Glossaire

Effondrement de modèle

Qu’est-ce que Effondrement de modèle ?

L’effondrement de modèle (model collapse) désigne la perte de qualité qui peut survenir lorsque des modèles génératifs sont entraînés à répétition sur des données elles-mêmes produites par l’IA. Les contenus rares et les cas limites disparaissent peu à peu, et les résultats deviennent plus uniformes et plus sujets aux erreurs. Le sujet gagne en importance, car la part de textes et d’images générés par l’IA sur internet augmente. Des données humaines soigneusement sélectionnées permettent d’y remédier.

Thèmes

données d’entraînement
IA générative
qualité des données

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Données synthétiques

Les données synthétiques sont générées artificiellement au lieu d'être collectées dans le monde réel, tout en reproduisant leurs régularités et propriétés. Elles sont utiles lorsque les données réelles sont rares, coûteuses ou sensibles au regard de la protection des données, par exemple pour tester un logiciel, entraîner des modèles ou éprouver un chatbot avec des demandes réalistes. Veillez à ce qu'elles reflètent suffisamment la réalité et ne permettent pas d'identifier de vraies personnes.

données de test
protection des données
+1

Modèle

Données d'entraînement

Les données d'entraînement sont les exemples à partir desquels un modèle d'IA apprend des régularités : de vastes corpus de textes pour les modèles de langage, des images annotées pour les modèles de vision. Leur qualité, leur diversité et leur actualité déterminent largement la fiabilité, l'équité et le niveau de connaissances d'un modèle. Pour une entreprise, il importe aussi de savoir si un fournisseur réutilise vos données clients pour l'entraînement.

Données
Entraînement
+1

IA générative

L’IA générative désigne les systèmes d’IA qui créent de nouveaux contenus – textes, images, audio, vidéo ou code – au lieu de seulement classer ou évaluer des données existantes. Elle repose sur des modèles qui apprennent des régularités dans de grandes masses de données pour produire des résultats nouveaux et plausibles. En entreprise, elle sert par exemple à rédiger des brouillons d’e-mails, des résumés, des fiches produits ou des pistes visuelles. Les résultats peuvent comporter des erreurs et doivent être vérifiés.

Notion de base
Création de contenu
+1

Garbage in, garbage out (GIGO)

« Garbage in, garbage out » (des déchets en entrée donnent des déchets en sortie) exprime le principe selon lequel un système ne peut produire de résultats meilleurs que les données qu’il reçoit. C’est d’autant plus vrai pour l’IA : des données d’entraînement ou de connaissance erronées, obsolètes ou partiales conduisent à des réponses fausses ou biaisées. Un chatbot qui consulte une grille tarifaire périmée donnera des prix périmés. L’entretien des données est donc une tâche permanente de tout projet d’IA.

Qualité des données
Principe
+1