https://datafranca.org/wiki/api.php?action=feedcontributions&feedformat=atom&user=Claude+COULOMBE 2026-08-15T08:42:49Z Contributions MediaWiki 1.39.5 https://datafranca.org/wiki/index.php?title=G%C3%A9n%C3%A9ration_augment%C3%A9e_d%27information(s)_applicative(s)_(GAIA)&diff=132325 2026-08-05T23:49:26Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> Méthode d'adaptation et de [[peaufinage]] des résultats d'un [[grand modèle de langues]] par enrichissement des [[requête générative|requêtes génératives]] avec des sources d'informations externes et à jour afin de générer des résultats plus précis, plus utiles et de réduire les [[Fabulation de l'IA|fabulations]] (hallucinations).<br /> <br /> == Compléments ==<br /> L'algorithme GAIA ne touche pas au [[grand modèle de langues]], mais enrichit la [[requête générative]] d'extraits pertinents à cette requête provenant de la documentation de l'application. <br /> <br /> Par exemple, pour répondre aux questions d'actualité, on enrichira la requête d'informations sur l'actualité provenant autant que possible de sources fiables et crédibles. <br /> <br /> Dans une phase préalable, l'algorithme GAIA prépare la documentation de l'application en la divisant en morceaux qui sont indexés avec des [[vecteur sémantique distributionnel compact|vecteurs sémantiques compacts]] (en anglais, ''embeddings''). Ces [[vecteur sémantique compact|vecteurs sémantiques compacts]] sont stockés dans une base de données vectorielles. On peut aussi utiliser des connaissances, des [[GAIA-Graphe|graphes]], des tableaux de données, etc. <br /> <br /> Puis lorsqu'un utilisateur fait une requête, l'algorithme GAIA encode celle-ci avec les mêmes [[vecteur sémantique distributionnel compact|vecteurs sémantiques compacts]] puis on retrouve et filtre les extraits des documents pour retenir ceux qui ont une forte proximité sémantique avec la requête en appliquant une mesure de similarité du genre [[métrique cosinus]]. Plus précisément, ces extraits sont ajoutés au contexte de la requête. Enfin, l'algorithme GAIA soumet la requête enrichie au [[robot conversationnel génératif]] et à son [[grand modèle de langues]] leur fournissant ainsi un contexte permettant de mieux répondre à la [[requête générative|requête]].<br /> == Français ==<br /> <br /> '''génération augmentée d'information(s) applicative(s)'''<br /> <br /> '''GAIA'''<br /> <br /> '''génération augmentée d'information(s) contextuelle(s)'''<br /> <br /> '''GAIC'''<br /> <br /> '''adaptation par enrichissement contextuel'''<br /> <br /> '''peaufinage par enrichissement contextuel'''<br /> <br /> '''enrichissement contextuel'''<br /> <br /> '''génération augmentée par récupération'''<br /> <br /> &lt;span id=&quot;en&quot;&gt;&lt;/span&gt;<br /> == Anglais ==<br /> '''retrieval augmented generation'''<br /> <br /> '''RAG'''<br /> <br /> '''knowledge augmented generation'''<br /> <br /> '''table augmented generation'''<br /> <br /> A method for adapting and fine-tuning the results of a large language model by enriching queries with external up-to-date information sources to generate more accurate and useful results.<br /> <br /> &lt;span id=&quot;es&quot;&gt;&lt;/span&gt;<br /> ==Español==<br /> [[Catégorie:es]]<br /> <br /> ''''' generación aumentada de información sobre la aplicación ''''' <br /> <br /> ''Método de ajuste fino y de adaptación de los resultados de un modelo extenso de lenguaje enriqueciendo las consultas con fuentes de información externas y actualizadas con el fin de generar resultados más precisos y útiles.'' <br /> <br /> ==Sources==<br /> [https://towardsdatascience.com/retrieval-augmented-generation-rag-from-theory-to-langchain-implementation-4e9bd5f6a4f2 Source : towardsdatascience]<br /> <br /> [https://research.ibm.com/blog/retrieval-augmented-generation-RAG Source : research.ibm.com]<br /> <br /> [https://arxiv.org/abs/2005.11401v4 Source: Meta]<br /> <br /> {{Modèle:101}}<br /> [[Catégorie:Intelligence artificielle]]<br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]<br /> [[Catégorie:101]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Retrieval_augmented_generation_(RAG)&diff=132324 2026-08-05T23:47:07Z

<p>Claude COULOMBE : Destination de redirection modifiée de Génération augmentée d&#039;information applicative (GAIA) en Génération augmentée d&#039;information(s) applicative(s) (GAIA)</p> <hr /> <div>#REDIRECTION [[Génération augmentée d'information(s) applicative(s) (GAIA)]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=G%C3%A9n%C3%A9ration_augment%C3%A9e_d%27information_applicative&diff=132323 2026-08-05T23:46:37Z

<p>Claude COULOMBE : Destination de redirection modifiée de Génération augmentée d&#039;information applicative (GAIA) en Génération augmentée d&#039;information(s) applicative(s) (GAIA)</p> <hr /> <div>#REDIRECTION [[Génération augmentée d'information(s) applicative(s) (GAIA)]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=G%C3%A9n%C3%A9ration_augment%C3%A9e_d%27information_applicative_(GAIA)&diff=132322 2026-08-05T23:45:29Z

<p>Claude COULOMBE : Claude COULOMBE a déplacé la page Génération augmentée d&#039;information applicative (GAIA) vers Génération augmentée d&#039;information(s) applicative(s) (GAIA)</p> <hr /> <div>#REDIRECTION [[Génération augmentée d'information(s) applicative(s) (GAIA)]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=G%C3%A9n%C3%A9ration_augment%C3%A9e_d%27information(s)_applicative(s)_(GAIA)&diff=132321 2026-08-05T23:45:29Z

<p>Claude COULOMBE : Claude COULOMBE a déplacé la page Génération augmentée d&#039;information applicative (GAIA) vers Génération augmentée d&#039;information(s) applicative(s) (GAIA)</p> <hr /> <div>== Définition ==<br /> Méthode d'adaptation et de [[peaufinage]] des résultats d'un [[grand modèle de langues]] par enrichissement des [[requête générative|requêtes génératives]] avec des sources d'informations externes et à jour afin de générer des résultats plus précis et plus utiles.<br /> <br /> == Compléments ==<br /> L'algorithme GAIA ne touche pas au [[grand modèle de langues]], mais enrichit la [[requête générative]] d'extraits pertinents à cette requête provenant de la documentation de l'application. <br /> <br /> Par exemple, pour répondre aux questions d'actualité, on enrichira la requête d'informations sur l'actualité provenant autant que possible de sources fiables et crédibles. <br /> <br /> Dans une phase préalable, l'algorithme GAIA prépare la documentation de l'application en la divisant en morceaux qui sont indexés avec des [[vecteur sémantique distributionnel compact|vecteurs sémantiques compacts]] (en anglais, ''embeddings''). Ces [[vecteur sémantique compact|vecteurs sémantiques compacts]] sont stockés dans une base de données vectorielles. On peut aussi utiliser des connaissances, des [[GAIA-Graphe|graphes]], des tableaux de données, etc. <br /> <br /> Puis lorsqu'un utilisateur fait une requête, l'algorithme GAIA encode celle-ci avec les mêmes [[vecteur sémantique distributionnel compact|vecteurs sémantiques compacts]] puis on retrouve et filtre les extraits des documents pour retenir ceux qui ont une forte proximité sémantique avec la requête en appliquant une mesure de similarité du genre [[métrique cosinus]]. Plus précisément, ces extraits sont ajoutés au contexte de la requête. Enfin, l'algorithme GAIA soumet la requête enrichie au [[robot conversationnel génératif]] et à son [[grand modèle de langues]] leur fournissant ainsi un contexte permettant de mieux répondre à la [[requête générative|requête]].<br /> == Français ==<br /> <br /> '''génération augmentée d'information(s) applicative(s)'''<br /> <br /> '''GAIA'''<br /> <br /> '''génération augmentée d'information(s) contextuelle(s)'''<br /> <br /> '''GAIC'''<br /> <br /> '''adaptation par enrichissement contextuel'''<br /> <br /> '''peaufinage par enrichissement contextuel'''<br /> <br /> '''enrichissement contextuel'''<br /> <br /> '''génération augmentée par récupération'''<br /> <br /> &lt;span id=&quot;en&quot;&gt;&lt;/span&gt;<br /> == Anglais ==<br /> '''retrieval augmented generation'''<br /> <br /> '''RAG'''<br /> <br /> '''knowledge augmented generation'''<br /> <br /> '''table augmented generation'''<br /> <br /> A method for adapting and fine-tuning the results of a large language model by enriching queries with external up-to-date information sources to generate more accurate and useful results.<br /> <br /> &lt;span id=&quot;es&quot;&gt;&lt;/span&gt;<br /> ==Español==<br /> [[Catégorie:es]]<br /> <br /> ''''' generación aumentada de información sobre la aplicación ''''' <br /> <br /> ''Método de ajuste fino y de adaptación de los resultados de un modelo extenso de lenguaje enriqueciendo las consultas con fuentes de información externas y actualizadas con el fin de generar resultados más precisos y útiles.'' <br /> <br /> ==Sources==<br /> [https://towardsdatascience.com/retrieval-augmented-generation-rag-from-theory-to-langchain-implementation-4e9bd5f6a4f2 Source : towardsdatascience]<br /> <br /> [https://research.ibm.com/blog/retrieval-augmented-generation-RAG Source : research.ibm.com]<br /> <br /> [https://arxiv.org/abs/2005.11401v4 Source: Meta]<br /> <br /> {{Modèle:101}}<br /> [[Catégorie:Intelligence artificielle]]<br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]<br /> [[Catégorie:101]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=OpenAI&diff=132320 2026-08-05T23:30:52Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> OpenAI (nom propre) est une entreprise américaine à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] portant le nom [[ChatGPT]].<br /> <br /> == Compléments ==<br /> À l'origine, OpenAI était une organisation de recherche à but non lucratif qui visait à promouvoir et à développer l'IA de manière à ce que l'humanité tout entière en bénéficie. Les fondateurs (notamment Elon Musk et Sam Altman) semblaient motivés en partie par le souci du risque que pourrait représenter une [[intelligence artificielle générale]].<br /> <br /> ==Français==<br /> '''OpenAI''' <br /> <br /> ==Anglais==<br /> '''OpenAI'''<br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/OpenAI Wikipédia - OpenAI]<br /> <br /> [[Utilisateur:Claude COULOMBE | Claude Coulombe]] ([[Discussion utilisateur:Claude COULOMBE - OpenAI |discussion OpenAI]])<br /> <br /> [https://www.24pm.com/117-definitions/452-openai 24pm Academy - OpenAI]<br /> <br /> [[Catégorie:ENGLISH]]<br /> [[Category:GRAND LEXIQUE FRANÇAIS]]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=OpenAI&diff=132319 2026-08-05T23:30:14Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> OpenAI (nom propre) est une entreprise américaine à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] portant le nom [[ChatGPT]].<br /> <br /> == Compléments ==<br /> À l'origine, OpenAI était une organisation de recherche à but non lucratif qui visait à promouvoir et à développer l'IA de manière à ce que l'humanité tout entière en bénéficie. Les fondateurs (notamment Elon Musk et Sam Altman) semblaient motivés en partie par le souci du risque que pourrait représenter une [[intelligence artificielle générale]].