Table des Matières
Ce glossaire définit 40 termes qui reviennent dans les projets d'IA industrielle, des grands modèles de langage et du RAG jusqu'aux capteurs logiciels et aux jumeaux numériques. Chaque entrée donne le terme en français, en anglais et en arabe avec une définition courte, pour que ingénieurs, managers et fournisseurs qui écrivent dans des langues différentes parlent de la même chose.
Points clés
- Les termes sont regroupés en six thèmes : notions de base, modèles de langage, recherche documentaire, assistants et agents, déploiement et sécurité, données d'usine et modèles procédés.
- Quand une norme ou un organisme officiel définit un terme (OCDE, NIST, CISA, OWASP, Open Source Initiative), l'entrée suit cette définition et renvoie vers elle.
- Les sigles comme LLM, RAG, OCR, GPU et DoE restent en caractères latins dans les trois langues, et l'usage français conserve de nombreux termes anglais, comme token et fine-tuning.
- Un tableau en fin d'article distingue les termes souvent confondus, comme open-weight et open source.
Notions de base
| Français | Anglais | Arabe |
|---|---|---|
| système d'IA | AI system | نظام ذكاء اصطناعي |
| apprentissage automatique | machine learning (ML) | التعلم الآلي |
| IA générative | generative AI | الذكاء الاصطناعي التوليدي |
| grand modèle de langage (LLM) | large language model (LLM) | نموذج لغوي كبير |
| petit modèle de langage (SLM) | small language model (SLM) | نموذج لغوي صغير |
- Système d'IA. L'OCDE le définit comme un système automatisé qui déduit, à partir des entrées qu'il reçoit, comment générer des résultats tels que des prédictions, des contenus, des recommandations ou des décisions pouvant influencer des environnements physiques ou virtuels (OCDE). Les systèmes diffèrent par leur degré d'autonomie et d'adaptation après leur déploiement.
- Apprentissage automatique (ML). Des algorithmes qui apprennent à partir des données pour faire des prédictions ou prendre des décisions sans être explicitement programmés pour chaque cas (CISA et partenaires). La plupart des modèles industriels, des capteurs logiciels aux détecteurs d'anomalies, sont des modèles de ML.
- IA générative. Des modèles qui produisent de nouveaux contenus, comme du texte, des images ou du code. Le profil IA générative du NIST reprend la définition : « la catégorie de modèles d'IA qui imitent la structure et les caractéristiques des données d'entrée afin de générer des contenus synthétiques dérivés » (NIST AI 600-1).
- Grand modèle de langage (LLM). Un modèle d'apprentissage automatique conçu pour comprendre une requête en langage naturel et produire une réponse compréhensible par un humain (CISA et partenaires). DALILE est un assistant de ce type qui tourne sur vos propres serveurs.
- Petit modèle de langage (SLM). Un modèle de langage assez petit pour tourner sur un matériel modeste, par exemple un seul GPU. Il n'existe pas de seuil de taille officiel ; voir les petits modèles de langage dans l'industrie.
Travailler avec les modèles de langage
| Français | Anglais | Arabe |
|---|---|---|
| token (jeton) | token | رمز (token) |
| fenêtre de contexte | context window | نافذة السياق |
| inférence | inference | الاستدلال (inference) |
| hallucination | hallucination | الهلوسة |
| fine-tuning (affinage) | fine-tuning | الضبط الدقيق |
| quantification | quantization | التكميم |
- Token. L'unité de texte qu'un modèle lit et écrit, souvent un mot ou une partie de mot. Un même texte peut donner des nombres de tokens très différents en arabe, en français et en anglais, selon le tokeniseur (choisir un LLM open-weight).
- Fenêtre de contexte. Le nombre maximal de tokens qu'un modèle peut prendre en compte en une fois, instructions, passages récupérés et réponse compris.
- Inférence. L'exécution d'un modèle entraîné pour produire un résultat, par opposition à son entraînement. En on-premise, c'est la charge quotidienne pour laquelle on dimensionne les serveurs GPU (guide de dimensionnement GPU).
