Glossaire de l’IA générative : les termes clés de l’IA en 2025 et au-delà

Pour les entreprises, l’IA générative transforme les interactions avec les clients et le rôle des employés. De l’optimisation des réponses à la détection proactive des besoins, l’IA générative améliore l’expérience des clients en livrant des niveaux d’automatisation et de personnalisation inédits. À mesure que l’IA générative évolue, il est crucial de rester à la page sur ses termes et concepts clés, et sur les mots courants qui définissent ce domaine.

Notre glossaire de l’IA générative recense plus de 50 termes clés pour vous aider à comprendre cette technologie en pleine évolution et ses atouts dans le domaine de l’expérience client (CX) et du service aux employés.

Trouver un terme clé :

Affinement

Dans l’IA, l’affinement fait référence à l’ajustement ultérieur d’un modèle pré-entraîné sur une tâche ou un jeu de données spécifique afin d’améliorer ses performances dans un domaine précis.

Agent IA

Les agents IA forment la nouvelle génération de bots basés sur l’IA, équipés pour comprendre et résoudre entièrement les problèmes des clients, même les plus complexes. Les agents IA Zendesk sont des bots les plus autonomes du marché de l’expérience client. Ils peuvent détecter automatiquement ce que les clients veulent, répondre comme le ferait un agent humain et livrer une valeur immédiate dès le premier jour.

Analyse du sentiment

L’analyse des sentiments utilise le NLP pour détecter et déterminer les tons émotionnels ou les opinions exprimés dans un texte. Les modèles d’IA spécialisés dans la CX s’en servent pour cerner le sentiment du client, ce qui peut améliorer l’assistance et aiguiller des améliorations dans vos produits ou services.

Anthropomorphisme

L’anthropmorphisme consiste à attribuer des traits, des émotions ou des intentions propres à l’humain à une entité non humaine, y compris des systèmes d’IA et d’autres machines. L’anthropmorphisme peut conduire à des attentes irréalistes et à des malentendus sur les véritables capacités d’un système d’IA, mais elle peut aussi rendre les échanges automatisés plus personnels.

Apprentissage few-shot

L’apprentissage few-shot permet à un modèle d’IA d’apprendre de nouvelles tâches ou de nouveaux concepts à partir d’un petit nombre d’exemples (et non en utilisant un grand ensemble de données).

Apprentissage non supervisé

L’apprentissage non supervisé est une méthode de machine learning où le système d’IA est entraîné sur des données non étiquetées qui ne sont pas reliées à des résultats spécifiques, ce qui l’oblige à découvrir les schémas récurrents et des structures de données par lui-même.

Apprentissage par renforcement

L’apprentissage par renforcement est un type d’entraînement où un modèle d’IA apprend en recevant des récompenses ou des pénalités. L’absence d’apprentissage par renforcement à partir de commentaires humains (où les utilisateurs disent directement au système d’IA générative quand il a échoué ou réussi) est un écueil courant de l’IA dans le service client.

Apprentissage profond

L’apprentissage profond (DL) est un sous-ensemble du machine learning (ML) qui utilise des réseaux neuronaux artificiels avec de nombreuses couches pour tirer des enseignements et des prédictions à partir de données. Dans la CX, l’apprentissage profond et le machine learning améliorent la capacité de compréhension de l’IA pour le langage et les images complexes, et la qualité de ses fonctions d’assistance client.

Apprentissage supervisé

L’apprentissage supervisé est un type de machine learning dans lequel le système d’IA est entraîné sur des données étiquetées, où les intrants sont reliés au résultat souhaité en sortie. Cela aide les modèles à bien mapper les entrées aux sorties.

Apprentissage zero-shot

L’apprentissage zero-shot décrit la capacité d’un système d’IA à effectuer une tâche ou à comprendre un concept sans entraînement préalable. Pour cela, le modèle doit pouvoir effectuer des généralisations à partir de données connues et produire des applications d’IA plus flexibles et adaptables.

Augmentation

L’augmentation décrit la façon dont cette technologie peut étendre les capacités humaines, plutôt que de les remplacer entièrement. Dans la CX, l’IA peut doper le niveau de réflexion des agents et augmenter leurs performances en gérant des tâches répétitives, ce qui leur permet de se concentrer sur des interactions complexes et de grande valeur.

Automatisation

L’automatisation est l’utilisation de l’IA et d’autres technologies pour effectuer des tâches avec une intervention humaine minimale. Dans l’expérience client, il existe de nombreuses formes d’automatisation, notamment :

• L’automatisation du service client
• L’automatisation de l’expérience client
• L’automatisation de l’assurance qualité (QA)

L’automatisation intelligente peut améliorer le délai de réponse, réduire la charge de travail et doper l’efficacité de nombreux processus métier.