<br /> <br /> ==Français==<br /> '''OpenAI''' <br /> <br /> ==Anglais==<br /> '''OpenAI'''<br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/OpenAI Wikipédia - OpenAI]<br /> <br /> [[Utilisateur:Claude COULOMBE | Claude Coulombe]] ([[Discussion utilisateur:Claude COULOMBE - OpenAI | discussion]])<br /> <br /> [https://www.24pm.com/117-definitions/452-openai 24pm Academy - OpenAI]<br /> <br /> [[Catégorie:ENGLISH]]<br /> [[Category:GRAND LEXIQUE FRANÇAIS]]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=OpenAI&diff=132318 2026-08-05T23:28:57Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> OpenAI (nom propre) est une entreprise américaine à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] portant le nom [[ChatGPT]].<br /> <br /> == Compléments ==<br /> À l'origine, OpenAI était une organisation de recherche à but non lucratif qui visait à promouvoir et à développer l'IA de manière à ce que l'humanité tout entière en bénéficie. Les fondateurs (notamment Elon Musk et Sam Altman) semblaient motivés en partie par le souci du risque que pourrait représenter une [[intelligence artificielle générale]].<br /> <br /> ==Français==<br /> '''OpenAI''' <br /> <br /> ==Anglais==<br /> '''OpenAI'''<br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/OpenAI Wikipédia - OpenAI]<br /> <br /> [[Utilisateur:Claude COULOMBE | source : Claude Coulombe]] ([[Discussion utilisateur:Claude COULOMBE | discussion]])<br /> <br /> [https://www.24pm.com/117-definitions/452-openai Source : 24pm Academy]<br /> <br /> [[Catégorie:Publication]]<br /> <br /> [[Catégorie:ENGLISH]]<br /> [[Category:GRAND LEXIQUE FRANÇAIS]]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Anthropic&diff=132317 2026-08-05T23:28:42Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> Anthropic (nom propre) est une entreprise américaine à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] portant le nom [[Claude]].<br /> <br /> == Compléments ==<br /> À l'origine, Anthropic résulte du départ de membres de l'équipe d'[[OpenAI]]. Les fondateurs, notamment Dario Amodei, semblaient motivés en partie par le risque que pourrait représenter une [[intelligence artificielle générale]] et le manque de précautions prises par OpenAI.<br /> <br /> ==Français==<br /> '''Anthropic''' <br /> <br /> ==Anglais==<br /> '''Anthropic'''<br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/Anthropic Wikipédia - Anthropic]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Claude&diff=132316 2026-08-05T23:27:34Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> Claude est le nom propre d'un [[robot conversationnel]] basé sur un [[Grand_mod%C3%A8le_de_langue|grand modèle de langues]] de l'entreprise [[Anthropic]]. <br /> <br /> ==Compléments==<br /> Claude se distinguerait par l'emploi d'une « constitution » basée sur l'éthique et la bienveillance pour réguler ses interactions. <br /> <br /> == Français ==<br /> '''Claude'''<br /> <br /> == Anglais ==<br /> '''Claude'''<br /> <br /> &lt;!-- Claude, a chatbot that exhibits similar conversational capabilities to ChatGPT. Some of the principles behind the architecture of Claude were detailed in a research paper published late last year✎ EditSign and that started making a lot of noise in the AI community. Anthropic follows an interesting approach to reduce harm but also maintain expressiveness. --&gt;<br /> ==Sources==<br /> <br /> [https://thesequence.substack.com/p/inside-claure-the-chatgpt-competitor Source : thesequence ]<br /> <br /> [https://www.anthropic.com/company Source: Anthropic]<br /> <br /> [[Catégorie:ENGLISH]]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=OpenAI&diff=132315 2026-08-05T23:27:05Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> OpenAI (nom propre) est une entreprise à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] portant le nom [[ChatGPT]].<br /> <br /> == Compléments ==<br /> À l'origine, OpenAI était une organisation de recherche à but non lucratif qui visait à promouvoir et à développer l'IA de manière à ce que l'humanité tout entière en bénéficie. Les fondateurs (notamment Elon Musk et Sam Altman) semblaient motivés en partie par le souci du risque que pourrait représenter une [[intelligence artificielle générale]].<br /> <br /> ==Français==<br /> '''OpenAI''' <br /> <br /> ==Anglais==<br /> '''OpenAI'''<br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/OpenAI Wikipédia - OpenAI]<br /> <br /> [[Utilisateur:Claude COULOMBE | source : Claude Coulombe]] ([[Discussion utilisateur:Claude COULOMBE | discussion]])<br /> <br /> [https://www.24pm.com/117-definitions/452-openai Source : 24pm Academy]<br /> <br /> [[Catégorie:Publication]]<br /> <br /> [[Catégorie:ENGLISH]]<br /> [[Category:GRAND LEXIQUE FRANÇAIS]]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Claude&diff=132314 2026-08-05T23:26:29Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> Claude est le nom propre d'un [[robot conversationnel]] basé sur un [[Grand_mod%C3%A8le_de_langue|grand modèle de langues]] de l'entreprise [[Anthropic]]. <br /> <br /> Claude se distinguerait par l'emploi d'une « constitution » basée sur l'éthique et la bienveillance pour réguler ses interactions. <br /> <br /> == Français ==<br /> '''Claude'''<br /> <br /> == Anglais ==<br /> '''Claude'''<br /> <br /> &lt;!-- Claude, a chatbot that exhibits similar conversational capabilities to ChatGPT. Some of the principles behind the architecture of Claude were detailed in a research paper published late last year✎ EditSign and that started making a lot of noise in the AI community. Anthropic follows an interesting approach to reduce harm but also maintain expressiveness. --&gt;<br /> ==Sources==<br /> <br /> [https://thesequence.substack.com/p/inside-claure-the-chatgpt-competitor Source : thesequence ]<br /> <br /> [https://www.anthropic.com/company Source: Anthropic]<br /> <br /> [[Catégorie:ENGLISH]]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=OpenAI&diff=132313 2026-08-05T23:24:07Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> OpenAI (nom propre) est une société à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] portant le nom [[ChatGPT]].<br /> <br /> == Compléments ==<br /> À l'origine, OpenAI était une organisation de recherche à but non lucratif qui visait à promouvoir et à développer l'IA de manière à ce que l'humanité tout entière en bénéficie. Les fondateurs (notamment Elon Musk et Sam Altman) semblaient motivés en partie par le souci du risque que pourrait représenter une [[intelligence artificielle générale]].<br /> <br /> ==Français==<br /> '''OpenAI''' <br /> <br /> ==Anglais==<br /> '''OpenAI'''<br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/OpenAI Wikipédia - OpenAI]<br /> <br /> [[Utilisateur:Claude COULOMBE | source : Claude Coulombe]] ([[Discussion utilisateur:Claude COULOMBE | discussion]])<br /> <br /> [https://www.24pm.com/117-definitions/452-openai Source : 24pm Academy]<br /> <br /> [[Catégorie:Publication]]<br /> <br /> [[Catégorie:ENGLISH]]<br /> [[Category:GRAND LEXIQUE FRANÇAIS]]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Anthropic&diff=132312 2026-08-05T23:23:27Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> Anthropic (nom propre) est une société à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] portant le nom [[Claude]].<br /> <br /> == Compléments ==<br /> À l'origine, Anthropic résulte du départ de membres de l'équipe d'[[OpenAI]]. Les fondateurs, notamment Dario Amodei, semblaient motivés en partie par le risque que pourrait représenter une [[intelligence artificielle générale]] et le manque de précautions prises par OpenAI.<br /> <br /> ==Français==<br /> '''Anthropic''' <br /> <br /> ==Anglais==<br /> '''Anthropic'''<br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/Anthropic Wikipédia - Anthropic]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Anthropic&diff=132311 2026-08-05T23:23:02Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> Anthropic (nom propre) est une société à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] portant le nom [[Claude]].<br /> <br /> == Compléments ==<br /> À l'origine, Anthropic résulte du départ de membres de l'équipe d'[[OpenAI]]. Les fondateurs, notamment Dario Amodei, semblaient motivés en partie par le risque que pourrait représenter une [[intelligence artificielle générale]] et le manque de précautions prises par OpenAI.<br /> <br /> ==Français==<br /> '''Anthropic''' <br /> <br /> ==Anglais==<br /> '''Anthropic'''<br /> <br /> ==Sources==<br /> <br /> c</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Anthropic&diff=132310 2026-08-05T23:22:39Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> Anthropic (nom propre) est une société à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] portant le nom [[Claude]].<br /> <br /> == Compléments ==<br /> À l'origine, Anthropic résulte du départ de membres de l'équipe d'[[OpenAI]]. Les fondateurs, notamment Dario Amodei, semblaient motivés en partie par le risque que pourrait représenter une [[intelligence artificielle générale]] et le manque de précautions prises par OpenAI.<br /> <br /> ==Français==<br /> '''Anthropic''' <br /> <br /> ==Anglais==<br /> '''Anthropic'''<br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/Anthropic Anthropic]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Anthropic&diff=132309 2026-08-05T23:22:20Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> Anthropic (nom propre) est une société à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] portant le nom [[Claude]].<br /> <br /> == Compléments ==<br /> À l'origine, Anthropic résulte du départ de membres de l'équipe d'[[OpenAI]]. Les fondateurs, notamment Dario Amodei, semblaient motivés en partie par le risque que pourrait représenter une [[intelligence artificielle générale]] et le manque de précautions prises par OpenAI.<br /> <br /> ==Français==<br /> '''Anthropic''' <br /> <br /> ==Anglais==<br /> '''Anthropic'''<br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/Anthropic - Anthropic]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=OpenAI&diff=132308 2026-08-05T23:21:35Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> OpenAI (nom propre) est une société à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] portant le nom [[ChatGPT]].<br /> <br /> == Compléments ==<br /> À l'origine, OpenAI était une organisation de recherche à but non lucratif qui visait à promouvoir et à développer l'IA de manière à ce que l'humanité tout entière en bénéficie. Les fondateurs (notamment Elon Musk et Sam Altman) semblaient motivés en partie par le souci du risque que pourrait représenter une [[intelligence artificielle générale]].<br /> <br /> ==Français==<br /> '''OpenAI''' <br /> <br /> ==Anglais==<br /> '''OpenAI'''<br /> <br /> ==Sources==<br /> <br /> [[Utilisateur:Claude COULOMBE | source : Claude Coulombe]] ([[Discussion utilisateur:Claude COULOMBE | discussion]])<br /> <br /> [https://www.24pm.com/117-definitions/452-openai Source : 24pm Academy]<br /> <br /> [[Catégorie:Publication]]<br /> <br /> [[Catégorie:ENGLISH]]<br /> [[Category:GRAND LEXIQUE FRANÇAIS]]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=OpenAI&diff=132307 2026-08-05T23:21:17Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> OpenAI (nom propre) est une société à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] portant le nom [[ChatGPT]].<br /> <br /> == Compléments ==<br /> À l'origine, OpenAI était une organisation de recherche à but non lucratif qui visait à promouvoir et à développer l'IA de manière à ce que l'humanité tout entière en bénéficie. Les fondateurs (notamment Elon Musk et Sam Altman) semblaient motivés en partie par le souci du risque que pourrait représenter une [[intelligence artificielle générale]] qui serait aussi intelligente qu'un être humain.