Glossaire data & IA.

A

Agent IA

Programme fondé sur un modèle de langage qui planifie et exécute une suite d'actions (lire un document, interroger un système, rédiger, déclencher une tâche) pour atteindre un objectif, avec un contrôle humain défini. En savoir plus.

AI Act

Règlement européen sur l'intelligence artificielle. Il classe les systèmes d'IA par niveau de risque et impose aux systèmes à haut risque des obligations de qualité des données, de documentation, de transparence et de supervision humaine. En savoir plus.

Apprentissage automatique (machine learning)

Ensemble de méthodes qui permettent à un modèle d'apprendre des régularités à partir de données historiques pour prédire, classer ou recommander.

Architecture data

Organisation des composants qui collectent, stockent, transforment et exposent les données : sources, pipelines, entrepôt ou lakehouse, couche sémantique, outils de restitution. En savoir plus.

B

Base de données vectorielle

Base qui stocke des embeddings et retrouve rapidement les contenus les plus proches d'une requête. Composant central des architectures RAG.

Business intelligence (BI)

Outils et pratiques de restitution des données sous forme de tableaux de bord et de rapports pour piloter l'activité. Exemples : Power BI, Tableau, Qlik. En savoir plus.

C

Catalogue de données

Inventaire documenté des données d'une organisation : définitions, propriétaires, sources, lignage, niveau de qualité. Exemples : Collibra, DataGalaxy, Purview. En savoir plus · Livre blanc comparatif.

CI/CD

Intégration et déploiement continus : automatisation des tests et des mises en production du code, des pipelines de données ou des modèles.

Contrat de données (data contract)

Accord formalisé entre producteur et consommateur d'un jeu de données : schéma, définitions, fraîcheur, seuils de qualité et responsabilités. En savoir plus.

Copilote métier

Assistant d'IA générative intégré aux outils d'une fonction (commerce, RH, juridique, finance) qui aide à rédiger, rechercher, synthétiser ou préparer une décision. En savoir plus.

D

Data engineering

Discipline qui conçoit et opère les pipelines de collecte, de transformation et de mise à disposition des données. En savoir plus.

Data lake

Espace de stockage qui conserve des données brutes de tous formats à faible coût, avant leur transformation.

Data lakehouse

Architecture qui combine le stockage ouvert d'un data lake et les capacités transactionnelles et analytiques d'un data warehouse. Exemple : Databricks. En savoir plus.

Data literacy

Capacité des collaborateurs à lire, comprendre, interpréter et utiliser les données dans leur travail.

Data mesh

Organisation qui confie la responsabilité des données aux domaines métiers, chacun publiant des data products sur une plateforme commune, avec une gouvernance fédérée.

Data office

Entité qui porte la stratégie et la gouvernance des données d'une organisation, souvent sous la responsabilité d'un Chief Data Officer.

Data owner

Responsable métier d'un domaine de données. Il arbitre les définitions, les règles d'accès et les seuils de qualité. En savoir plus.

Data product

Jeu de données conçu comme un produit : un propriétaire, des utilisateurs identifiés, une documentation, des engagements de qualité et de disponibilité.

Data steward

Personne qui suit au quotidien la qualité d'un domaine de données, traite les anomalies et pilote les corrections à la source. En savoir plus.

Data warehouse

Entrepôt de données structurées et historisées, optimisé pour l'analyse et le reporting. Exemple : Snowflake. En savoir plus.

Dataviz

Représentation graphique des données pour en faciliter la lecture et la décision. En savoir plus.

Dérive (drift)

Dégradation des performances d'un modèle quand les données réelles s'éloignent de celles de l'entraînement. Le monitoring MLOps la détecte. En savoir plus.

E

ELT / ETL

Extract, Load, Transform ou Extract, Transform, Load : deux façons d'enchaîner extraction, chargement et transformation des données. L'ELT transforme dans l'entrepôt, souvent avec dbt. En savoir plus.

Embedding

Représentation numérique d'un texte, d'une image ou d'un document sous forme de vecteur, qui permet de mesurer la proximité de sens entre contenus.

