Glossaire

Date limite des connaissances (knowledge cutoff)

Qu’est-ce que Date limite des connaissances (knowledge cutoff) ?

La date limite des connaissances (knowledge cutoff) est le moment jusqu'auquel s'étendent les données d'entraînement d'un modèle de langage. Les événements, prix, lois ou produits apparus ensuite lui sont inconnus par nature : il peut donc fournir des informations dépassées si vous ne lui transmettez pas de données actuelles. On y remédie avec des méthodes qui intègrent, au moment de la requête, vos propres documents ou des contenus web récents.

Ce que fait KI.ordo

Les agents KI.ordo compensent cette limite en utilisant vos connaissances enregistrées et en consultant des pages publiques actuelles grâce à l'outil « Lire une page web ».

En savoir plus →

Thèmes

LLM
Actualité
Notions de base

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

Grand modèle de langage (LLM)

Un grand modèle de langage (Large Language Model, LLM) est un réseau de neurones entraîné sur de très grands volumes de texte, ce qui lui permet de comprendre et de produire du langage. Il fonctionne en calculant, pas à pas, le jeton suivant le plus probable. Les LLM rédigent, résument, traduisent, répondent à des questions et génèrent du code ; Claude, GPT, Gemini et Llama en sont des exemples connus. Sans sources à jour, ils ne connaissent que leurs données d’entraînement.

Modèles de langage
IA générative
+1

Hallucination

On parle d’hallucination lorsqu’un modèle d’IA produit une réponse convaincante mais fausse ou inventée de toutes pièces, par exemple une décision de justice inexistante, un chiffre erroné ou une source fictive. La cause : les modèles de langage produisent des formulations probables ; ils ne vérifient pas automatiquement les faits. Le risque diminue lorsque les réponses s’appuient sur des sources vérifiées, citent leurs références et que des personnes contrôlent les résultats importants.

Modèles de langage
Fiabilité
+1

Modèle

Génération augmentée par récupération (RAG)

La génération augmentée par récupération associe recherche et génération de texte : avant de répondre, le système cherche dans une base de connaissances (manuels, directives, FAQ…) les passages pertinents et les transmet au modèle de langage comme contexte. La réponse s'appuie ainsi sur des contenus actuels propres à l'entreprise, et pas seulement sur les connaissances d'entraînement du modèle. Cela réduit les affirmations inventées, rend les sources traçables et permet des mises à jour sans nouvel entraînement.

RAG
recherche documentaire
+1

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