<br /> <br /> ==Français==<br /> '''OpenAI''' <br /> <br /> ==Anglais==<br /> '''OpenAI'''<br /> <br /> ==Sources==<br /> <br /> [[Utilisateur:Claude COULOMBE | source : Claude Coulombe]] ([[Discussion utilisateur:Claude COULOMBE | discussion]])<br /> <br /> [https://www.24pm.com/117-definitions/452-openai Source : 24pm Academy]<br /> <br /> [[Catégorie:Publication]]<br /> <br /> [[Catégorie:ENGLISH]]<br /> [[Category:GRAND LEXIQUE FRANÇAIS]]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Anthropic&diff=132306 2026-08-05T23:19:31Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> Anthropic (nom propre) est une société à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] baptisés [[Claude]].<br /> <br /> == Compléments ==<br /> À l'origine, Anthropic résulte du départ de membres de l'équipe d'[[OpenAI]]. Les fondateurs, notamment Dario Amodei, semblaient motivés en partie par le risque que pourrait représenter une [[intelligence artificielle générale]] et le manque de précautions prises par OpenAI.<br /> <br /> ==Français==<br /> '''Anthropic''' <br /> <br /> ==Anglais==<br /> '''Anthropic'''<br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/Anthropic - Anthropic]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Param%C3%A8tres_ouverts&diff=132305 2026-08-05T23:18:53Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> [[Paramètre|Paramètres]] ou [[poids]] et [[hyperparamètres]] distribués en licence ouverte qui définissent l'[[Architecture de réseau de neurones|architecture d'un modèle]] [[Modèle préentraîné|préentraîné]] et qui typiquement résultent de l'entraînement d'un [[réseau neuronal]] sur des données.<br /> <br /> == Compléments ==<br /> Certains [[grand modèle de langues|grands modèles de langues]] [[Modèle préentraîné|préentraînés]] sont distribués sous la bannière de l'[[innovation ouverte]]. Cependant, il est important de noter que seuls les [[Paramètre|paramètres]] ([[poids]]), les [[hyperparamètres]] et le code source des algorithmes d'[[inférence]] du [[Modèle d'apprentissage|modèle]] sont diffusés à la communauté sous une licence avec certaines contraintes commerciales. Le code des algorithmes d'entraînement et les corpus nécessaires à reproduction des modèles ne sont pas partagés. Dans un tel cas, on parlera de [[licence en paramètres ouverts]].<br /> <br /> ==Français==<br /> <br /> '''paramètres ouverts'''<br /> <br /> '''paramètre ouvert'''<br /> <br /> '''paramètre libres''' <br /> <br /> '''paramètre libre'''<br /> <br /> ==Anglais==<br /> <br /> '''open weight'''<br /> <br /> '''open-weight'''<br /> <br /> '''open weights'''<br /> <br /> '''open-weights'''<br /> <br /> ==Sources==<br /> [https://www.sciencedirect.com/science/article/pii/S1631072110001129. Billot et al. (2010) ''A conditionally linearly stable second-order traffic model derived from a Vlasov kinetic description - Un modèle de trafic du second ordre conditionnellement linéairement stable'']<br /> <br /> [https://www.aikogroup.ai/blog/open-source-vs-modeles-fermes-dans-l-ia-un-debat-au-dela-de-la-transparence, Aiko Group]<br /> <br /> [https://opensource.org/ai/open-weights, ''Open Weights: not quite what you’ve been told'', Open Source Initiative]<br /> <br /> [https://www.reddit.com/r/LocalLLaMA/comments/1iw1xn7/the_paradox_of_open_weights_but_closed_source/ ''The Paradox of Open Weights, but Closed Source'', Reddit]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Anthropic&diff=132304 2026-08-05T23:17:38Z

<p>Claude COULOMBE : Page créée avec « ==Définition== Anthropic (nom propre) est une société à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de robots conversationnels génératifs baptisés Claude. == Compléments == À l&#039;origine, Anthropic résulte du départ de membres de l&#039;équipe de&#039;OpenAI. Les fondateurs, notamment Dario Amodei, semblaient motivés en partie par le risque que pourrait représenter une... »</p> <hr /> <div>==Définition==<br /> Anthropic (nom propre) est une société à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de [[robot conversationnel génératif|robots conversationnels génératifs]] baptisés [[Claude]].<br /> <br /> == Compléments ==<br /> À l'origine, Anthropic résulte du départ de membres de l'équipe de'[[OpenAI]]. Les fondateurs, notamment Dario Amodei, semblaient motivés en partie par le risque que pourrait représenter une [[intelligence artificielle générale]] et le manque de précautions prises par OpenAI.<br /> <br /> ==Français==<br /> '''Anthropic''' <br /> <br /> ==Anglais==<br /> '''Anthropic'''<br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/Anthropic - Anthropic]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=OpenAI&diff=132303 2026-08-05T23:11:59Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> OpenAI (nom propre) est une société à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de robots conversationnels génératifs [[ChatGPT]].<br /> <br /> == Compléments ==<br /> À l'origine, OpenAI était une organisation de recherche à but non lucratif qui visait à promouvoir et à développer l'IA de manière à ce que l'humanité tout entière en bénéficie. Les fondateurs (notamment Elon Musk et Sam Altman) semblaient motivés en partie par le souci du risque que pourrait représenter une [[intelligence artificielle générale]] qui serait aussi intelligente qu'un être humain.<br /> <br /> ==Français==<br /> '''OpenAI''' <br /> <br /> ==Anglais==<br /> '''OpenAI'''<br /> <br /> ==Sources==<br /> <br /> [[Utilisateur:Claude COULOMBE | source : Claude Coulombe]] ([[Discussion utilisateur:Claude COULOMBE | discussion]])<br /> <br /> [https://www.24pm.com/117-definitions/452-openai Source : 24pm Academy]<br /> <br /> <br /> [[Catégorie:ENGLISH]]<br /> [[Category:GRAND LEXIQUE FRANÇAIS]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Param%C3%A8tres_ouverts&diff=132302 2026-08-05T23:11:05Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> [[Paramètre|Paramètres]] ou [[poids]] et [[hyperparamètres]] distribués en licence ouverte qui définissent l'[[Architecture de réseau de neurones|architecture d'un modèle]] [[Modèle préentraîné|préentraîné]] et qui typiquement résultent de l'entraînement d'un [[réseau neuronal]] sur des données.<br /> <br /> == Compléments ==<br /> Certains [[grand modèle de langues|grands modèles de langues]] [[Modèle préentraîné|préentraînés]] sont distribués sous la bannière de l'[[innovation ouverte]]. Cependant, il est important de noter que seuls les [[Paramètre|paramètres]] ([[poids]]), les [[hyperparamètres]] et le code source des algorithmes d'[[inférence]] du [[Modèle d'apprentissage|modèle]] sont diffusés à la communauté sous une licence avec certaines contraintes commerciales. Le code des algorithmes d'entraînement et les corpus nécessaires à reproduction des modèles ne sont pas partagés. Dans un tel cas, on parlera de [[licence en paramètres ouverts]].<br /> <br /> ==Français==<br /> <br /> '''paramètres ouverts'''<br /> <br /> '''paramètre ouvert'''<br /> <br /> '''paramètre libres''' <br /> <br /> '''paramètre libre'''<br /> <br /> ==Anglais==<br /> <br /> '''open weight'''<br /> <br /> '''open-weight'''<br /> <br /> '''open weights'''<br /> <br /> '''open-weights'''<br /> <br /> ==Sources==<br /> [https://www.sciencedirect.com/science/article/pii/S1631072110001129. Billot et al. (2010) ''A conditionally linearly stable second-order traffic model derived from a Vlasov kinetic description - Un modèle de trafic du second ordre conditionnellement linéairement stable'']<br /> <br /> [https://www.aikogroup.ai/blog/open-source-vs-modeles-fermes-dans-l-ia-un-debat-au-dela-de-la-transparence, Aiko Group]<br /> <br /> [https://opensource.org/ai/open-weights, ''Open Weights: not quite what you’ve been told'', Open Source Initiative]<br /> <br /> [https://www.reddit.com/r/LocalLLaMA/comments/1iw1xn7/the_paradox_of_open_weights_but_closed_source/ ''The Paradox of Open Weights, but Closed Source'', Reddit]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Param%C3%A8tres_ouverts&diff=132301 2026-08-05T23:10:00Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> [[Paramètres]] ou [[poids]] et [[hyperparamètres]] distribués en licence ouverte qui définissent l'[[Architecture de réseau de neurones|architecture d'un modèle]] [[Modèle préentraîné|préentraîné]] et qui typiquement résultent de l'entraînement d'un [[réseau neuronal]] sur des données.<br /> <br /> == Compléments ==<br /> Certains [[grand modèle de langues|grands modèles de langues]] [[Modèle préentraîné|préentraînés]] sont distribués sous la bannière de l'[[innovation ouverte]]. Cependant, il est important de noter que seuls les [[Paramètre|paramètres]] ([[poids]]), les [[hyperparamètres]] et le code source des algorithmes d'[[inférence]] du [[Modèle d'apprentissage|modèle]] sont diffusés à la communauté sous une licence avec certaines contraintes commerciales. Le code des algorithmes d'entraînement et les corpus nécessaires à reproduction des modèles ne sont pas partagés. Dans un tel cas, on parlera de [[licence en paramètres ouverts]].<br /> <br /> ==Français==<br /> <br /> '''paramètres ouverts'''<br /> <br /> '''paramètre ouvert'''<br /> <br /> '''paramètre libres''' <br /> <br /> '''paramètre libre'''<br /> <br /> ==Anglais==<br /> <br /> '''open weight'''<br /> <br /> '''open-weight'''<br /> <br /> '''open weights'''<br /> <br /> '''open-weights'''<br /> <br /> ==Sources==<br /> [https://www.sciencedirect.com/science/article/pii/S1631072110001129. Billot et al. (2010) ''A conditionally linearly stable second-order traffic model derived from a Vlasov kinetic description - Un modèle de trafic du second ordre conditionnellement linéairement stable'']<br /> <br /> [https://www.aikogroup.ai/blog/open-source-vs-modeles-fermes-dans-l-ia-un-debat-au-dela-de-la-transparence, Aiko Group]<br /> <br /> [https://opensource.org/ai/open-weights, ''Open Weights: not quite what you’ve been told'', Open Source Initiative]<br /> <br /> [https://www.reddit.com/r/LocalLLaMA/comments/1iw1xn7/the_paradox_of_open_weights_but_closed_source/ ''The Paradox of Open Weights, but Closed Source'', Reddit]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Param%C3%A8tres_ouverts&diff=132300 2026-08-05T23:09:19Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> [[poids|Paramètres]] ou [[poids]] et [[hyperparamètres]] distribués en licence ouverte qui définissent l'[[Architecture de réseau de neurones|architecture d'un modèle]] [[Modèle préentraîné|préentraîné]] et qui typiquement résultent de l'entraînement d'un [[réseau neuronal]] sur des données.<br /> <br /> == Compléments ==<br /> Certains [[grand modèle de langues|grands modèles de langues]] [[Modèle préentraîné|préentraînés]] sont distribués sous la bannière de l'[[innovation ouverte]]. Cependant, il est important de noter que seuls les [[Paramètre|paramètres]] ([[poids]]), les [[hyperparamètres]] et le code source des algorithmes d'[[inférence]] du [[Modèle d'apprentissage|modèle]] sont diffusés à la communauté sous une licence avec certaines contraintes commerciales. Le code des algorithmes d'entraînement et les corpus nécessaires à reproduction des modèles ne sont pas partagés. Dans un tel cas, on parlera de [[licence en paramètres ouverts]].