AI Lexicon · Glossary of Artificial Intelligence Terms

A glossary of the technical terms of AI, made clear by LHC.

Modèle multimodal : Modèle capable de traiter et de combiner plusieurs types d'entrées ou de sorties : texte, image, audio, vidéo.

IA générative : Famille d'IA qui produit des contenus nouveaux (texte, image, son, vidéo, code) au lieu de seulement classer ou prédire.

LLM (grand modèle de langage) : Modèle de langage de très grande taille, entraîné à prédire le mot suivant, capable de comprendre et de générer du texte.

Intelligence artificielle (IA) : Ensemble de techniques permettant à une machine de simuler des capacités associées à l'intelligence humaine : perception, langage, raisonnement, création.

Modèle : Programme entraîné sur des données, dont les paramètres encodent des régularités statistiques, utilisé ensuite pour générer ou prédire.

Modèle de fondation : Grand modèle pré-entraîné sur d'énormes corpus, réutilisable et adaptable à de multiples tâches en aval.

Apprentissage par renforcement : Apprentissage par essais et récompenses : le modèle optimise ses actions selon un signal de retour.

IA générale (AGI) : Hypothétique IA capable d'égaler l'humain sur l'ensemble des tâches cognitives, et non sur un seul domaine.

Transformer : Architecture de réseau de neurones fondée sur l'attention, socle de la quasi-totalité des modèles de langage actuels.

Diffusion : Méthode générative qui part d'un bruit aléatoire et le débruite par étapes jusqu'à former une image ou une vidéo.

World model (modèle du monde) : Modèle qui apprend une représentation interne d'un environnement pour le simuler ou y agir.

Mécanisme d'attention : Opération qui laisse le modèle pondérer l'importance relative des différents éléments d'une séquence.

Encodeur / décodeur : Schéma où un encodeur transforme l'entrée en représentation interne et un décodeur la reconvertit en sortie.

Gaussian splatting : Méthode de rendu 3D temps réel représentant une scène par une nuée de gaussiennes plutôt que par des maillages.

Mixture of Experts (MoE) : Architecture où seules quelques sous-parties spécialisées du modèle s'activent par requête, pour plus d'efficacité.

Modèle autorégressif : Modèle qui génère sa sortie élément par élément, chaque nouveau jeton dépendant des précédents.

VAE (autoencodeur variationnel) : Modèle qui compresse une donnée dans un espace latent puis la reconstruit, souvent couplé aux modèles de diffusion.

Vision par ordinateur : Domaine où la machine analyse et interprète des images ou des vidéos.

Espace latent : Représentation compressée et abstraite des données, où le modèle manipule des concepts plutôt que des pixels bruts.

Entraînement : Phase où le modèle ajuste ses paramètres en traitant de grandes quantités de données.

Paramètres / poids : Valeurs numériques internes d'un modèle, ajustées à l'entraînement ; leur nombre mesure grossièrement sa capacité.

Dataset (jeu de données) : Ensemble de données rassemblées pour entraîner ou évaluer un modèle.

Fine-tuning (réglage fin) : Réentraînement ciblé d'un modèle existant sur un jeu de données spécifique pour l'adapter à une tâche.

LoRA (adaptation bas rang) : Technique d'adaptation légère qui n'entraîne qu'un petit jeu de poids additionnels, très utilisée pour personnaliser un modèle d'image.

Distillation : Transfert du savoir d'un grand modèle vers un modèle plus petit et plus rapide.

Pré-entraînement : Première phase d'entraînement sur un vaste corpus généraliste, avant toute spécialisation.

Post-training : Étapes postérieures au pré-entraînement (réglage par instructions, RLHF) qui orientent le comportement du modèle.

Quantification : Réduction de la précision numérique des poids (par exemple fp8, int4) pour alléger et accélérer un modèle.

Checkpoint : Sauvegarde de l'état d'un modèle à un instant de l'entraînement, réutilisable comme point de départ.

Loi d'échelle (scaling) : Constat empirique reliant l'augmentation de la taille, des données et du calcul aux gains de performance.

RLHF : Apprentissage par renforcement à partir de retours humains, utilisé pour aligner les réponses sur les préférences des utilisateurs.

Gradient / rétropropagation : La rétropropagation calcule les gradients (pentes d'erreur) qui guident l'ajustement des poids.

Prompt : Instruction ou requête en langage naturel fournie à un modèle pour orienter sa sortie.