- Hallucination. Un contenu faux, affirmé avec assurance, produit par un modèle génératif. Le NIST parle de « confabulation » et la décrit comme une conséquence naturelle de la façon dont ces modèles génèrent du texte, par exemple en prédisant le token suivant (NIST AI 600-1).
- Fine-tuning. La poursuite de l'entraînement d'un modèle existant sur vos propres exemples, ce qui modifie ses poids. Une méthode courante et peu coûteuse, LoRA, gèle les poids d'origine et entraîne de petites matrices ajoutées (Hu et al., 2021). Le fine-tuning modifie le comportement mieux qu'il n'ajoute des connaissances ; voir fine-tuning ou RAG.
- Quantification. Le stockage des poids d'un modèle sur moins de bits, par exemple 8 ou 4 au lieu de 16, pour réduire la mémoire GPU nécessaire. Elle peut réduire la précision : testez le modèle quantifié sur vos propres tâches.
Rechercher dans les documents et les données
| Français | Anglais | Arabe |
|---|---|---|
| génération augmentée par récupération (RAG) | retrieval-augmented generation (RAG) | التوليد المعزز بالاسترجاع (RAG) |
| embedding (plongement vectoriel) | embedding | التضمين (embedding) |
| découpage (chunking) | chunking | التقطيع (chunking) |
| recherche hybride | hybrid search | البحث الهجين |
| modèle de reclassement (reranker) | reranker | نموذج إعادة الترتيب (reranker) |
| reconnaissance optique de caractères (OCR) | optical character recognition (OCR) | التعرف الضوئي على الحروف (OCR) |
| text-to-SQL | text-to-SQL | تحويل النص إلى استعلام SQL |
- Génération augmentée par récupération (RAG). Le système récupère d'abord les passages pertinents dans vos documents, puis fait répondre le modèle de langage à partir de ces passages, avec des citations. Le terme vient d'un article de 2020 de Lewis et al. ; voir notre guide du RAG sur manuels de maintenance.
- Embedding. Un vecteur de nombres qui représente le sens d'un passage, de sorte que les passages de sens proche se retrouvent proches les uns des autres. Les embeddings sont stockés dans une base de données vectorielle et interrogés par similarité.
- Découpage (chunking). La division des documents en passages avant leur indexation, idéalement selon leur structure pour qu'un tableau ou un avertissement ne soit pas séparé de son contexte.
- Recherche hybride. La combinaison de la recherche vectorielle et de la recherche par mots-clés, comme BM25, qui retrouve les références de pièces et les codes d'alarme exacts que la recherche vectorielle a tendance à manquer.
- Modèle de reclassement (reranker). Un second modèle qui réordonne les passages récupérés par pertinence, pour que seuls les meilleurs parviennent au modèle de langage.
- OCR. La conversion de pages scannées ou d'images en texte. L'écriture arabe, les chiffres et les tableaux restent difficiles : vérifiez des échantillons à la main (OCR des documents techniques scannés).
- Text-to-SQL. La traduction d'une question en langage courant en requête de base de données. DALILE se charge du SQL pour que les utilisateurs interrogent les bases de données en langage courant ; voir le text-to-SQL sur les bases de production.
Assistants et agents
| Français | Anglais | Arabe |
|---|---|---|
| chatbot (agent conversationnel) | chatbot | روبوت المحادثة (chatbot) |
| copilote | copilot | مساعد مدمج (copilot) |
| agent IA | AI agent | وكيل ذكاء اصطناعي |
| humain dans la boucle | human in the loop | الإنسان في الحلقة |
| jeu d'évaluation | evaluation set | مجموعة التقييم |
- Chatbot. Un logiciel qui répond dans une conversation et ne modifie rien en dehors de celle-ci.
- Copilote. Un assistant intégré à l'outil dans lequel le travail se fait. Il rédige et suggère ; la personne décide et exécute chaque action.