<br /> <br /> ==Français==<br /> <br /> '''paramètres ouverts'''<br /> <br /> '''paramètre ouvert'''<br /> <br /> '''paramètre libres''' <br /> <br /> '''paramètre libre'''<br /> <br /> ==Anglais==<br /> <br /> '''open weight'''<br /> <br /> '''open-weight'''<br /> <br /> '''open weights'''<br /> <br /> '''open-weights'''<br /> <br /> ==Sources==<br /> [https://www.sciencedirect.com/science/article/pii/S1631072110001129. Billot et al. (2010) ''A conditionally linearly stable second-order traffic model derived from a Vlasov kinetic description - Un modèle de trafic du second ordre conditionnellement linéairement stable'']<br /> <br /> [https://www.aikogroup.ai/blog/open-source-vs-modeles-fermes-dans-l-ia-un-debat-au-dela-de-la-transparence, Aiko Group]<br /> <br /> [https://opensource.org/ai/open-weights, ''Open Weights: not quite what you’ve been told'', Open Source Initiative]<br /> <br /> [https://www.reddit.com/r/LocalLLaMA/comments/1iw1xn7/the_paradox_of_open_weights_but_closed_source/ ''The Paradox of Open Weights, but Closed Source'', Reddit]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Param%C3%A8tres_ouverts&diff=132299 2026-08-05T23:09:07Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> [[poids|Paramètres]] ou [[Poids]] et [[hyperparamètres]] distribués en licence ouverte qui définissent l'[[Architecture de réseau de neurones|architecture d'un modèle]] [[Modèle préentraîné|préentraîné]] et qui typiquement résultent de l'entraînement d'un [[réseau neuronal]] sur des données.<br /> <br /> == Compléments ==<br /> Certains [[grand modèle de langues|grands modèles de langues]] [[Modèle préentraîné|préentraînés]] sont distribués sous la bannière de l'[[innovation ouverte]]. Cependant, il est important de noter que seuls les [[Paramètre|paramètres]] ([[poids]]), les [[hyperparamètres]] et le code source des algorithmes d'[[inférence]] du [[Modèle d'apprentissage|modèle]] sont diffusés à la communauté sous une licence avec certaines contraintes commerciales. Le code des algorithmes d'entraînement et les corpus nécessaires à reproduction des modèles ne sont pas partagés. Dans un tel cas, on parlera de [[licence en paramètres ouverts]].<br /> <br /> ==Français==<br /> <br /> '''paramètres ouverts'''<br /> <br /> '''paramètre ouvert'''<br /> <br /> '''paramètre libres''' <br /> <br /> '''paramètre libre'''<br /> <br /> ==Anglais==<br /> <br /> '''open weight'''<br /> <br /> '''open-weight'''<br /> <br /> '''open weights'''<br /> <br /> '''open-weights'''<br /> <br /> ==Sources==<br /> [https://www.sciencedirect.com/science/article/pii/S1631072110001129. Billot et al. (2010) ''A conditionally linearly stable second-order traffic model derived from a Vlasov kinetic description - Un modèle de trafic du second ordre conditionnellement linéairement stable'']<br /> <br /> [https://www.aikogroup.ai/blog/open-source-vs-modeles-fermes-dans-l-ia-un-debat-au-dela-de-la-transparence, Aiko Group]<br /> <br /> [https://opensource.org/ai/open-weights, ''Open Weights: not quite what you’ve been told'', Open Source Initiative]<br /> <br /> [https://www.reddit.com/r/LocalLLaMA/comments/1iw1xn7/the_paradox_of_open_weights_but_closed_source/ ''The Paradox of Open Weights, but Closed Source'', Reddit]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=ChatGPT&diff=132298 2026-08-05T23:06:38Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> ChatGPT (nom propre) est un [[robot conversationnel génératif]] ou [[dialogueur]] généraliste créé par l'adaptation d'un [[grand modèle de langues]] génératif dérivé de [[GPT-3]] dévoilé par la société OpenAI le 30 novembre 2022. <br /> <br /> [[GPT]] est l'acronyme de ''Generative Pre-trained Transformer'', c'est-à-dire un grand modèle de langues génératif autoattentif préentraîné. <br /> <br /> == Français ==<br /> '''ChatGPT'''<br /> <br /> '''dialogueur GPT'''<br /> <br /> &lt;span id=&quot;en&quot;&gt;&lt;/span&gt;<br /> == Anglais ==<br /> '''ChatGPT'''<br /> <br /> ChatGPT is a conversational agent or generalist dialoguer created by adapting a large generative language model derived from GPT-3, unveiled by OpenAI on November 30, 2022.<br /> <br /> GPT stands for Generative Pre-trained Transformer, i.e. a large, self-attentive, pre-trained generative language model.<br /> <br /> <br /> &lt;span id=&quot;es&quot;&gt;&lt;/span&gt;<br /> ==Español==<br /> [[Catégorie:es]]<br /> <br /> ''''' ChatGPT ''''' <br /> <br /> ''ChatGPT (nombre propio) es un agente conversacional o dialogante generalista creado mediante la adaptación de un gran modelo de lenguaje generativo derivado de GPT-3 presentado por OpenAI el 30 de noviembre de 2022.'' <br /> <br /> ''GPT es el acrónimo de Generative Pre-trained Transformer (transformador generativo preentrenado [GPT]), que significa modelo de lenguaje generativo grande, autoatento y preentrenado.'' <br /> <br /> ==Sources==<br /> <br /> <br /> [https://openai.com/blog/chatgpt/ Source : OpenAI ]<br /> <br /> [https://www.linkedin.com/pulse/chatgpt-un-enthousiasme-prudent-simpose-claude-coulombe/ Source: article sur ChatGPT par Claude Coulombe]<br /> <br /> {{Modèle:101}}<br /> [[Catégorie:ENGLISH]]<br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]<br /> [[Catégorie:101]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=ChatGPT&diff=132297 2026-08-05T23:05:48Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> ChatGPT (nom propre) est un [[robot conversationnel|robot conversationnel génératif]] ou [[dialogueur]] généraliste créé par l'adaptation d'un [[grand modèle de langues]] génératif dérivé de [[GPT-3]] dévoilé par la société OpenAI le 30 novembre 2022. <br /> <br /> [[GPT]] est l'acronyme de ''Generative Pre-trained Transformer'', c'est-à-dire un grand modèle de langues génératif autoattentif préentraîné. <br /> <br /> == Français ==<br /> '''ChatGPT'''<br /> <br /> '''dialogueur GPT'''<br /> <br /> &lt;span id=&quot;en&quot;&gt;&lt;/span&gt;<br /> == Anglais ==<br /> '''ChatGPT'''<br /> <br /> ChatGPT is a conversational agent or generalist dialoguer created by adapting a large generative language model derived from GPT-3, unveiled by OpenAI on November 30, 2022.<br /> <br /> GPT stands for Generative Pre-trained Transformer, i.e. a large, self-attentive, pre-trained generative language model.<br /> <br /> <br /> &lt;span id=&quot;es&quot;&gt;&lt;/span&gt;<br /> ==Español==<br /> [[Catégorie:es]]<br /> <br /> ''''' ChatGPT ''''' <br /> <br /> ''ChatGPT (nombre propio) es un agente conversacional o dialogante generalista creado mediante la adaptación de un gran modelo de lenguaje generativo derivado de GPT-3 presentado por OpenAI el 30 de noviembre de 2022.'' <br /> <br /> ''GPT es el acrónimo de Generative Pre-trained Transformer (transformador generativo preentrenado [GPT]), que significa modelo de lenguaje generativo grande, autoatento y preentrenado.'' <br /> <br /> ==Sources==<br /> <br /> <br /> [https://openai.com/blog/chatgpt/ Source : OpenAI ]<br /> <br /> [https://www.linkedin.com/pulse/chatgpt-un-enthousiasme-prudent-simpose-claude-coulombe/ Source: article sur ChatGPT par Claude Coulombe]<br /> <br /> {{Modèle:101}}<br /> [[Catégorie:ENGLISH]]<br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]<br /> [[Catégorie:101]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=ChatGPT&diff=132296 2026-08-05T23:03:48Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> ChatGPT (nom propre) est un [[agent conversationnel]] ou [[dialogueur]] généraliste créé par l'adaptation d'un [[grand modèle de langues]] génératif dérivé de [[GPT-3]] dévoilé par la société OpenAI le 30 novembre 2022. <br /> <br /> [[GPT]] est l'acronyme de ''Generative Pre-trained Transformer'', c'est-à-dire un grand modèle de langues génératif autoattentif préentraîné. <br /> <br /> == Français ==<br /> '''ChatGPT'''<br /> <br /> '''dialogueur GPT'''<br /> <br /> &lt;span id=&quot;en&quot;&gt;&lt;/span&gt;<br /> == Anglais ==<br /> '''ChatGPT'''<br /> <br /> ChatGPT is a conversational agent or generalist dialoguer created by adapting a large generative language model derived from GPT-3, unveiled by OpenAI on November 30, 2022.<br /> <br /> GPT stands for Generative Pre-trained Transformer, i.e. a large, self-attentive, pre-trained generative language model.<br /> <br /> <br /> &lt;span id=&quot;es&quot;&gt;&lt;/span&gt;<br /> ==Español==<br /> [[Catégorie:es]]<br /> <br /> ''''' ChatGPT ''''' <br /> <br /> ''ChatGPT (nombre propio) es un agente conversacional o dialogante generalista creado mediante la adaptación de un gran modelo de lenguaje generativo derivado de GPT-3 presentado por OpenAI el 30 de noviembre de 2022.'' <br /> <br /> ''GPT es el acrónimo de Generative Pre-trained Transformer (transformador generativo preentrenado [GPT]), que significa modelo de lenguaje generativo grande, autoatento y preentrenado.'' <br /> <br /> ==Sources==<br /> <br /> <br /> [https://openai.com/blog/chatgpt/ Source : OpenAI ]<br /> <br /> [https://www.linkedin.com/pulse/chatgpt-un-enthousiasme-prudent-simpose-claude-coulombe/ Source: article sur ChatGPT par Claude Coulombe]<br /> <br /> {{Modèle:101}}<br /> [[Catégorie:ENGLISH]]<br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]<br /> [[Catégorie:101]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=OpenAI&diff=132295 2026-08-05T23:02:38Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> OpenAI est une société à but lucratif qui développe des produits d’intelligence artificielle (IA) dont la série de robots conversationnels génératifs [[ChatGPT]].<br /> <br /> == Compléments ==<br /> À l'origine, OpenAI était une organisation de recherche à but non lucratif qui visait à promouvoir et à développer l'IA de manière à ce que l'humanité tout entière en bénéficie. Les fondateurs (notamment Elon Musk et Sam Altman) semblaient motivés en partie par le souci du risque que pourrait représenter une [[intelligence artificielle générale]] qui serait aussi intelligente qu'un être humain.<br /> <br /> ==Français==<br /> '''OpenAI''' <br /> <br /> ==Anglais==<br /> '''OpenAI'''<br /> <br /> ==Sources==<br /> <br /> [[Utilisateur:Claude COULOMBE | source : Claude Coulombe]] ([[Discussion utilisateur:Claude COULOMBE | discussion]])<br /> <br /> [https://www.24pm.com/117-definitions/452-openai Source : 24pm Academy]<br /> <br /> <br /> [[Catégorie:ENGLISH]]<br /> [[Category:GRAND LEXIQUE FRANÇAIS]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Distillation_de_mod%C3%A8les&diff=132294 2026-08-05T22:52:38Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> La distillation de modèles aussi appelée distillation de connaissances est le processus qui permet de transférer les connaissances d'un grand [[modèle d'apprentissage]] à un modèle plus petit sans perte de validité et en conservant la précision lors de la compression du modèle.<br /> <br /> == Compléments ==<br /> Cette technique permet d’utiliser un [[Modèle enseignant|modèle enseignant]] volumineux et coûteux pour entraîner un [[Modèle étudiant|modèle étudiant]] « étudiant » plus petit et à moindre coût.<br /> &lt;hr/&gt;<br /> Beaucoup de commentaires et accusations concernant le lancement de [[paramètres ouverts|modèles à paramètres ouverts]] par des entreprises chinoise portaient sur l'emploi de la technique de distillation. Or la distillation est une technique connue depuis une décennie et un outil largement utilisé par les entreprises technologiques comme [[Anthropic]], [[DeepMind]] et [[OpenAI]] pour leurs propres modèles. De plus, aucun modèle d'IA n'est à l'abri s'il peut être sollicité. <br /> == Français ==<br /> <br /> '''distillation de / des modèles'''<br /> <br /> '''distillation de / des connaissances'''<br /> <br /> == Anglais ==<br /> '''model distillation'''<br /> <br /> '''knowledge distillation'''<br /> <br /> &lt;!