Raisonnement : Capacité d'un modèle à enchaîner des étapes logiques, parfois dans un mode dédié plus lent et plus rigoureux.

Token / jeton : Plus petite unité de texte manipulée par un modèle : mot, fragment de mot ou caractère.

Inférence : Phase d'utilisation du modèle déjà entraîné pour produire une réponse à partir d'une entrée.

Streaming : Affichage de la réponse au fil de sa génération, jeton par jeton.

Seed (graine aléatoire) : Nombre initialisant le hasard d'une génération, qui permet de reproduire un résultat à l'identique.

Prompting (ingénierie de prompt) : Art de formuler et de structurer les requêtes pour obtenir de meilleurs résultats d'un modèle.

Embedding (plongement) : Représentation d'un mot, d'une image ou d'un document sous forme de vecteur numérique capturant son sens.

Fenêtre de contexte : Quantité maximale de texte (en tokens) qu'un modèle peut prendre en compte d'un seul tenant.

Hallucination : Production par le modèle d'une affirmation fausse mais formulée avec assurance.

RAG (génération augmentée par récupération) : Technique qui interroge une base documentaire au moment de la requête pour ancrer la réponse dans des sources.

Few-shot / zero-shot : Capacité à accomplir une tâche avec quelques exemples (few-shot) ou aucun (zero-shot) fournis dans le prompt.

Chaîne de pensée (chain-of-thought) : Stratégie où le modèle explicite son raisonnement étape par étape avant de conclure.

Upscaling (mise à l'échelle) : Augmentation de la résolution d'une image ou d'une vidéo par un modèle, avec ajout de détails.

Image de référence : Image fournie au modèle pour guider le style, le personnage ou la composition d'une génération.

Artefact : Défaut visuel laissé par la génération : mains déformées, textures incohérentes, répétitions.

Text-to-image : Génération d'une image à partir d'une description textuelle.

Outpainting (expansion générative) : Extension d'une image au-delà de ses bords d'origine par génération du hors-champ.

Photoréalisme : Rendu d'images de synthèse si proche du réel qu'il en devient difficilement distinguable.

Inpainting : Retouche générative d'une zone délimitée d'une image, en cohérence avec le reste.

Transfert de style : Application du style visuel d'une référence à un autre contenu.

Image-to-image (img2img) : Transformation d'une image existante en une nouvelle, guidée par un prompt.

Lip-sync (synchronisation labiale) : Calage automatique des mouvements de lèvres sur une piste audio.

Frame (image) : Image unitaire composant une vidéo ; leur cadence se mesure en images par seconde.

FPS (images par seconde) : Cadence d'une vidéo, exprimée en nombre d'images affichées par seconde.

Image-to-video : Animation d'une image fixe en séquence vidéo, parfois guidée par un prompt.

Text-to-video : Génération d'une vidéo à partir d'une description textuelle.

Keyframe (image-clé) : Image de référence marquant un point précis d'une animation, entre lesquelles le mouvement est calculé.

Cohérence temporelle : Stabilité d'un sujet et d'un décor d'une image à l'autre tout au long d'une vidéo générée.

Interpolation d'images : Génération d'images intermédiaires entre deux frames pour fluidifier ou ralentir un mouvement.

Synthèse vocale (TTS) : Conversion d'un texte en parole audible par un modèle de voix.

Clonage vocal : Reproduction de la voix d'une personne à partir d'un court échantillon.

Reconnaissance vocale (ASR) : Transcription automatique de la parole en texte.

Génération musicale : Production de morceaux de musique, avec ou sans voix, à partir d'un texte ou de paramètres.

Voix de synthèse : Voix entièrement générée par un modèle, utilisable en narration ou en doublage.

Agent IA : Système qui planifie et exécute des actions de manière autonome pour atteindre un objectif, en appelant des outils.

API : Interface permettant à un logiciel d'appeler un modèle ou un service à distance.

Workflow : Enchaînement automatisé d'étapes ou d'outils pour réaliser une tâche complexe.

MCP (Model Context Protocol) : Protocole standardisant la connexion d'un modèle à des outils et à des sources de données externes.

Node (nœud) : Bloc fonctionnel d'un canvas ou d'un workflow visuel, relié à d'autres pour composer un traitement.

Pipeline : Chaîne de traitement reliant plusieurs étapes ou modèles de bout en bout.

CLI (ligne de commande) : Interface où l'on pilote un outil en tapant des commandes textuelles.