Évaluation de LLM

Mesure systématique de la qualité des réponses d'un modèle de langage sur un jeu de cas de test : exactitude, fidélité aux sources, ton, sécurité. En savoir plus.

F

Feature store

Référentiel des variables calculées pour les modèles de machine learning, partagées entre entraînement et production.

Fine-tuning

Réentraînement partiel d'un modèle pré-entraîné sur des données spécifiques pour l'adapter à une tâche ou à un vocabulaire.

FinOps

Pratique de pilotage des coûts cloud qui associe finance, technique et métiers : suivi par usage, optimisation, arbitrages. En savoir plus.

G

Gouvernance des données

Ensemble des rôles, règles, processus et outils qui rendent les données fiables, documentées, sécurisées et conformes. En savoir plus.

H

Hallucination

Réponse d'un modèle de langage formulée avec assurance mais fausse ou non fondée sur les sources disponibles.

I

IA frugale

Démarche qui limite l'empreinte environnementale de l'IA : cadrage des usages, choix du plus petit modèle suffisant, optimisation de l'inférence, mesure de l'impact.

IA générative

Famille de modèles capables de produire du texte, du code, des images ou du son à partir d'une instruction. Les LLM en sont la forme la plus répandue en entreprise. En savoir plus.

Inférence

Utilisation d'un modèle entraîné pour produire une prédiction ou une réponse. Elle représente l'essentiel du coût d'exploitation d'un LLM.

L

Lignage (data lineage)

Traçabilité du parcours d'une donnée, de sa source à ses usages, à travers les transformations successives.

LLM (grand modèle de langage)

Modèle d'IA entraîné sur de très grands volumes de texte, capable de comprendre et de générer du langage naturel.

LLM Gateway

Couche d'accès unique aux modèles de langage de plusieurs fournisseurs : routage, maîtrise des coûts, sécurité, journalisation et bascule entre modèles. En savoir plus.

LLMOps

Application des pratiques MLOps aux modèles de langage : évaluations, gestion des prompts, traces, suivi des coûts d'inférence. En savoir plus.

M

Master Data Management (MDM)

Gestion des données de référence (clients, produits, fournisseurs, sites) pour en garantir une version unique et fiable dans tout le système d'information. En savoir plus.

MCP (Model Context Protocol)

Protocole ouvert qui standardise la connexion des modèles et des agents IA aux outils et aux sources de données : CRM, ERP, plateformes data, bureautique. En savoir plus.

MLOps

Pratiques et outils qui industrialisent le cycle de vie des modèles de machine learning : versioning, déploiement, monitoring, réentraînement. En savoir plus.

Modèle sémantique

Couche qui traduit les données techniques en indicateurs et dimensions métier partagés, utilisés par les outils de BI.

O

Observabilité des données

Surveillance continue de la fraîcheur, du volume, du schéma et de la qualité des données dans les pipelines. En savoir plus.

Orchestration

Planification et enchaînement automatisés des traitements de données. Exemple : Airflow.

P

Pipeline de données

Chaîne automatisée de traitements qui collecte, transforme et charge les données d'une source vers une destination. En savoir plus.

Prompt

Instruction donnée à un modèle de langage. La conception de prompts précise le contexte, la tâche, le format attendu et les contraintes. En savoir plus.

Q

Qualité des données

Aptitude des données à servir un usage, mesurée par la complétude, l'exactitude, la cohérence, la fraîcheur et l'unicité. En savoir plus.

R

RAG (Retrieval-Augmented Generation)

Technique qui fait répondre un modèle de langage à partir de documents internes retrouvés au moment de la question, avec citation des sources. En savoir plus.

RGESN

Référentiel général d'écoconception de services numériques, publié par les autorités françaises, qui liste les bonnes pratiques pour réduire l'empreinte environnementale d'un service numérique.

RGPD

Règlement général sur la protection des données. Il encadre la collecte et le traitement des données personnelles dans l'Union européenne.

S

Stratégie data

Plan qui relie les objectifs de l'entreprise à un portefeuille de cas d'usage data et IA priorisés, à une architecture cible et à une organisation. En savoir plus.

T

Token

Unité de découpage du texte traitée par un modèle de langage. La facturation et les limites de contexte des LLM s'expriment en tokens.