligence Artificielle (IA) : Domaine de l’informatique visant à reproduire l’intelligence humaine dans les machines.
- Algorithme : Ensemble d’instructions logiques permettant de résoudre un problème.
- Apprentissage automatique (Machine Learning) : Sous-domaine de l’IA permettant aux systèmes d’apprendre et de s’améliorer à partir de données.
- Apprentissage supervisé : Technique d’apprentissage automatique où les données d’entraînement sont étiquetées.
- Apprentissage non supervisé : Technique d’apprentissage automatique où les données d’entraînement ne sont pas étiquetées.
- Réseau de neurones artificiels : Modèle d’apprentissage automatique inspiré du fonctionnement du cerveau humain.
- Deep Learning : Sous-domaine de l’apprentissage automatique utilisant des réseaux de neurones profonds.
- Automatisation : Processus visant à rendre une tâche autonome et sans intervention humaine.
- Automatisation des processus robotiques (RPA) : Utilisation de robots logiciels pour automatiser des tâches répétitives.
- Nocode : Développement d’applications sans écrire de code, en utilisant des outils visuels.
- Intelligence artificielle générale (AGI) : Système d’IA capable de résoudre n’importe quel problème intellectuel comme un être humain.
- Vision par ordinateur : Domaine de l’IA permettant aux machines d’acquérir, traiter et analyser des données visuelles.
- Traitement du langage naturel (NLP) : Domaine de l’IA permettant aux machines de comprendre et générer du langage naturel.
- Exploration de données : Processus d’analyse des données pour en découvrir les caractéristiques essentielles.
- Données d’entraînement : Ensemble de données utilisées pour former un modèle d’apprentissage automatique.
- Données de test : Ensemble de données utilisées pour évaluer les performances d’un modèle après son entraînement.
- Sur-apprentissage (Overfitting) : Situation où un modèle apprend trop les détails des données d’entraînement et ne généralise pas bien.
- Sous-apprentissage (Underfitting) : Situation où un modèle n’est pas assez complexe pour capturer les tendances des données.
- Fonctions d’activation : Fonctions utilisées dans les réseaux de neurones pour introduire de la non-linéarité.
- Rétropropagation (Backpropagation) : Algorithme utilisé pour entraîner les réseaux de neurones en ajustant les poids.
- Intelligence ambiante (Ambient Intelligence) : Environnement intelligent capable d’interagir avec les utilisateurs de manière naturelle.
- Agent conversationnel (Chatbot) : Programme informatique conçu pour simuler une conversation avec des humains.
- Détection d’objets : Capacité d’identifier et de localiser des objets dans une image ou une vidéo.
- Reconnaissance vocale : Capacité d’un système à transcrire la parole humaine en texte.
- Synthèse vocale : Capacité d’un système à générer de la parole artificielle à partir de texte.
- Robotique : Conception et utilisation de robots, souvent en combinaison avec l’IA.
- Internet des objets (IoT) : Réseau d’objets physiques connectés à Internet, capables de collecter et d’échanger des données.
- Edge Computing : Traitement des données à la périphérie du réseau, près de la source, plutôt que dans un cloud centralisé.
- Jumeau numérique : Réplique virtuelle d’un objet, processus ou système physique.
- Réalité augmentée (AR) : Superposition d’éléments virtuels sur le monde réel.
- Réalité virtuelle (VR) : Simulation d’un environnement réaliste généré par ordinateur.
- Métavers : Univers virtuel immersif combinant différents aspects du monde numérique.
- Pipeline de données : Processus complet de transfert et de traitement des données.
- Données volumineuses (Big Data) : Ensembles de données massifs nécessitant des outils spécialisés pour leur stockage et traitement.
- Lake de données : Référentiel central destiné au stockage brut de données structurées et non structurées.
- Entrepôt de données : Référentiel sécurisé de données intégrées provenant de sources multiples.
- Gouvernance des données : Pratiques, processus et politiques pour gérer les données d’une organisation.
- Infrastructure en tant que service (IaaS) : Modèle cloud où des ressources informatiques sont fournies sous forme de services.
- Plateforme en tant que service (PaaS) : Modèle cloud offrant un environnement pour développer, tester et déployer des applications.
- Logiciel en tant que service (SaaS) : Modèle de distribution de logiciels où les applications sont accessibles via un navigateur web.
- API (Interface de programmation d’applications) : Ensemble de règles et protocoles permettant à différentes applications de communiquer entre elles.
- Microservices : Architecture logicielle où une application est composée de petits services indépendants et modulaires.
- Conteneurs : Unités logicielles légères, autonomes et portables, permettant d’exécuter des applications de manière isolée.
- Orchestration de conteneurs : Automatisation du déploiement, de la mise à l’échelle et de la gestion des conteneurs.
- Kubernetes : Plateforme open-source pour l’automatisation du déploiement, la mise à l’échelle et la gestion des conteneurs.
- DevOps : Combinaison des pratiques de développement logiciel et d’opérations pour accélérer les cycles de livraison.
- Pipeline CI/CD (Intégration et Déploiement Continus) : Processus automatisé pour intégrer, construire, tester et déployer des applications.
- GitOps : Modèle opérationnel utilisant Git comme source de vérité pour décrire l’état souhaité d’un système.
- Infrastructure en tant que code (IaC) : Gestion et approvisionnement des ressources informatiques à l’aide de fichiers de configuration.