IA agentique : Approche où l'IA agit par elle-même sur plusieurs étapes plutôt que de seulement répondre.

Orchestration : Coordination de plusieurs modèles, agents ou outils au sein d'un même système.

Endpoint (point d'accès) : Adresse précise d'une API à laquelle on envoie une requête pour obtenir une réponse.

SDK : Kit de développement regroupant outils et bibliothèques pour intégrer un service dans une application.

Vibe coding : Pratique consistant à programmer en décrivant son intention à une IA plutôt qu'en écrivant le code soi-même.

Tool use (appel d'outils) : Capacité d'un modèle à déclencher des fonctions ou des outils externes pour compléter une tâche.

Computer use (contrôle d'ordinateur) : Capacité d'un agent à piloter directement une interface (souris, clavier, navigateur) comme un humain.

GPU (processeur graphique) : Puce spécialisée dans le calcul parallèle, moteur matériel de l'entraînement et de l'inférence des modèles.

Inférence locale (on-device) : Exécution d'un modèle directement sur l'appareil de l'utilisateur, sans passer par le cloud.

Compute (puissance de calcul) : Ressource de calcul mobilisée pour entraîner ou faire tourner un modèle.

Cluster / centre de données : Ensemble de serveurs et de GPU regroupés pour fournir la puissance nécessaire aux grands modèles.

DLSS : Technologie NVIDIA qui reconstruit une image haute résolution par IA pour gagner en performance dans le jeu vidéo.

VRAM : Mémoire embarquée d'un GPU, qui conditionne la taille des modèles qu'il peut traiter.

TPU : Puce conçue par Google et dédiée aux calculs des réseaux de neurones.

CUDA : Plateforme logicielle de NVIDIA pour exploiter la puissance de calcul des GPU.

Benchmark : Test standardisé servant à mesurer et à comparer les performances des modèles.

État de l'art (SOTA) : Meilleur niveau de performance atteint à un instant donné sur une tâche.

Classement (leaderboard) : Palmarès comparant les modèles selon leurs scores sur un ou plusieurs benchmarks.

Arène (LM Arena) : Dispositif d'évaluation par votes humains comparant à l'aveugle les réponses de deux modèles.

Licence (Apache, MIT) : Cadre juridique fixant les conditions d'utilisation et de redistribution d'un logiciel ou d'un modèle.

Open source : Logiciel ou modèle dont le code est librement accessible, réutilisable et modifiable.

Open weights (poids ouverts) : Modèle dont les poids sont publiquement téléchargeables, sans nécessairement ouvrir les données ou le code d'entraînement.

Sécurité de l'IA (safety) : Mesures et recherches destinées à limiter les risques et les usages dangereux des modèles.

Alignement : Effort visant à faire correspondre le comportement d'un modèle aux intentions et valeurs humaines.

SynthID : Technologie de filigrane invisible de Google DeepMind pour signaler un contenu produit par IA.

Droit d'auteur / entraînement : Question de la légalité de l'usage d'œuvres protégées pour entraîner des modèles génératifs.

Filigrane (watermark) : Marquage, souvent invisible, apposé sur un contenu généré pour en attester l'origine.

C2PA (provenance) : Standard de métadonnées attestant l'origine et l'historique des modifications d'un média.

Confidentialité / RGPD : Protection des données personnelles, encadrée en Europe par le RGPD.

Deepfake (hypertrucage) : Média synthétique faisant dire ou faire à une personne réelle ce qu'elle n'a jamais fait.

Jailbreak (contournement) : Technique visant à forcer un modèle à outrepasser ses règles de sécurité.

Garde-fous (modération) : Filtres et règles encadrant les sorties d'un modèle pour bloquer les contenus interdits.

Skill(s) : Compétence packagée qu'un agent IA peut activer à la demande : un module réunissant instructions, outils et ressources pour accomplir une tâche précise.

GAN (réseau antagoniste génératif) : Architecture générative où deux réseaux s'opposent : un générateur produit des images, un discriminateur tente de les démasquer, ce qui pousse le générateur à progresser. Socle de modèles comme StyleGAN, avant l'essor de la diffusion.

ControlNet : Module qui conditionne une génération d'image par une contrainte structurelle (pose, profondeur, contours, croquis) pour imposer la composition tout en laissant le modèle inventer le reste.

Prompt négatif : Indication de ce que le modèle doit éviter de produire (défauts, éléments indésirables, styles à exclure), en complément du prompt principal.

