1) LLM: large language model : interprétation du prompt 2) LRM: large reasoning model : chaîne de pensée et de raisonnement 3) Agents IA : assistant personnel autonome,agit selon ce plan à configurer : a) comprendre le contexte b) planifier la stratégie c) agit selon un plan d) observe et ajuste jusqu’à atteindre l’objectif 4) Fenêtre de contexte : capacité à découper le texte pour le comprendre (sous forme de token) et à garder en mémoire les textes précédents 5) RAG : retrieval augmented generation, fournit à l’IA une base de données spécialisé à une entreprise ou à une personne 6) MCP : modèle concept protocole, protocole qui permet à l’IA de se connecter à des API. 7) A2A : protocole permettant aux différents agents de communiquer. 8) IA multimodale: peut générer plusieurs type de contenus à partir de plusieurs sources de données (image, audio, vidéo, texte) 9) AGI: IA générale, IA qui peut être expert dans tous les domaines 10) ASI : super intelligence artificielle dont les fonctions cognitives dépassent celles de n’importe quel humain 11) LLMOps : ensemble des pratiques d'industrialisation : versionning des prompts, évaluation, monitoring, coûts et déploiement des applications LLM 12) AI Act : classe les systèmes IA par niveau de risque (inacceptable, élevé, limité, minimal) et impose des obligations croissantes de transparence, documentation et gestion des risques selon ce niveau. 13) fine-tuning : entraîner un modèle existant sur nos données afin d’ancrer un style, un format de sortie ou un comportement spécifique. Pour des connaissances factuelles évolutives, le RAG reste généralement plus adapté, économique et plus facile à maintenir à jour. 14) distillation : entraîner un petit modèle à imiter les réponses d’un gros modèle, afin de faire tenir les capacités d’un gros modèle dans un petit. 15) base vectorielle : permettent des recherches par proximité sémantiques, brique essentielle des architectures RAG;
