Ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l’intelligence humaine
Systèmes d’IA hypothétiques capables de comprendre et d’apprendre n’importe quelle tâche intellectuelle qu’un être humain peut accomplir.
Un programme informatique qui utilise l’Intelligence Artificielle pour simuler une conversation avec un utilisateur humain. ChatGPT, Google Bard et Microsoft Bing Chat font partie de cette catégorie d’IA.
Un modèle de langage est un algorithme d’intelligence artificielle qui utilise des techniques d’apprentissage en profondeur et des ensembles de données massifs pour comprendre, résumer, générer et prédire de nouveaux contenus. Les modèles de langage sont conçus pour comprendre, générer et manipuler le langage humain en combinant les fondements du traitement du langage naturel (NLP) et de l’apprentissage automatique.
Sous-domaine clé de l’IA qui rend ses capacités les plus avancées possibles. Il permet aux machines d’apprendre à partir de données et d’améliorer leurs performances sans être explicitement programmées.
Type de modèle d’apprentissage automatique utilisé pour générer de nouvelles données en apprenant les caractéristiques des données d’entraînement.
Type de modèle d’apprentissage automatique utilisé pour prédire une variable cible en fonction des variables d’entrée.
Type de modèle d’apprentissage automatique utilisé pour recommander des éléments à un utilisateur en fonction de ses préférences et de son historique.
Sous-domaine de l’apprentissage automatique qui utilise des réseaux de neurones artificiels pour apprendre à partir de données.
Type d’apprentissage automatique dans lequel un modèle est entraîné sur des données étiquetées pour prédire la sortie pour de nouvelles données.
Type de modèle d’apprentissage supervisé utilisé pour prédire une variable continue en fonction des variables d’entrée.
Type de modèle d’apprentissage supervisé utilisé pour prédire une variable catégorique en fonction des variables d’entrée.
Type d’apprentissage automatique dans lequel un modèle est entraîné sur des données non étiquetées pour découvrir des structures cachées dans les données.
Type d’apprentissage automatique qui combine l’apprentissage supervisé et non supervisé en utilisant à la fois des données étiquetées et non étiquetées pour l’entraînement du modèle.
Techniques utilisées par les grands modèles linguistiques pour comprendre et générer le langage humain
Série d’étapes utilisées pour résoudre un problème ou effectuer une action.
Processus d’inspection, de nettoyage, de transformation et de modélisation des données dans le but de découvrir des informations utiles, d’informer les conclusions et de soutenir la prise de décision.
Un réseau neuronal, également connu sous le nom de réseau neuronal artificiel (ANN) ou réseau neuronal simulé (SNN), est un ensemble organisé de neurones artificiels interconnectés permettant la résolution de problèmes complexes, tels que la vision par ordinateur ou le traitement du langage naturel. Son nom et sa structure sont inspirés du cerveau humain, imitant la façon dont les neurones biologiques communiquent entre eux. Il s’agit d’un sous-ensemble du domaine de l’apprentissage automatique.
Type de réseau neuronal profond utilisé principalement pour le traitement d’images, qui utilise des couches convolutives pour extraire des caractéristiques spatiales des données d’entrée.
Un autre type de réseau neuronal profond, cette fois utilisé pour le traitement de séquences de données. Il se sert de connexions récurrentes pour analyser et identifier des dépendances temporelles dans celles-ci.
Domaine de l’IA qui traite de la façon dont les ordinateurs peuvent être entraînés à comprendre et interpréter les images et les vidéos numériques.