Échelle de guidage (CFG) : Paramètre réglant à quel point la génération suit le prompt : une valeur basse laisse le modèle libre, une valeur haute colle au texte au risque d'images rigides ou saturées.

Échantillonneur (sampler) : Algorithme qui pilote les étapes de débruitage d'un modèle de diffusion ; avec le nombre de pas (steps), il détermine la vitesse, le grain et la qualité de l'image.

DreamBooth : Technique de personnalisation qui réentraîne un modèle d'image sur quelques photos d'un sujet précis (visage, objet, produit) pour le générer ensuite dans n'importe quel contexte.

Inversion textuelle (textual inversion) : Méthode qui apprend un nouveau « mot » représentant un concept ou un style à partir d'exemples, réutilisable dans les prompts sans modifier le modèle.

IP-Adapter : Module qui utilise une image de référence comme « prompt visuel » pour transférer son style, son sujet ou son ambiance à une nouvelle génération.

Cohérence de personnage : Capacité à conserver le même personnage (visage, tenue, traits) d'une image à l'autre, indispensable pour une bande dessinée, un storyboard ou une série de visuels.

Vidéo-to-vidéo (vid2vid) : Transformation d'une vidéo existante par un modèle (changement de style, de décor ou de personnage) en suivant le mouvement d'origine image par image.

Contrôle de caméra : Paramètres dirigeant les mouvements de caméra (travelling, zoom, panoramique, orbite) dans une vidéo générée, pour composer un plan plutôt que subir un cadrage aléatoire.

Contrôle de mouvement (motion brush) : Outil qui permet de peindre une zone d'une image et de lui assigner une direction et une intensité de mouvement, pour animer précisément une partie de la scène.

AnimateDiff : Technique qui ajoute un module de mouvement à un modèle d'image fixe pour produire de courtes animations cohérentes sans changer de modèle de base.

NeRF (champs de radiance neuronaux) : Méthode qui reconstruit une scène 3D explorable à partir de plusieurs photos, en apprenant comment la lumière traverse l'espace pour en synthétiser de nouveaux points de vue.

Text-to-3D : Génération d'un objet ou d'un maillage 3D à partir d'une simple description textuelle, pour ébaucher rapidement des assets pour le jeu, la 3D ou le prototypage.

Textures PBR (matériaux génératifs) : Génération de matériaux réalistes pour la 3D sous forme de cartes PBR (couleur, rugosité, métallicité, normales) qui réagissent correctement à la lumière.

Photogrammétrie : Reconstruction d'un objet ou d'un lieu en 3D à partir d'un ensemble de photographies prises sous différents angles, en recoupant les points communs entre les images.

Séparation de pistes (stem separation) : Isolation des composantes d'un morceau mixé (voix, batterie, basse, autres instruments) par un modèle, à partir du seul fichier audio final.

Conversion de voix (voice conversion) : Transformation d'une voix enregistrée en une autre voix cible tout en conservant les paroles et l'intonation, souvent en temps réel.

Génération MIDI (musique symbolique) : Production de musique sous forme de notes et d'événements (partition, MIDI) plutôt que de signal audio, ce qui laisse l'arrangement et l'instrumentation entièrement éditables.

Prioritized Adversarial Trajectory (PAT) : A reinforcement-learning training technique that prioritizes and replays the hardest (adversarial) trajectories, where the agent fails most, to focus learning on its weak spots and improve robustness.

Diffusion Forcing : A generative method blending next-token (autoregressive) prediction with diffusion: each element of a sequence is denoised at its own noise level. Enables flexible-length, more stable sequence generation (video, action planning).

MineRL : A research platform and dataset for training reinforcement-learning agents in Minecraft from human demonstrations. A benchmark for agents tackling long, complex tasks.

FID (Fréchet Inception Distance) : Métrique de qualité des images générées : elle compare la distribution des images produites à celle de vraies images (via les caractéristiques d'un réseau Inception). Plus le FID est bas, plus les générations sont réalistes et variées.

ImageNet : Grande base d'images annotées (plus d'un million de photos réparties en milliers de catégories) qui a servi de référence pour entraîner et évaluer les modèles de vision, et a déclenché l'essor de l'apprentissage profond.

Rééchantillonnage : Recalcul des points d'un signal pour changer sa résolution ou sa fréquence : redimensionner une image, convertir le taux d'échantillonnage d'un son. À distinguer de l'upscaling par IA, qui invente des détails au lieu de simplement interpoler.