-- ''Knowledge distillation is the process to transfer knowledge from large model to smaller one without loss of validity and retains accuracy with model compression.'' --&gt;<br /> <br /> ==Sources==<br /> [https://www.quantamagazine.org/how-distillation-makes-ai-models-smaller-and-cheaper-20250718/ Quanta magazine , How Distillation Makes AI Models Smaller and Cheaper]<br /> <br /> [https://en.wikipedia.org/wiki/Knowledge_distillation#:~:text=In%20machine%20learning%2C%20knowledge%20distillation,might%20not%20be%20fully%20utilized. Wikipedia - distillation de modèles, distillation des connaissances]<br /> <br /> [https://proceedings.neurips.cc/paper_files/paper/2017/hash/e1e32e235eee1f970470a3a6658dfdd5-Abstract.html NeurIPS Proceedings 2017 - Knowledge Distillation]<br /> ]<br /> <br /> [https://paperswithcode.com/task/knowledge-distillation Paper with code - Knowledge Distillation]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Distillation_de_mod%C3%A8les&diff=132293 2026-08-05T22:51:14Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> La distillation de modèles aussi appelée distillation de connaissances est le processus qui permet de transférer les connaissances d'un grand [[modèle d'apprentissage]] à un modèle plus petit sans perte de validité et en conservant la précision lors de la compression du modèle.<br /> <br /> == Compléments ==<br /> Cette technique permet d’utiliser un [[Modèle enseignant|modèle enseignant]] volumineux et coûteux pour entraîner un [[Modèle étudiant|modèle étudiant]] « étudiant » plus petit et à moindre coût.<br /> &lt;hr/&gt;<br /> Beaucoup de commentaires et accusations concernant le lancement de [[paramètres ouverts|modèles à paramètres ouverts]] par des entreprises chinoise portaient sur l'emploi de la technique de distillation. Or la distillation est une technique connue depuis une décennie et un outil largement utilisé par les entreprises technologiques comme[[Anthropic]], [[DeepMind]] et [[OpenAI]] pour leurs propres modèles. De plus, aucun modèle d'IA n'est à l'abri s'il peut être sollicité. <br /> == Français ==<br /> <br /> '''distillation de / des modèles'''<br /> <br /> '''distillation de / des connaissances'''<br /> <br /> == Anglais ==<br /> '''model distillation'''<br /> <br /> '''knowledge distillation'''<br /> <br /> &lt;!-- ''Knowledge distillation is the process to transfer knowledge from large model to smaller one without loss of validity and retains accuracy with model compression.'' --&gt;<br /> <br /> ==Sources==<br /> [https://www.quantamagazine.org/how-distillation-makes-ai-models-smaller-and-cheaper-20250718/ Quanta magazine , How Distillation Makes AI Models Smaller and Cheaper]<br /> <br /> [https://en.wikipedia.org/wiki/Knowledge_distillation#:~:text=In%20machine%20learning%2C%20knowledge%20distillation,might%20not%20be%20fully%20utilized. Wikipedia - distillation de modèles, distillation des connaissances]<br /> <br /> [https://proceedings.neurips.cc/paper_files/paper/2017/hash/e1e32e235eee1f970470a3a6658dfdd5-Abstract.html NeurIPS Proceedings 2017 - Knowledge Distillation]<br /> ]<br /> <br /> [https://paperswithcode.com/task/knowledge-distillation Paper with code - Knowledge Distillation]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Distillation_de_mod%C3%A8les&diff=132292 2026-08-05T22:50:26Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> La distillation de modèles aussi appelée distillation de connaissances est le processus qui permet de transférer les connaissances d'un grand [[modèle d'apprentissage]] à un modèle plus petit sans perte de validité et en conservant la précision lors de la compression du modèle.<br /> <br /> == Compléments ==<br /> Cette technique permet d’utiliser un [[Modèle enseignant|modèle enseignant]] volumineux et coûteux pour entraîner un [[Modèle étudiant|modèle étudiant]] « étudiant » plus petit et à moindre coût.<br /> &lt;hr/&gt;<br /> Beaucoup de commentaires et accusations concernant le lancement de [[paramètres ouverts|modèles à paramètres ouverts]] par des entreprises chinoise portaient sur l'emploi de la technique de distillation. Or la distillation est une technique connue depuis une décennie et un outil largement utilisé par les entreprises technologiques comme [[DeepMind]] et [[OpenAI]] pour leurs propres modèles. De plus, aucun modèle d'IA n'est à l'abri s'il peut être sollicité. <br /> == Français ==<br /> <br /> '''distillation de / des modèles'''<br /> <br /> '''distillation de / des connaissances'''<br /> <br /> == Anglais ==<br /> '''model distillation'''<br /> <br /> '''knowledge distillation'''<br /> <br /> &lt;!-- ''Knowledge distillation is the process to transfer knowledge from large model to smaller one without loss of validity and retains accuracy with model compression.'' --&gt;<br /> <br /> ==Sources==<br /> [https://www.quantamagazine.org/how-distillation-makes-ai-models-smaller-and-cheaper-20250718/ Quanta magazine , How Distillation Makes AI Models Smaller and Cheaper]<br /> <br /> [https://en.wikipedia.org/wiki/Knowledge_distillation#:~:text=In%20machine%20learning%2C%20knowledge%20distillation,might%20not%20be%20fully%20utilized. Wikipedia - distillation de modèles, distillation des connaissances]<br /> <br /> [https://proceedings.neurips.cc/paper_files/paper/2017/hash/e1e32e235eee1f970470a3a6658dfdd5-Abstract.html NeurIPS Proceedings 2017 - Knowledge Distillation]<br /> ]<br /> <br /> [https://paperswithcode.com/task/knowledge-distillation Paper with code - Knowledge Distillation]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Apprentissage_par_renforcement_avec_r%C3%A9troaction_humaine&diff=132280 2026-08-04T19:08:09Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> En [[apprentissage automatique]], l'apprentissage par renforcement avec rétroaction humaine (ARRH) est une technique d'amélioration des performances d'un [[agent]] à partir de rétroactions humaines.<br /> <br /> On commence par entraîner un [[modèle de récompense]] sur des résultats annotés par des rétroactions humaines. Ensuite, on utilise ce modèle comme fonction de récompense pour améliorer la [[politique d'action|politique]] d'un agent à l'aide de l'[[apprentissage par renforcement]] grâce à un [[algorithme d'optimisation]].<br /> <br /> ==Compléments==<br /> Ce type d'apprentissage est utilisé dans les jeux [[AlphaGo]] et les [[Robot conversationnel génératif|robots conversationnels génératifs]] ou [[générateurs automatique de textes]] basés sur les [[grand modèle de langues|grands modèles de langues]].<br /> &lt;hr/&gt;<br /> Le [[Modèle de récompense|modèle de récompense]] est pré-entraîné pour que la politique soit optimisée afin de prédire si une sortie est bonne (récompense élevée) ou mauvaise (récompense faible ou pénalité).<br /> &lt;hr/&gt;<br /> Cependant, le ARRH est une procédure complexe et souvent instable, qui consiste d'abord à adapter un [[modèle de récompense]] qui reflète les préférences humaines, puis à affiner le [[grand modèle de langues]] à l'aide de l'[[apprentissage par renforcement]] pour maximiser cette récompense estimée sans trop s'éloigner du modèle d'origine.<br /> == Français ==<br /> <br /> '''apprentissage par renforcement avec rétroaction humaine'''<br /> <br /> '''apprentissage par renforcement à partir de rétroaction humaine'''<br /> <br /> '''apprentissage par renforcement à partir de retours humains'''<br /> <br /> '''apprentissage par renforcement avec retour humain'''<br /> <br /> '''apprentissage par renforcement et rétroaction humaine'''<br /> <br /> '''apprentissage par renforcement à partir de la rétroaction humaine'''<br /> <br /> '''ARRH'''<br /> <br /> '''apprentissage par renforcement basée sur la rétroaction humaine'''<br /> <br /> '''ARBRH'''<br /> <br /> '''apprentissage par renforcement avec retour d'information humain'''<br /> <br /> <br /> &lt;span id=&quot;en&quot;&gt;&lt;/span&gt;<br /> == Anglais ==<br /> '''reinforcement learning from human feedback'''<br /> <br /> '''RLHF'''<br /> <br /> '''reinforcement learning from human preferences'''<br /> <br /> In reinforcement learning, the algorithm learns a behavior from repeated experiments, so as to optimize the rewards received over time. Like unsupervised learning, reinforcement learning does not require labeled data. <br /> Typically, an intelligent agent, immersed in an environment, makes a decision or performs an action based on its current state and observation of its environment. <br /> <br /> In return for the agent's action, the environment provides the agent with a reward or punishment. <br /> <br /> Reinforcement learning can be seen as a game of trial and error, the aim of which is to determine which actions will maximize an intelligent agent's gains. In this way, it will develop optimal behavior, known as strategy or policy.<br /> <br /> <br /> &lt;span id=&quot;es&quot;&gt;&lt;/span&gt;<br /> ==Español==<br /> [[Catégorie:es]]<br /> <br /> '''''aprendizaje por refuerzo a partir de la retroalimentación humana''''' <br /> <br /> ''En el ámbito del aprendizaje automático, el aprendizaje por refuerzo de la retroalimentación humana es una técnica para mejorar el rendimiento de un agente utilizando la retroalimentación humana.'' <br /> <br /> ''Se empieza por entrenar un modelo de recompensa a partir de resultados anotados con comentarios humanos. A continuación, este modelo se utiliza como función de recompensa para mejorar la política de un agente mediante el aprendizaje por refuerzo con un algoritmo de optimización.'' <br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/Apprentissage_par_renforcement_%C3%A0_partir_de_r%C3%A9troaction_humaine Wikipedia - apprentissage par renforcement à partir de rétroaction humaine]<br /> <br /> [https://www.journaldunet.com/solutions/dsi/1518637-chatgpt-l-intelligence-artificielle-peut-elle-tenir-ses-promesses/ Journal du Net]<br /> <br /> [https://www.obvia.ca/sites/obvia.ca/files/ressources/202501-OBV-Out-Glossaire_Obvia.pdf Glossaire de l'Obvia - apprentissage par renforcement à partir de retours humains]<br /> <br /> [https://huyenchip.com/2023/05/02/rlhf.html huyenchip]<br /> <br /> [https://crfm.stanford.edu/2023/05/22/alpaca-farm.html Stanford]<br /> <br /> [https://en.wikipedia.org/wiki/Reinforcement_learning_from_human_feedback Wikipedia - reinforcement learning from human feedback]<br /> <br /> {{Modèle:101}}<br /> [[Catégorie:Intelligence artificielle]]<br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]<br /> [[Catégorie:101]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Optimisation_directe_des_pr%C3%A9f%C3%A9rences&diff=132279 2026-08-04T19:07:34Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> L'optimisation directe des préférences (DPO) est une paramétrisation du modèle de récompense dans l'[[apprentissage par renforcement avec rétroaction humaine]] (ARRH) qui permet d'extraire la politique optimale correspondante sous forme fermée, ce qui permet de résoudre le problème d'ARRH standard avec seulement une simple perte de classification. <br /> <br /> == Compléments ==<br /> <br /> L'algorithme résultant est stable, performant et léger en termes de calcul, éliminant le besoin d'échantillonnage à partir du modèle de langue lors du réglage fin ou de l'exécution d'un réglage important des hyperparamètres.