Biais

Dans l’IA, la notion de biais fait référence aux erreurs ou préjugés systématiques, favorisant divers groupes ou perspectives, qui peuvent être introduits dans les modèles d’apprentissage automatique, souvent en raison des données ou des algorithmes utilisés pour l’entraînement du système. Réduire les biais dans l’IA conversationnelle et l’IA générative est un défi clé dans le développement responsable de l’IA afin de garantir des interactions équitables et inclusives pour tous les publics.

Boucle de rétroaction

Une boucle de rétroaction exploite les résultats d’un système d’IA dans le but de guider et d’améliorer ses performances futures. Ces boucles permettent à un modèle d’apprendre à partir des intrants des utilisateurs et d’affiner ses interactions au fil du temps.

Chaîne de pensée

Dans l’IA, la chaîne de pensée décrit le processus de raisonnement étape par étape qu’un système d’IA utilise pour arriver à un résultat ou à une décision. Cette méthode lui permet de tirer des conclusions en simulant un raisonnement de type humain.

Chatbot

Un chatbot est une interface de conversation alimentée par IA qui peut utiliser un langage naturel dans ses interactions et tenir des conversations humaines avec les utilisateurs. Dans le service client, les chatbots, y compris ceux intégrant le traitement automatique du langage naturel (NLP), peuvent fournir une assistance automatisée, répondre aux requêtes ou effectuer des tâches simples.

Comportement émergent

Le comportement émergent décrit les habitudes, les actions et les capacités inattendues qui peuvent se manifester lors de l’interaction de systèmes d’IA complexes avec de grands ensembles de données.

Copilote IA

Un copilote est un assistant d’IA qui fournit des suggestions, des ressources ou des actions aux utilisateurs humains. Parfait exemple de l’IA dans le service client, les copilotes IA sont à rapprocher des copilotes dans l’aviation : ils aident vos agents aux commandes à effectuer des tâches et peuvent même prendre en charge certaines tâches. Le copilote IA de Zendesk est le tout premier assistant avancé pour les agents CX modernes. Il aide vos équipes à répondre aux requêtes de façon rapide et précise et vous fait gagner en efficacité.

Données d’entraînement

Les données d’entraînement sont le jeu de données utilisé pour entraîner un modèle de machine learning. La qualité et la diversité des données d’entraînement peuvent avoir un impact majeur sur les performances du modèle.

Entraînement

L’entraînement est le processus par lequel un modèle d’IA apprend à effectuer une tâche spécifique sur des jeux de données spécifiques, comme la classification, la prédiction ou la génération.

Éthique de l’IA

L’éthique de l’IA fait référence aux principes moraux qui guident la conception, le développement et le déploiement d’une utilisation responsable de l’IA. Les considérations courantes de l’éthique de l’IA dans la CX incluent la transparence de l’IA, l’équité, la confidentialité et l’impact sociétal.

Fenêtre de contexte

Dans l’IA, la fenêtre de contexte décrit la quantité d’informations passées qu’un modèle d’IA peut conserver ou auxquelles il peut faire référence pendant une interaction. Une fenêtre de contexte plus large donne lieu à des réponses plus cohérentes et détaillées.

Générateur

Dans l’IA générative, le générateur est le composant qui permet au système de produire du contenu qui est nouveau et original, notamment du texte, des images et de l’audio. Les générateurs sont souvent associés à des discriminateurs afin de former des réseaux antagonistes génératifs.

Voir aussi : Réseaux antagonistes génératifs (GAN)

Génération augmentée de récupération (RAG)

La génération augmentée de récupération (RAG) est une technique qui combine les LLM à des systèmes de récupération de l’information pour produire des résultats plus précis et factuels. Les modèles RAG peuvent puiser dans des bases de connaissances IA internes et des sources de connaissances externes pendant la génération.

Génération conditionnelle

La génération conditionnelle est la capacité d’un système d’IA à générer du contenu sur la base de conditions ou de prompts spécifiques. Cela lui permet de créer des réponses adaptées aux besoins ou aux préférences de l’utilisateur.

Grand modèle de langage (LLM)

Les grands modèles de langage (LLM) sont des systèmes d’IA formés sur de grandes quantités de données textuelles, leur permettant de comprendre le langage humain et de générer des réponses avec un ton naturel. Les LLM forment la base de nombreuses applications avancées du traitement automatique du langage naturel.