Mainteneurs open source : Personnes qui développent, corrigent et font vivre un logiciel open source, souvent bénévolement. La fiabilité d'outils critiques (y compris ceux de l'IA) repose sur ces contributeurs, parfois très peu nombreux.

cURL : Outil en ligne de commande et bibliothèque (libcurl) pour transférer des données via des URL. Omniprésent pour tester et automatiser des appels d'API, dont ceux des modèles d'IA.

Python : Langage de programmation lisible et polyvalent, devenu le standard de fait de l'intelligence artificielle grâce à son écosystème (PyTorch, TensorFlow, NumPy, Hugging Face).

Go (langage de programmation) : Langage open source créé par Google, conçu pour des logiciels réseau performants et simples à déployer. Il sous-tend une grande part de l'infrastructure cloud (Docker, Kubernetes) sur laquelle tournent les services d'IA.

Divulgation (responsable) : Signalement d'une faille de sécurité à l'éditeur concerné de façon coordonnée, en lui laissant le temps de corriger avant toute publication. S'applique aussi aux vulnérabilités des modèles et plateformes d'IA.

CyberGym : Banc d'essai (benchmark) qui évalue la capacité d'agents IA à trouver et reproduire des failles de sécurité réelles dans des logiciels open source, à grande échelle. Sert à mesurer le potentiel offensif et défensif des modèles en cybersécurité.

R2V (Reference-to-Video) : Mode de génération vidéo où l'on fournit une ou plusieurs images de référence (personnages, objets, décor) pour produire une vidéo qui les réutilise de façon cohérente. Prolonge le text-to-video et l'image-to-video.

R2V (Raster to Vector) : Vectorisation : conversion d'une image matricielle (pixels) en image vectorielle (tracés et courbes), pour obtenir un visuel net et redimensionnable à l'infini (logos, illustrations, icônes).

KV cache (cache KV) : Mémoire qui stocke les clés et valeurs d'attention déjà calculées pendant la génération d'un LLM, pour ne pas les recalculer à chaque nouveau jeton. Accélère l'inférence mais occupe de la VRAM proportionnelle à la longueur du contexte.

OmniDocBench : Banc d'essai (benchmark) pour l'analyse de documents : il évalue les modèles qui extraient le contenu de pages variées (texte, tableaux, formules, mise en page) depuis des PDF ou des images, dans plusieurs langues et types de documents.

R-SWA (Reference Sliding Window Attention) : Variante de l'attention à fenêtre glissante (Sliding Window Attention) : chaque élément regarde sa fenêtre locale récente plus un ensemble d'éléments de référence (images-clés, jetons d'ancrage), pour préserver la cohérence sur de longues séquences sans le coût de l'attention complète.

OCR (reconnaissance optique de caractères) : Extraction du texte présent dans une image ou un document scanné, pour le rendre éditable et exploitable (recherche, RAG, traduction). Les modèles récents lisent aussi la mise en page, les tableaux et l'écriture manuscrite.

Transformers 5 : Version majeure de la bibliothèque Hugging Face Transformers, qui sert de framework de définition de modèles pour le texte, la vision, l'audio, la vidéo et le multimodal, en entraînement comme en inférence.

TorchAO : Bibliothèque PyTorch d'optimisation de modèles, centrée sur la quantification et la sparsité, pour réduire l'empreinte mémoire et accélérer l'entraînement ou l'inférence.

Framework : Cadre logiciel qui fournit des conventions, des composants et des API pour construire une application, entraîner un modèle ou servir une IA sans repartir de zéro.

Torch : Nom du paquet Python au cœur de PyTorch : il fournit tenseurs, différentiation automatique, modules neuronaux et accès au calcul CPU/GPU.

Llama.cpp : Moteur open source d'inférence LLM en C/C++, conçu pour faire tourner des modèles localement, souvent au format GGUF, sur CPU, GPU ou appareils personnels.

KVPress : Bibliothèque NVIDIA qui applique des méthodes de compression au KV cache des LLM, notamment pendant la phase de pré-remplissage et parfois le décodage, pour réduire le coût mémoire des longs contextes.

Brain-to-text : Décodage de l'activité cérébrale en texte par l'IA : des modèles traduisent les signaux neuronaux (captés par implant ou capteurs) en mots, pour permettre à des personnes privées de parole d'écrire par la pensée.