<br /> <br /> Alors que les modèles de langage non supervisés à grande échelle acquièrent une connaissance générale du monde et certaines compétences de raisonnement, il est difficile d'obtenir un contrôle précis de leur comportement en raison de la nature totalement non supervisée de leur formation. <br /> <br /> Les méthodes existantes pour obtenir une telle maniabilité collectent des étiquettes humaines sur la qualité relative des générations de modèles et affinent le modèle de langue non supervisé pour l'aligner sur ces préférences, souvent avec l'apprentissage par apprentissage par renforcement à rétroaction humaine (ARRH) qui est souvent complexe et instable. <br /> == Français ==<br /> ''' optimisation directe des préférences '''<br /> <br /> == Anglais ==<br /> ''' Direct Preference Optimization '''<br /> <br /> ''' DPO '''<br /> <br /> ==Sources==<br /> <br /> [https://arxiv.org/abs/2305.18290 Source : arxiv ]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Apprentissage_par_renforcement_avec_r%C3%A9troaction_humaine&diff=132278 2026-08-04T19:06:13Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> En [[apprentissage automatique]], l'apprentissage par renforcement avec rétroaction humaine (ARRH) est une technique d'amélioration des performances d'un [[agent]] à partir de rétroactions humaines.<br /> <br /> On commence par entraîner un [[modèle de récompense]] sur des résultats annotés par des rétroactions humaines. Ensuite, on utilise ce modèle comme fonction de récompense pour améliorer la [[politique d'action|politique]] d'un agent à l'aide de l'[[apprentissage par renforcement]] grâce à un [[algorithme d'optimisation]].<br /> <br /> ==Compléments==<br /> Ce type d'apprentissage est utilisé dans les jeux [[AlphaGo]] et les [[Robot conversationnel génératif|robots conversationnels génératifs]] ou [[générateurs automatique de textes]] basés sur les [[grand modèle de langues|grands modèles de langues]].<br /> &lt;hr/&gt;<br /> Le [[Modèle de récompense|modèle de récompense]] est pré-entraîné pour que la politique soit optimisée afin de prédire si une sortie est bonne (récompense élevée) ou mauvaise (récompense faible ou pénalité).<br /> &lt;hr/&gt;<br /> Cependant, le ARRH est une procédure complexe et souvent instable, qui consiste d'abord à adapter un modèle de récompenses qui reflète les préférences humaines, puis à affiner le [[grand modèle de langues]] à l'aide de l'[[apprentissage par renforcement]] pour maximiser cette récompense estimée sans trop s'éloigner du modèle d'origine.<br /> == Français ==<br /> <br /> '''apprentissage par renforcement avec rétroaction humaine'''<br /> <br /> '''apprentissage par renforcement à partir de rétroaction humaine'''<br /> <br /> '''apprentissage par renforcement à partir de retours humains'''<br /> <br /> '''apprentissage par renforcement avec retour humain'''<br /> <br /> '''apprentissage par renforcement et rétroaction humaine'''<br /> <br /> '''apprentissage par renforcement à partir de la rétroaction humaine'''<br /> <br /> '''ARRH'''<br /> <br /> '''apprentissage par renforcement basée sur la rétroaction humaine'''<br /> <br /> '''ARBRH'''<br /> <br /> '''apprentissage par renforcement avec retour d'information humain'''<br /> <br /> <br /> &lt;span id=&quot;en&quot;&gt;&lt;/span&gt;<br /> == Anglais ==<br /> '''reinforcement learning from human feedback'''<br /> <br /> '''RLHF'''<br /> <br /> '''reinforcement learning from human preferences'''<br /> <br /> In reinforcement learning, the algorithm learns a behavior from repeated experiments, so as to optimize the rewards received over time. Like unsupervised learning, reinforcement learning does not require labeled data. <br /> Typically, an intelligent agent, immersed in an environment, makes a decision or performs an action based on its current state and observation of its environment. <br /> <br /> In return for the agent's action, the environment provides the agent with a reward or punishment. <br /> <br /> Reinforcement learning can be seen as a game of trial and error, the aim of which is to determine which actions will maximize an intelligent agent's gains. In this way, it will develop optimal behavior, known as strategy or policy.<br /> <br /> <br /> &lt;span id=&quot;es&quot;&gt;&lt;/span&gt;<br /> ==Español==<br /> [[Catégorie:es]]<br /> <br /> '''''aprendizaje por refuerzo a partir de la retroalimentación humana''''' <br /> <br /> ''En el ámbito del aprendizaje automático, el aprendizaje por refuerzo de la retroalimentación humana es una técnica para mejorar el rendimiento de un agente utilizando la retroalimentación humana.'' <br /> <br /> ''Se empieza por entrenar un modelo de recompensa a partir de resultados anotados con comentarios humanos. A continuación, este modelo se utiliza como función de recompensa para mejorar la política de un agente mediante el aprendizaje por refuerzo con un algoritmo de optimización.'' <br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/Apprentissage_par_renforcement_%C3%A0_partir_de_r%C3%A9troaction_humaine Wikipedia - apprentissage par renforcement à partir de rétroaction humaine]<br /> <br /> [https://www.journaldunet.com/solutions/dsi/1518637-chatgpt-l-intelligence-artificielle-peut-elle-tenir-ses-promesses/ Journal du Net]<br /> <br /> [https://www.obvia.ca/sites/obvia.ca/files/ressources/202501-OBV-Out-Glossaire_Obvia.pdf Glossaire de l'Obvia - apprentissage par renforcement à partir de retours humains]<br /> <br /> [https://huyenchip.com/2023/05/02/rlhf.html huyenchip]<br /> <br /> [https://crfm.stanford.edu/2023/05/22/alpaca-farm.html Stanford]<br /> <br /> [https://en.wikipedia.org/wiki/Reinforcement_learning_from_human_feedback Wikipedia - reinforcement learning from human feedback]<br /> <br /> {{Modèle:101}}<br /> [[Catégorie:Intelligence artificielle]]<br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]<br /> [[Catégorie:101]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Apprentissage_par_renforcement_avec_r%C3%A9troaction_humaine&diff=132277 2026-08-04T19:04:38Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> En [[apprentissage automatique]], l'apprentissage par renforcement avec rétroaction humaine (ARRH) est une technique d'amélioration des performances d'un [[agent]] à partir de rétroactions humaines.<br /> <br /> On commence par entraîner un [[modèle de récompense]] sur des résultats annotés par des rétroactions humaines. Ensuite, on utilise ce modèle comme fonction de récompense pour améliorer la [[politique d'action|politique]] d'un agent à l'aide de l'[[apprentissage par renforcement]] grâce à un [[algorithme d'optimisation]].<br /> <br /> ==Compléments==<br /> Ce type d'apprentissage est utilisé dans les jeux [[AlphaGo]] et les [[Robot conversationnel génératif|robots conversationnels génératifs]] ou [[générateurs automatique de textes]] basés sur les [[grand modèle de langues|grands modèles de langues]].<br /> &lt;hr/&gt;<br /> Le [[Modèle de récompense|modèle de récompense]] est pré-entraîné pour que la politique soit optimisée afin de prédire si une sortie est bonne (récompense élevée) ou mauvaise (récompense faible ou pénalité).<br /> &lt;hr/&gt;<br /> Cependant, le ARRH est une procédure complexe et souvent instable, qui consiste d'abord à adapter un modèle de récompense qui reflète les préférences humaines, puis à affiner le grand modèle de langue non supervisé à l'aide de l'apprentissage par renforcement pour maximiser cette récompense estimée sans trop s'éloigner du modèle d'origine.<br /> == Français ==<br /> <br /> '''apprentissage par renforcement avec rétroaction humaine'''<br /> <br /> '''apprentissage par renforcement à partir de rétroaction humaine'''<br /> <br /> '''apprentissage par renforcement à partir de retours humains'''<br /> <br /> '''apprentissage par renforcement avec retour humain'''<br /> <br /> '''apprentissage par renforcement et rétroaction humaine'''<br /> <br /> '''apprentissage par renforcement à partir de la rétroaction humaine'''<br /> <br /> '''ARRH'''<br /> <br /> '''apprentissage par renforcement basée sur la rétroaction humaine'''<br /> <br /> '''ARBRH'''<br /> <br /> '''apprentissage par renforcement avec retour d'information humain'''<br /> <br /> <br /> &lt;span id=&quot;en&quot;&gt;&lt;/span&gt;<br /> == Anglais ==<br /> '''reinforcement learning from human feedback'''<br /> <br /> '''RLHF'''<br /> <br /> '''reinforcement learning from human preferences'''<br /> <br /> In reinforcement learning, the algorithm learns a behavior from repeated experiments, so as to optimize the rewards received over time. Like unsupervised learning, reinforcement learning does not require labeled data. <br /> Typically, an intelligent agent, immersed in an environment, makes a decision or performs an action based on its current state and observation of its environment. <br /> <br /> In return for the agent's action, the environment provides the agent with a reward or punishment. <br /> <br /> Reinforcement learning can be seen as a game of trial and error, the aim of which is to determine which actions will maximize an intelligent agent's gains. In this way, it will develop optimal behavior, known as strategy or policy.<br /> <br /> <br /> &lt;span id=&quot;es&quot;&gt;&lt;/span&gt;<br /> ==Español==<br /> [[Catégorie:es]]<br /> <br /> '''''aprendizaje por refuerzo a partir de la retroalimentación humana''''' <br /> <br /> ''En el ámbito del aprendizaje automático, el aprendizaje por refuerzo de la retroalimentación humana es una técnica para mejorar el rendimiento de un agente utilizando la retroalimentación humana.'' <br /> <br /> ''Se empieza por entrenar un modelo de recompensa a partir de resultados anotados con comentarios humanos. A continuación, este modelo se utiliza como función de recompensa para mejorar la política de un agente mediante el aprendizaje por refuerzo con un algoritmo de optimización.'' <br /> <br /> <br /> <br /> ==Sources==<br /> <br /> [https://fr.wikipedia.org/wiki/Apprentissage_par_renforcement_%C3%A0_partir_de_r%C3%A9troaction_humaine Wikipedia - apprentissage par renforcement à partir de rétroaction humaine]<br /> <br /> [https://www.journaldunet.com/solutions/dsi/1518637-chatgpt-l-intelligence-artificielle-peut-elle-tenir-ses-promesses/ Journal du Net]<br /> <br /> [https://www.obvia.ca/sites/obvia.ca/files/ressources/202501-OBV-Out-Glossaire_Obvia.pdf Glossaire de l'Obvia - apprentissage par renforcement à partir de retours humains]<br /> <br /> [https://huyenchip.com/2023/05/02/rlhf.html huyenchip]<br /> <br /> [https://crfm.stanford.edu/2023/05/22/alpaca-farm.html Stanford]<br /> <br /> [https://en.wikipedia.org/wiki/Reinforcement_learning_from_human_feedback Wikipedia - reinforcement learning from human feedback]<br /> <br /> {{Modèle:101}}<br /> [[Catégorie:Intelligence artificielle]]<br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]<br /> [[Catégorie:101]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Attaque_par_distillation&diff=132274 2026-08-04T19:00:26Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> L'attaque par [[Distillation de modèles|distillation]] est une pratique où un modèle d'IA puissant ([[modèle enseignant]]) est exploité pour en entraîner un nouveau modèle, plus petit et moins cher ([[modèle étudiant]]), en copiant ses réponses à un ensemble requêtes.<br /> <br /> == Compléments == <br /> Un très grand nombres de requêtes sont utilisées pour générer un jeu de données basé principalement sur les [[chaîne de résolution|chaînes de résolution]] (COT). Ces données plus riches facilitent l'apprentissage de la distribution de probabilité du [[modèle enseignant]]. <br /> <br /> == Français ==<br /> '''attaque par distillation'''<br /> <br /> '''vol d'IA par distillation'''<br /> <br /> '''piratage par distillation'''<br /> <br /> == Anglais ==<br /> '''distillation attack'''<br /> <br /> A distillation attack (or model extraction attack) is a form of artificial intelligence (AI) intellectual property theft. An adversary systematically prompts an expensive, highly capable &quot;teacher&quot; model via its API to harvest its responses. They then use this collected data to train a smaller, cheaper &quot;student&quot; model to perfectly mimic the advanced system. <br /> <br /> ==Sources==<br /> [https://www.usine-digitale.fr/cybersecurite/cybersecurite-pourquoi-les-attaques-par-distillation-qui-visent-a-copier-des-modeles-dia-deviennent-un-enjeu-pour-les-entreprises.C67RUJ64TZFUVNH4UGAKEPYHZQ.html L'usine digitale - attaque par distillation]<br /> <br /> [https://www.ledevoir.com/economie/techno/958530/anthropic-accuse-deepseek-piller-modeles-ia-construire-siens. Le Devoir - distillation]<br /> <br /> [https://hyper.ai/fr/stories/5b29229d84a2ed48b0ac6517333e1b82 HyperAI - vol d'IA par distillation]<br /> <br /> [https://www.mindstudio.ai/blog/ai-model-distillation-attacks-explained Mind Studio - distillation attack]<br /> <br /> [[Catégorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Cha%C3%AEne_de_r%C3%A9solution&diff=132271 2026-08-04T18:42:12Z