- Terraform : Outil open-source d’infrastructure en tant que code, permettant de provisionner des ressources cloud.
- Ansible : Outil open-source d’automatisation IT, utilisant des livres de jeu écrits en YAML.
- Chef : Plateforme d’automatisation permettant de configurer et de gérer des infrastructures à l’aide de code.
- Puppet : Langage de configuration déclaratif permettant de définir et d’appliquer l’état souhaité d’un système.
- Low-code : Développement d’applications par assemblage visuel de composants préconstruits, avec un minimum de codage.
- Platform.sh : Plateforme cloud permettant de développer, tester et déployer des applications web.
- AppMaster : Plateforme no-code pour créer des applications backend, web et mobiles sans écrire de code.
- Bubble.io : Outil no-code pour construire des applications web et mobiles de manière visuelle.
- Appian : Plateforme low-code pour l’automatisation des processus métier et le développement d’applications.
- Power Apps : Suite d’outils low-code de Microsoft pour créer des applications métier.
- Low-code/No-code RPA : Automatisation de tâches répétitives sans codage ou avec un minimum de code.
- Hyperautomatisation : Approche qui combine plusieurs technologies d’automatisation, comme l’IA, le machine learning, la RPA, etc.
- Automatisation cognitive : Application de technologies cognitives comme l’IA, le NLP et la vision par ordinateur pour automatiser des tâches.
- PLG (Product-Led Growth) : Stratégie de croissance basée sur l’expérience utilisateur du produit lui-même.
- Boucle de feedback : Processus itératif d’amélioration continue basé sur les commentaires des utilisateurs.
- MVP (Minimum Viable Product) : Version simplifiée d’un produit permettant de recueillir un feedback utilisateur rapide.
- Tests A/B : Méthode consistant à comparer deux versions d’un produit pour identifier la meilleure option.
- OKR (Objectifs et Résultats Clés) : Cadre de définition d’objectifs et de mesure des résultats.
- Agilité : Philosophie itérative et flexible de gestion de projet, favorisant l’adaptation rapide.
- Sprint : Période de temps fixe durant laquelle une équipe agile se concentre sur un objectif spécifique.
- Poker de planification : Technique agile pour estimer les efforts nécessaires à la réalisation d’une tâche.
- Scrums : Cadre de gestion de projet agile avec des cycles courts, des réunions quotidiennes et une collaboration étroite.
- Kanban : Méthode agile de gestion de flux de travail limitant le travail en cours.
- Expérience Utilisateur (UX) : Ensemble des aspects liés à l’interaction et l’expérience d’un utilisateur avec un produit ou un service.
- Design Thinking : Processus créatif centré sur l’utilisateur pour résoudre des problèmes complexes.
- Prototype : Représentation préliminaire d’un produit permettant des tests et des itérations rapides.
- Wireframe : Schéma visuel basique représentant la structure et la mise en page d’une interface.
- Mockup : Modèle visuel statique d’une interface utilisateur avec un rendu plus réaliste qu’un wireframe.
- User Story : Description informelle d’une fonctionnalité exprimée du point de vue de l’utilisateur.
- Mind mapping : Technique de visualisation d’idées et d’informations sous forme de diagrammes.
- Empathie : Capacité à comprendre les pensées, émotions et expériences d’autres personnes.
- Ethique de l’IA : Branche de l’éthique traitant des questions morales liées à la conception, au développement et à l’utilisation de l’IA.
- Biais algorithmique : Erreurs systématiques dans les systèmes d’IA résultant de données d’entraînement déformées ou d’hypothèses erronées.
- Explicabilité : Capacité d’un système d’IA à expliquer ses décisions et son raisonnement de manière compréhensible.
- Traçabilité : Propriété permettant de retracer les décisions et le cheminement logique d’un algorithme.
- IA générative : Systèmes d’IA capables de générer du contenu nouveau à partir de données d’entraînement.
- IA de confiance : Conception d’IA robustes, sûres, explicables et alignées sur les valeurs humaines.
- IA responsable : Approche visant à garantir que les systèmes d’IA respectent des principes éthiques clés.
- Résilience IA : Capacité des systèmes d’IA à résister aux attaques, pannes et manipulations.
- Confidentialité différentielle : Technique cryptographique protégeant la vie privée lors du partage de données.
- Fuite de données : Divulgation non autorisée d’informations sensibles ou confidentielles.
- fedMA (Machine Learning Fédéré) : Approche décentralisée où les données restent sur les appareils des utilisateurs.
- Transfert d’apprentissage : Réutilisation des connaissances apprises par un modèle pour une nouvelle tâche.
- Métaapprentissage : Entraînement de modèles pour apprendre à apprendre de manière plus efficace.
- Ingénierie des connaissances : Processus d’acquisition, de modélisation et de gestion des connaissances.
- Raisonnement à partir de cas : Technique d’IA utilisant des cas résolus pour résoudre de nouveaux problèmes.
- Systèmes experts : Programmes informatiques simulant le raisonnement d’experts humains dans un domaine spécialisé.
- Graphes de connaissances : Représentations sémantiques des relations entre différentes entités.
- Web sémantique : Extension du Web visant à créer un environnement d’informations interconnectées et exploitables.
- Ontologie : Modèle formel décrivant les concepts et relations d’un domaine particulier.
- Crowdsourcing : Externalisation d’un travail à un grand nombre de contributeurs volontaires.