Hallucination

L’hallucination décrit un phénomène où un système d’IA génère un contenu qui semble plausible, mais qui est factuellement incorrect, dénué de sens, non plausible ou hors sujet. Il faut régler ce problème lié à l’IA générative lors de la phase d’entraînement pour garantir sa fiabilité.

IA conversationnelle

Le concept d’IA conversationnelle englobe les technologies et les systèmes intelligents qui simulent des interactions naturelles, à caractère humain, entre les hommes et les machines. Ce terme courant décrit généralement la technologie utilisée pour exécuter des chatbots, des assistants virtuels et d’autres interfaces de dialogue.

IA explicable (XAI)

On parle d’IA explicable (XAI) pour décrire un modèle utilisant des systèmes transparents et interprétables, ce qui garantit que les utilisateurs humains peuvent comprendre le processus de prise de décision de l’IA. C’est l’un des outils que les leaders CX utilisent pour se préparer à l’avenir, inspirer confiance et faire de l’IA responsable une priorité.

IA générative

L’IA générative est la branche de l’IA qui utilise de grands ensembles de données pour créer par elle-même du contenu original et nouveau, notamment du texte, des images, de l’audio ou du code. Ce modèle d’IA se concentre moins sur l’analyse, la catégorisation ou la prise de décision, et plus sur la simulation d’interactions à caractère humain.

Inférence

Dans l’IA, l’inférence consiste à utiliser un modèle entraîné pour faire des prédictions ou prendre des décisions basées sur de nouvelles données d’entrée. Il s’agit d’une phase d’apprentissage distincte où le modèle détecte des schémas récurrents à partir de données historiques.

Ingénierie de prompt

L’ingénierie de prompt vise à concevoir des prompts efficaces pour obtenir le comportement ou le résultat souhaité d’un système d’IA générative. Parmi les techniques d’ingénierie de prompt :

• Les modèles de prompts

• Le prompt chaining

• L’affinement des prompts

Même si les systèmes d’IA peuvent simuler la parole humaine, ils nécessitent des entrées détaillées pour produire des résultats utilisables de haute qualité.

Intelligence artificielle (IA)

L’intelligence artificielle (IA) est un concept qui fait référence à la capacité des machines à imiter les fonctions cognitives humaines et à effectuer des tâches telles que la compréhension du langage, la détection des habitudes, la résolution de problèmes complexes, la prise de décisions, et plus encore.

Intelligence artificielle étroite (ANI)

L’intelligence artificielle étroite (ANI), aussi appelée IA faible, est une IA conçue pour effectuer une seule tâche ou un ensemble étroit de fonctions avec une efficacité et une précision élevées. Contrairement à l’IA générale, le champ d’application de l’ANI est limité : elle ne peut pas appliquer ses connaissances ou compétences à d’autres domaines.

Intelligence artificielle générale (AGI)

L’intelligence artificielle générale (IAG) est une forme théorique d’IA capable de réaliser n’importe quelle tâche intellectuelle à la portée d’un humain. Un système AGI peut comprendre les choses, en tirer des leçons et s’y adapter de façon autonome, ce qui le rend plus polyvalent que l’IA « étroite », qui elle se concentre sur des tâches prédéfinies sur un sujet limité.

Jeton

Dans le NLP, un jeton est l’unité de base du texte (comme un mot ou un signe de ponctuation) qu’un modèle d’IA traite et analyse. Les jetons permettent aux grands modèles de langage de gérer les réponses détaillées dans le service client.

Machine learning

Le machine learning est un domaine d’IA qui apprend aux machines comment tirer des leçons et s’améliorer sur la base de données ou d’expériences, le tout sans être explicitement programmé pour. Il utilise également des techniques statistiques pour entraîner des modèles sur des données afin de faire des prédictions ou de prendre des décisions.

Modèle

Un modèle représente une structure d’IA entraînée pour effectuer des tâches spécifiques, telles que la classification, la prédiction ou la génération. Par exemple, les modèles d’IA dédiés à la CX sont entraînés sur des données de service client pour prédire les besoins, améliorer leurs réponses et personnaliser les interactions.

Modèle pré-entraîné

Un modèle pré-entraîné est un modèle d’IA entraîné sur un grand ensemble de données général et qui peut être affiné sur des tâches ou des applications précises. Par exemple, les agents IA de Zendesk sont pré-entraînés sur des milliards d’interactions CX réelles, ce qui en fait des experts du service client prêts à l’emploi.