<p>Claude COULOMBE : </p> <hr /> <div><br /> == Définition ==<br /> Processus de réalisation d'une tâche, typiquement de résolution de problèmes, qui consiste à décomposer un problème en ses différentes étapes sous la forme d'une chaîne d'étapes. <br /> <br /> == Compléments ==<br /> Nous recommandons « résolution » plutôt que « raisonnement », « pensée » ou « réflexion » pour éviter l'anthropomorphisme.<br /> <br /> La question de savoir si les [[grand modèle de langues|grands modèles de langue]] raisonnent ''vraiment'' est une question chaudement débattue dans la communauté de l'IA.<br /> &lt;hr/&gt;<br /> Puisque l'on désigne le processus plutôt que le résultat, le terme « chaine de résolution » est préférable préférable à « résolution en chaîne ».<br /> &lt;hr/&gt;<br /> On peut, par exemple, demander à un [[robot conversationnel génératif]] d'expliquer les différentes étapes de la résolution d'un problème. <br /> <br /> Voici un exemple:<br /> <br /> '''QUESTION''' : Linda a 5 pommes. Elle achète deux autres sacs de pommes au marché. Chaque sac contient 3 pommes. Combien de pommes Linda a-t-elle maintenant ? Procède étape par étape.<br /> <br /> '''RÉPONSE''' : Linda avait initialement 5 pommes. Elle achète deux sacs de pommes, et chaque sac contient 3 pommes. Donc, elle a acheté 2 sacs x 3 pommes/sac = 6 pommes. En ajoutant les 6 pommes aux 5 qu'il avait déjà, Linda a maintenant 5 + 6 = 11 pommes.<br /> &lt;hr/&gt;<br /> Il existe un équivalent en [[intelligence artificielle symbolique]] qui consiste à décomposer un problème en sous-problèmes. <br /> <br /> == Français ==<br /> <br /> '''chaîne de résolution'''<br /> <br /> '''trace de résolution'''<br /> <br /> '''chaîne de pensée''' &lt;small&gt;''calque de l'anglais''&lt;/small&gt;<br /> <br /> '''chaîne de raisonnement'''<br /> <br /> '''résolution en chaîne'''<br /> <br /> '''résolution par étapes'''<br /> <br /> '''décomposition par étapes'''<br /> <br /> == Anglais ==<br /> '''chain-of-thought'''<br /> <br /> '''chain-of-thoughts'''<br /> <br /> '''chain of thought'''<br /> <br /> '''chain of thoughts'''<br /> <br /> '''CoT'''<br /> <br /> ==Sources==<br /> <br /> [https://www.ibm.com/think/topics/chain-of-thoughts IBM, ''What is chain of thoughts (CoT)?'']<br /> <br /> [https://arxiv.org/html/2409.12183v1 arXiv - Sprague et al. 2024, ''To CoT or not to CoT? Chain-of-thought helps mainly on math and symbolic reasoning''] <br /> <br /> [https://www.linkedin.com/posts/dlemire_lia-g%C3%A9n%C3%A9rative-devient-vraiment-bon-march%C3%A9-activity-7289356708877881344-9rZb Discussion sur LinkedIn - Daniel Lemire professeur / chercheur à la TÉLUQ]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]<br /> [[Catégorie:101]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Distillation_de_mod%C3%A8les&diff=132264 2026-08-04T18:25:37Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> La distillation de modèles aussi appelée distillation de connaissances est le processus qui permet de transférer les connaissances d'un grand [[modèle d'apprentissage]] à un modèle plus petit sans perte de validité et en conservant la précision lors de la compression du modèle.<br /> <br /> == Compléments ==<br /> Cette technique permet d’utiliser un [[Modèle enseignant|modèle enseignant]] volumineux et coûteux pour entraîner un [[Modèle étudiant|modèle étudiant]] « étudiant » plus petit et à moindre coût.<br /> &lt;hr/&gt;<br /> Beaucoup de commentaires et accusations concernant le lancement en 2025 des modèles [[DeepSeek]] et R1 par une entreprise chinoise portaient sur l'emploi de la technique de distillation. Or la distillation est une technique connue depuis une décennie et un outil largement utilisé par les entreprises technologiques comme [[DeepMind]] et [[OpenAI]] pour leurs propres modèles. <br /> == Français ==<br /> <br /> '''distillation de / des modèles'''<br /> <br /> '''distillation de / des connaissances'''<br /> <br /> == Anglais ==<br /> '''model distillation'''<br /> <br /> '''knowledge distillation'''<br /> <br /> &lt;!-- ''Knowledge distillation is the process to transfer knowledge from large model to smaller one without loss of validity and retains accuracy with model compression.'' --&gt;<br /> <br /> ==Sources==<br /> [https://www.quantamagazine.org/how-distillation-makes-ai-models-smaller-and-cheaper-20250718/ Quanta magazine , How Distillation Makes AI Models Smaller and Cheaper]<br /> <br /> [https://en.wikipedia.org/wiki/Knowledge_distillation#:~:text=In%20machine%20learning%2C%20knowledge%20distillation,might%20not%20be%20fully%20utilized. Wikipedia - distillation de modèles, distillation des connaissances]<br /> <br /> [https://proceedings.neurips.cc/paper_files/paper/2017/hash/e1e32e235eee1f970470a3a6658dfdd5-Abstract.html NeurIPS Proceedings 2017 - Knowledge Distillation]<br /> ]<br /> <br /> [https://paperswithcode.com/task/knowledge-distillation Paper with code - Knowledge Distillation]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Distillation_de_mod%C3%A8les&diff=132263 2026-08-04T18:24:50Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> La distillation de modèles aussi appelée distillation de connaissances est le processus qui permet de transférer les connaissances d'un grand [[modèle d'apprentissage]] à un modèle plus petit sans perte de validité et en conservant la précision lors de la compression du modèle.<br /> <br /> == Compléments ==<br /> Cette technique permet d’utiliser un [[modèle enseignant|Modèle enseignant]] volumineux et coûteux pour entraîner un [[modèle étudiant|Modèle étudiant]] « étudiant » plus petit et à moindre coût.<br /> &lt;hr/&gt;<br /> Beaucoup de commentaires et accusations concernant le lancement en 2025 des modèles [[DeepSeek]] et R1 par une entreprise chinoise portaient sur l'emploi de la technique de distillation. Or la distillation est une technique connue depuis une décennie et un outil largement utilisé par les entreprises technologiques comme [[DeepMind]] et [[OpenAI]] pour leurs propres modèles. <br /> == Français ==<br /> <br /> '''distillation de / des modèles'''<br /> <br /> '''distillation de / des connaissances'''<br /> <br /> == Anglais ==<br /> '''model distillation'''<br /> <br /> '''knowledge distillation'''<br /> <br /> &lt;!-- ''Knowledge distillation is the process to transfer knowledge from large model to smaller one without loss of validity and retains accuracy with model compression.'' --&gt;<br /> <br /> ==Sources==<br /> [https://www.quantamagazine.org/how-distillation-makes-ai-models-smaller-and-cheaper-20250718/ Quanta magazine , How Distillation Makes AI Models Smaller and Cheaper]<br /> <br /> [https://en.wikipedia.org/wiki/Knowledge_distillation#:~:text=In%20machine%20learning%2C%20knowledge%20distillation,might%20not%20be%20fully%20utilized. Wikipedia - distillation de modèles, distillation des connaissances]<br /> <br /> [https://proceedings.neurips.cc/paper_files/paper/2017/hash/e1e32e235eee1f970470a3a6658dfdd5-Abstract.html NeurIPS Proceedings 2017 - Knowledge Distillation]<br /> ]<br /> <br /> [https://paperswithcode.com/task/knowledge-distillation Paper with code - Knowledge Distillation]<br /> <br /> [[Catégorie:GRAND LEXIQUE FRANÇAIS]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Surconsommation_de_jetons_textuels&diff=130595 2026-07-07T21:10:30Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> Action de dépenser délibérément un maximum de [[jeton textuel|jetons textuels]] alloué à un [[Grand modèle de langues (GML)|grand modèle de langues (GLM)]].<br /> <br /> == Compléments ==<br /> La surconsommation de jetons est souvent le résultat de l'exécution de plusieurs agents dédiés à différents sous-tâches (typiquement de programmation) simultanément. <br /> <br /> ==Français==<br /> <br /> '''surconsommation de jetons textuels'''<br /> <br /> '''surconsommation de jetons'''<br /> <br /> '''jetonbésité'''<br /> <br /> '''jeton manie'''<br /> <br /> '''maximisation de jetons'''<br /> <br /> '''maximisation de jetons textuels'''<br /> <br /> ==Anglais==<br /> '''tokenmaxxing'''<br /> <br /> '''token maxxing'''<br /> <br /> '''token maxing'''<br /> <br /> ==Sources==<br /> [https://en.wikipedia.org/wiki/Token_maxxing Forbes - tokenmaxxing]<br /> <br /> [https://en.wikipedia.org/wiki/Token_maxxing Wikipedia - token maxxing]<br /> <br /> [https://www.lesaffaires.com/mon-entreprise/management-et-rh/tokenmaxxing-quand-lia-cree-de-nouvelles-inegalites-rh/ Les affaires]<br /> <br /> [https://www.01net.com/actualites/comment-le-tokenmaxxing-transforme-lusage-de-lia-en-competition-chez-les-geants-de-la-tech.html 01net]<br /> <br /> [[Categorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Surconsommation_de_jetons_textuels&diff=130594 2026-07-07T20:58:50Z

<p>Claude COULOMBE : </p> <hr /> <div>==Définition==<br /> Action de dépenser délibérément un maximum de [[jeton textuel|jetons textuels]] alloué à un [[Grand modèle de langues (GML)|grand modèle de langues (GLM)]].<br /> <br /> == Compléments ==<br /> La surconsommation de jetons est souvent le résultat de l'exécution de plusieurs agents dédiés à différents sous-tâches (typiquement de programmation) simultanément. <br /> <br /> ==Français==<br /> <br /> '''surconsommation de jetons textuels'''<br /> <br /> '''surconsommation de jetons'''<br /> <br /> '''maximisation de jetons'''<br /> <br /> '''maximisation de jetons textuels'''<br /> <br /> ==Anglais==<br /> '''tokenmaxxing'''<br /> <br /> '''token maxxing'''<br /> <br /> '''token maxing'''<br /> <br /> ==Sources==<br /> [https://en.wikipedia.org/wiki/Token_maxxing Forbes - tokenmaxxing]<br /> <br /> [https://en.wikipedia.org/wiki/Token_maxxing Wikipedia - token maxxing]<br /> <br /> [https://www.lesaffaires.com/mon-entreprise/management-et-rh/tokenmaxxing-quand-lia-cree-de-nouvelles-inegalites-rh/ Les affaires]<br /> <br /> [https://www.01net.com/actualites/comment-le-tokenmaxxing-transforme-lusage-de-lia-en-competition-chez-les-geants-de-la-tech.html 01net]<br /> <br /> [[Categorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Tokenmaxxing&diff=130593 2026-07-07T20:58:16Z