PostgreSQL : Système de gestion de base de données relationnelle open source, réputé pour sa robustesse et son extensibilité. Très utilisé par les applications d'IA, notamment avec l'extension pgvector pour stocker et rechercher des embeddings (RAG).

SSO (authentification unique) : Single Sign-On : un seul identifiant donne accès à plusieurs applications, sans se reconnecter à chacune. Repose sur des protocoles comme OAuth, OpenID Connect ou SAML.

Gateway (passerelle) : Point d'entrée qui reçoit, contrôle et route les requêtes entre des clients et des services. En IA, une « LLM gateway » centralise l'accès à plusieurs modèles ou fournisseurs (clés, quotas, repli, cache, journalisation) derrière une seule interface.

Interprétabilité : Capacité à comprendre et expliquer le fonctionnement interne d'un modèle d'IA : pourquoi il produit telle sortie, quelles représentations et quels calculs y mènent. Essentielle pour la confiance, le débogage, la sécurité et l'audit.

Jacobian lens (J-lens) : Technique d'interprétabilité de la famille des « lens » (comme le logit lens) : au lieu de projeter une représentation interne directement vers le vocabulaire, elle utilise la jacobienne (l'approximation linéaire locale des couches restantes) pour lire plus fidèlement comment cet état intermédiaire influence la sortie du modèle.

N-gram Embedding : Représentation vectorielle fondée sur les n-grammes (suites de n unités consécutives : caractères, mots ou jetons). En encodant ces motifs locaux, elle capture le contexte immédiat et la structure des mots, y compris pour des termes jamais vus (comme dans fastText).

Superpods d'ASIC : Grappe géante de puces accélératrices dédiées à l'IA (ASIC, comme les TPU de Google), interconnectées à très haut débit pour fonctionner comme une seule machine. Ces « superpods » fournissent la puissance de calcul massive nécessaire à l'entraînement des plus grands modèles.

Log-sigmoïde : Fonction obtenue en prenant le logarithme de la sigmoïde, log(σ(x)). Très utilisée dans les fonctions de perte de classification et d'alignement (RLHF, DPO) : elle transforme un score en une pénalité différentiable, bornée et numériquement stable.

PyTorch : Framework d'apprentissage profond open source (paquet torch), le plus utilisé en recherche et en production. Graphe de calcul dynamique, calcul sur GPU et différentiation automatique, avec un large écosystème (torchvision, torchaudio) qui en fait le socle de la plupart des modèles récents.

torchcodec : Bibliothèque PyTorch pour décoder efficacement des vidéos (et de l'audio) directement en tenseurs, avec accélération GPU. Facilite l'alimentation des modèles à partir de fichiers média, sans passer par des outils externes de décodage.

MFU (Model FLOPs Utilization) : Mesure de l'efficacité d'usage du matériel pendant l'entraînement : le rapport entre les opérations utiles réellement effectuées par le modèle et la puissance de calcul théorique maximale des puces. Un MFU élevé signale un GPU ou TPU bien exploité.

Rust : Langage de programmation compilé, axé sur la performance et la sûreté mémoire sans ramasse-miettes. De plus en plus utilisé pour l'outillage et l'infrastructure de l'IA (tokenizers, moteurs d'inférence, serveurs) là où vitesse et fiabilité comptent.

Epoch : Passage complet du modèle sur l'intégralité du jeu de données d'entraînement. On enchaîne en général plusieurs epochs pour affiner les poids, en surveillant le surapprentissage.

Batch : Lot d'exemples traité en une seule itération d'entraînement, avant chaque mise à jour des poids. Sa taille (batch size) arbitre vitesse, mémoire et stabilité de l'apprentissage.

Red-teaming : Test adverse d'un système d'IA : une équipe cherche délibérément à le faire échouer ou à provoquer des réponses dangereuses, biaisées ou interdites, afin de repérer les failles avant leur exploitation. Emprunté à la sécurité informatique, c'est un pilier de l'évaluation de la sûreté des modèles.

Self-play : Méthode d'apprentissage où un modèle s'entraîne en jouant contre lui-même (ou des versions de lui-même) plutôt que contre des données figées. Popularisée par les IA de jeu (AlphaGo, AlphaZero), elle produit une expérience toujours plus difficile à mesure que l'agent progresse.

Sandbox (bac à sable) : Environnement isolé où un programme ou un modèle s'exécute sans accès au reste du système. En IA, on y fait tourner du code généré ou un agent autonome pour tester ses actions sans risque pour les données ou l'infrastructure réelles.