Paramètres

Dans l’IA, les paramètres font référence aux variables internes qui sont ajustées durant l’entraînement pour affiner les performances et utilisées par les modèles d’IA pour faire des prédictions ou générer du nouveau contenu.

Prompt

Un prompt (ou invite) correspond à l’entrée textuelle ou informationnelle initiale fournie à un système d’IA pour guider la génération de nouveau contenu d’un modèle d’IA. Une ingénierie de prompt efficace améliorera les résultats des modèles d’IA et aidera les utilisateurs à obtenir les résultats souhaités.

Réseau neuronal

Un réseau neuronal est un modèle de machine learning qui simule l’activité du cerveau humain pour traiter des données complexes. Il est composé de nœuds interconnectés (comme des neurones) qui apprennent à réaliser des tâches en traitant des données et en y décelant les schémas récurrents.

Réseaux antagonistes génératifs (GAN)

Un réseau antagoniste génératif (GAN) est un type de modèle de machine learning qui emploie deux réseaux neuronaux, un générateur et un discriminateur, pour générer des données réalistes.

• Le générateur crée de nouvelles données synthétiques.
• Le discriminateur identifie si les données sont réelles ou générées.

Les GAN peuvent être utilisés dans des domaines comme l’expérience client pour générer des données synthétiques qui amélioreront les modèles d’IA.

Sécurité de l’IA

La sécurité de l’IA se concentre sur les mesures et les pratiques qui visent à prévenir tout dommage causé par les systèmes d’IA, y compris les erreurs et les biais néfastes. Elle implique d’atténuer les risques potentiels et de calquer les objectifs de l’IA sur les valeurs humaines.

Superintelligence artificielle (ASI)

La superintelligence artificielle (ASI) fait référence à un niveau d’intelligence théorique qui dépasserait l’intelligence humaine dans tous les domaines. Bien que spéculative, le concept d’ASI va au-delà de l’AGI, avec une capacité extraordinaire de résolution de problèmes et de prise de décision. Elle soulève des questions éthiques importantes concernant l’impact potentiel de l’IA sur les emplois et la vie privée.

Température

Dans l’IA générative, la température est un réglage qui contrôle le niveau de randomisation ou de créativité dans la production d’un modèle. Une température plus élevée peut entraîner des réponses plus diverses, potentiellement moins cohérentes.

Toxicité de l’IA

La toxicité de l’IA décrit les résultats négatifs, nocifs, faux, inappropriés ou offensants qu’un système d’IA peut générer involontairement en raison d’un biais ou d’un mauvais alignement.

Traitement automatique du langage naturel (NLP)

Le traitement automatique du langage naturel est un domaine de l’IA axé sur la capacité des machines à comprendre et interpréter le langage humain, et à générer un langage qui s’en rapproche. Il comprend des tâches telles que la classification du texte, l’analyse des sentiments et la traduction.

Transformateur génératif pré-entraîné (GPT)

Le transformateur génératif pré-entraîné (GPT) est un grand modèle de langage (LLM) développé par OpenAI qui est devenu une technologie clé pour de nombreuses applications de NLP et d’IA générative.

Transformeur

Un transformeur est un type d’architecture de réseau neuronal qui traite des séquences de données pour les tâches. Ce type d’architecture est devenu populaire pour le traitement automatique du langage naturel et forme la base de nombreux LLM, comme GPT.

Validation

La validation vise à examiner la précision et les performances d’un modèle déjà entraîné sur un nouveau jeu de données afin de déterminer ses capacités de généralisation.

Zéro conservation des données

La zéro conservation des données est une technique de préservation de la confidentialité utilisée dans les systèmes d’IA pour s’assurer qu’aucune information personnelle ou sensible n’est conservée ou stockée à partir des données d’entraînement. Cette technique est également connue sous le nom de confidentialité différentielle.

Donnez une nouvelle dimension à votre CX avec Zendesk AI

Avec notre glossaire de l’IA générative, vous pouvez vous préparer à tirer parti de l’IA pour offrir une CX et un service client toujours plus riches de sens. Explorez ce sujet pour savoir comment communiquer clairement et fournir un service proactif, personnalisé et efficace en transformant votre expérience grâce à l’IA générative.

Avec des solutions basées sur l’IA comme Zendesk, vous pouvez mettre à profit l’IA pour répondre aux besoins de vos clients et améliorer les niveaux de service, posant ainsi les bases d’une croissance à long terme.

Découvrez comment les capacités d’IA générative peuvent transformer votre service client et votre assistance avec une version d’essai gratuite de Zendesk.