<p>Claude COULOMBE : Claude COULOMBE a déplacé la page Tokenmaxxing vers Surconsommation de jetons textuels</p> <hr /> <div>#REDIRECTION [[Surconsommation de jetons textuels]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Surconsommation_de_jetons_textuels&diff=130592 2026-07-07T20:58:16Z

<p>Claude COULOMBE : Claude COULOMBE a déplacé la page Tokenmaxxing vers Surconsommation de jetons textuels</p> <hr /> <div>==Définition==<br /> Action de dépenser délibérément un maximum de [[jeton textuel|jetons textuels]] alloué à un [[Grand modèle de langues (GML)|grand modèle de langues (GLM)]].<br /> <br /> == Compléments ==<br /> La surconsommation de jetons est souvent le résultat de l'exécution de plusieurs agents dédiés à différents sous-tâches (typiquement de programmation) simultanément. <br /> <br /> ==Français==<br /> '''surconsommation de jetons'''<br /> <br /> '''surconsommation de jetons textuels'''<br /> <br /> '''maximisation de jetons'''<br /> <br /> '''maximisation de jetons textuels'''<br /> <br /> ==Anglais==<br /> '''tokenmaxxing'''<br /> <br /> '''token maxxing'''<br /> <br /> '''token maxing'''<br /> <br /> ==Sources==<br /> [https://en.wikipedia.org/wiki/Token_maxxing Forbes - tokenmaxxing]<br /> <br /> [https://en.wikipedia.org/wiki/Token_maxxing Wikipedia - token maxxing]<br /> <br /> [https://www.lesaffaires.com/mon-entreprise/management-et-rh/tokenmaxxing-quand-lia-cree-de-nouvelles-inegalites-rh/ Les affaires]<br /> <br /> [https://www.01net.com/actualites/comment-le-tokenmaxxing-transforme-lusage-de-lia-en-competition-chez-les-geants-de-la-tech.html 01net]<br /> <br /> [[Categorie:Publication]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=%C3%89chantillonnage_%C3%A0_troncature_de_masse_p&diff=130535 2026-07-05T08:37:04Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> Stratégie d'échantillonnage où un modèle génère une distribution de probabilité pour tous les éléments possibles d'un ensemble. On ne conserve que les éléments les plus probables dont la somme des probabilités atteint un seuil ''p'' défini (la ''masse de probabilité'') également appelée ''noyau''. <br /> <br /> Les probabilités de ces éléments sont alors normalisées pour que leur somme soit égale à 1 avant le tirage aléatoire.<br /> <br /> Voir aussi '''[[échantillonnage à troncature k fixe]]'''<br /> <br /> == Compléments ==<br /> Cette stratégie d'échantillonnage est utilisée par les [[grand modèle de langues|grands modèles de langues]] pour choisir aléatoirement un [[jeton textuel]] parmi un ensemble de [[jeton textuel|jetons textuels]]. <br /> <br /> Alors que l'[[échantillonnage à troncature k fixe]] limite l'échantillon à un nombre ''k'' fixe de mots, l'échantillonnage à troncature de masse p spécifie une probabilité cumulée ''p'' entre 0 et 1 et on échantillonne parmi un nombre variable de [[jeton textuel|jetons textuels]] dont la somme des probabilités atteint ou dépasse p. <br /> <br /> En pratique, l'échantillonnage à troncature de masse p est préféré à l'[[échantillonnage à troncature k fixe]] car il est plus adaptatif. <br /> <br /> Notez qu'il est généralement recommandé de spécifier soit la '''[[température]]''', soit le paramètre ''p'', mais pas les deux.<br /> <br /> == Français ==<br /> '''Échantillonnage à troncature de masse p'''<br /> <br /> '''Échantillonnage du noyau'''<br /> <br /> '''Échantillonnage nucléaire'''<br /> <br /> '''Échantillonnage par troncature dynamique'''<br /> <br /> '''Échantillonnage par seuil de probabilité cumulée'''<br /> <br /> '''Échantillonnage top-p'''<br /> <br /> == Anglais ==<br /> '''Top-p sampling'''<br /> <br /> '''Nucleus sampling'''<br /> <br /> ''Stochastic decoding strategy for generating sequences form autoregressive probabilistic models that introduces randomness while maintaining quality. The choice of p can significantly influence the generated text. Its core idea is to sample from a smaller, more credible set of tokens at each step (called the nucleus). It is useful when you want more adaptative and context-sensitive text generation. ''<br /> <br /> ''In practice, top-p sampling is often preferred over top-k because it’s adaptive. It is generally recommended to specify either the temperature or the top_p parameter, but not both.''<br /> <br /> == Sources ==<br /> [https://medium.com/thinking-sand/the-top-k-and-top-p-parameters-explained-bfaecc8cd342 Medium - Top-k sampling, Top-p sampling]<br /> <br /> [https://en.wikipedia.org/wiki/Top-p_sampling#Top-k_sampling Wikipedia - Top-k sampling]<br /> <br /> [https://en.wikipedia.org/wiki/Top-p_sampling Wikipedia - Top-p sampling]<br /> <br /> [[Catégorie:Intelligence artificielle]]<br /> <br /> {{DEFAULTSORT: echantillonnage des p}}</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=Nucleus_sampling&diff=130534 2026-07-05T08:34:15Z

<p>Claude COULOMBE : Destination de redirection modifiée de Échantillonnage des p-meilleurs en Échantillonnage à troncature de masse p</p> <hr /> <div>#REDIRECTION [[Échantillonnage à troncature de masse p]]</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=%C3%89chantillonnage_%C3%A0_troncature_de_masse_p&diff=130533 2026-07-05T08:31:51Z

<p>Claude COULOMBE : </p> <hr /> <div>== Définition ==<br /> Stratégie d'échantillonnage où un modèle génère une distribution de probabilité pour tous les éléments possibles d'un ensemble. On ne conserve que les éléments les plus probables dont la somme des probabilités atteint un seuil ''p'' défini (la ''masse de probabilité'') également appelée ''noyau''. <br /> <br /> Les probabilités de ces éléments sont alors normalisées pour que leur somme soit égale à 1 avant le tirage aléatoire.<br /> <br /> Voir aussi '''[[échantillonnage à troncature k fixe]]'''<br /> <br /> == Compléments ==<br /> Cette stratégie d'échantillonnage est utilisée par les [[grand modèle de langues|grands modèles de langues]] pour choisir aléatoirement un [[jeton textuel]] parmi un ensemble de [[jeton textuel|jetons textuels]]. <br /> <br /> Alors que l'[[échantillonnage à troncature k fixe]] limite l'échantillon à un nombre ''k'' fixe de mots, l'échantillonnage à troncature de masse p spécifie une probabilité cumulée ''p'' entre 0 et 1 et on échantillonne parmi un nombre variable de [[jeton textuel|jetons textuels]] dont la somme des probabilités atteint ou dépasse p. <br /> <br /> En pratique, l'échantillonnage à troncature de masse p est préféré à l'[[échantillonnage à troncature k fixe]] car il est plus adaptatif. <br /> <br /> Notez qu'il est généralement recommandé de spécifier soit la '''[[température]]''', soit le paramètre ''p'', mais pas les deux.<br /> <br /> == Français ==<br /> '''Échantillonnage à troncature de masse p'''<br /> <br /> '''Échantillonnage du noyau'''<br /> <br /> '''Échantillonnage par troncature dynamique'''<br /> <br /> '''Échantillonnage par seuil de probabilité cumulée'''<br /> <br /> '''Échantillonnage top-p'''<br /> <br /> == Anglais ==<br /> '''Top-p sampling'''<br /> <br /> '''Nucleus sampling'''<br /> <br /> ''Stochastic decoding strategy for generating sequences form autoregressive probabilistic models that introduces randomness while maintaining quality. The choice of p can significantly influence the generated text. Its core idea is to sample from a smaller, more credible set of tokens at each step (called the nucleus). It is useful when you want more adaptative and context-sensitive text generation. ''<br /> <br /> ''In practice, top-p sampling is often preferred over top-k because it’s adaptive. It is generally recommended to specify either the temperature or the top_p parameter, but not both.''<br /> <br /> == Sources ==<br /> [https://medium.com/thinking-sand/the-top-k-and-top-p-parameters-explained-bfaecc8cd342 Medium - Top-k sampling, Top-p sampling]<br /> <br /> [https://en.wikipedia.org/wiki/Top-p_sampling#Top-k_sampling Wikipedia - Top-k sampling]<br /> <br /> [https://en.wikipedia.org/wiki/Top-p_sampling Wikipedia - Top-p sampling]<br /> <br /> [[Catégorie:Intelligence artificielle]]<br /> <br /> {{DEFAULTSORT: echantillonnage des p}}</div>

Claude COULOMBE https://datafranca.org/wiki/index.php?title=%C3%89chantillonnage_%C3%A0_troncature_de_masse_p&diff=130531 2026-07-05T08:17:03Z

<p>Claude COULOMBE : Claude COULOMBE a déplacé la page Échantillonnage des p-meilleurs vers Échantillonnage à troncature de masse p par-dessus une redirection</p> <hr /> <div>== Définition ==<br /> Stratégie d'échantillonnage où un modèle génère une distribution de probabilité pour tous les éléments possibles d'un ensemble. On ne conserve que les éléments les plus probables dont la somme des probabilités atteint un seuil ''p'' défini (la ''masse de probabilité'') également appelée ''noyau''. <br /> <br /> Les probabilités de ces éléments sont alors normalisées pour que leur somme soit égale à 1 avant le tirage aléatoire.<br /> <br /> Voir aussi '''[[échantillonnage à troncature k fixe]]'''<br /> <br /> == Compléments ==<br /> Cette stratégie d'échantillonnage est utilisée par les [[grand modèle de langues|grands modèles de langues]] pour choisir aléatoirement un [[jeton textuel]] parmi un ensemble de [[jeton textuel|jetons textuels]]. <br /> <br /> Alors que l'[[échantillonnage à troncature k fixe]] limite l'échantillon à un nombre ''k'' fixe de mots, l'échantillonnage à troncature de masse p spécifie une probabilité cumulée ''p'' entre 0 et 1 et on échantillonne parmi un nombre variable de [[jeton textuel|jetons textuels]] dont la somme des probabilités atteint ou dépasse p. <br /> <br /> En pratique, l'échantillonnage à troncature de masse p est préféré à l'[[échantillonnage à troncature k fixe]] car il est plus adaptatif. <br /> <br /> Notez qu'il est généralement recommandé de spécifier soit la '''[[température]]''', soit le paramètre ''p'', mais pas les deux.<br /> <br /> == Français ==<br /> '''Échantillonnage des p-meilleurs'''<br /> <br /> '''Échantillonnage à troncature de masse p'''<br /> <br /> '''Échantillonnage du noyau'''<br /> <br /> '''Échantillonnage par troncature dynamique'''<br /> <br /> '''Échantillonnage par seuil de probabilité cumulée'''<br /> <br /> '''Échantillonnage top-p'''<br /> <br /> == Anglais ==<br /> '''Top-p sampling'''<br /> <br /> '''Nucleus sampling'''<br /> <br /> ''Stochastic decoding strategy for generating sequences form autoregressive probabilistic models that introduces randomness while maintaining quality. The choice of p can significantly influence the generated text. Its core idea is to sample from a smaller, more credible set of tokens at each step (called the nucleus). It is useful when you want more adaptative and context-sensitive text generation. ''<br /> <br /> ''In practice, top-p sampling is often preferred over top-k because it’s adaptive. It is generally recommended to specify either the temperature or the top_p parameter, but not both.''<br /> <br /> == Sources ==<br /> [https://medium.com/thinking-sand/the-top-k-and-top-p-parameters-explained-bfaecc8cd342 Medium - Top-k sampling, Top-p sampling]<br /> <br /> [https://en.wikipedia.org/wiki/Top-p_sampling#Top-k_sampling Wikipedia - Top-k sampling]<br /> <br /> [https://en.wikipedia.org/wiki/Top-p_sampling Wikipedia - Top-p sampling]<br /> <br /> [[Catégorie:Intelligence artificielle]]<br /> <br /> {{DEFAULTSORT: echantillonnage des p}}</div>

Claude COULOMBE