- Agent IA. Un logiciel capable de traiter des données, de prendre des décisions et de lancer des actions autonomes à l'aide de modèles d'IA et de ML (CISA et partenaires). Ce qui le distingue d'un chatbot, c'est l'autorisation d'agir sur d'autres systèmes ; voir chatbot, copilote ou agent IA.
- Humain dans la boucle. Une personne examine ou approuve un résultat de l'IA avant qu'il ne prenne effet. Le guide conjoint de la CISA et de ses agences partenaires recommande de limiter le pilotage actif de l'OT par l'IA sans humain dans la boucle (CISA et partenaires). Pour aller plus loin : l'humain dans la boucle des agents IA.
- Jeu d'évaluation. Un ensemble fixe de questions ou de cas réels dont la bonne réponse est connue, utilisé pour mesurer un système avant la mise en service et après chaque modification (évaluer un LLM sur vos documents).
Déploiement, sécurité et souveraineté
| Français | Anglais | Arabe |
|---|---|---|
| on-premise (sur site) | on-premise | داخل المنشأة (on-premise) |
| air gap (isolement physique) | air gap | العزل عن الشبكة (air gap) |
| IA souveraine | sovereign AI | الذكاء الاصطناعي السيادي |
| modèle open-weight | open-weight model | نموذج مفتوح الأوزان |
| injection de prompt | prompt injection | حقن التعليمات (prompt injection) |
| Autorité nationale de protection des données à caractère personnel (ANPDP) | ANPDP | السلطة الوطنية لحماية المعطيات ذات الطابع الشخصي |
- On-premise. Les logiciels et les modèles tournent sur des serveurs que l'entreprise contrôle, dans ses propres locaux, et non sur le cloud d'un fournisseur. C'est le cas de DALILE : vos données sont traitées sur vos propres serveurs.
- Air gap. Le glossaire du NIST le définit comme une interface entre deux systèmes qui ne sont pas connectés physiquement, où aucune liaison logique n'est automatisée et où les données ne passent que manuellement, sous contrôle humain (NIST CSRC). Voir l'IA en air gap.
- IA souveraine. Il n'existe pas de définition normalisée. Dans l'industrie, le terme signifie en général que l'entreprise garde le contrôle de ses données, de ses modèles, de son infrastructure et de son exploitation (guide de l'IA souveraine ; cloud souverain, cloud privé ou on-premise).
- Modèle open-weight. Un modèle dont vous pouvez télécharger les poids entraînés et les exécuter sur votre propre matériel, selon la licence de l'éditeur. Ce n'est pas la même chose que l'open source : l'Open Source AI Definition exige aussi le code d'entraînement et d'exécution et des informations suffisantes sur les données d'entraînement pour construire un système substantiellement équivalent.
- Injection de prompt. Une attaque dans laquelle des instructions cachées dans la saisie d'un utilisateur, ou dans un fichier ou une page web que lit le modèle, modifient son comportement de façon non prévue. L'OWASP la classe en première position (LLM01) de son Top 10 2025 pour les applications LLM (OWASP) ; voir sécuriser un LLM on-premise.
- ANPDP. L'autorité algérienne de protection des données personnelles, qui veille à l'application de la loi 18-07 du 10 juin 2018, modifiée par la loi 25-11 du 24 juillet 2025. Selon le guide CMS, le transfert de données personnelles à l'étranger nécessite son autorisation. Vérifiez avec un juriste comment ces règles s'appliquent à votre projet.
Données d'usine et modèles procédés
| Français | Anglais | Arabe |
|---|---|---|
| technologies opérationnelles (OT) | operational technology (OT) | التكنولوجيا التشغيلية (OT) |
| historian (base de données historique) | data historian | قاعدة البيانات التاريخية (historian) |
| capteur logiciel | soft sensor | المستشعر البرمجي |
| modèle de substitution | surrogate model | النموذج البديل |
| jumeau numérique | digital twin | التوأم الرقمي |
| golden batch (lot de référence) | golden batch | الدفعة الذهبية |
| plan d'expériences | design of experiments (DoE) | تصميم التجارب (DoE) |
| optimisation bayésienne | Bayesian optimisation | التحسين البايزي |
| détection d'anomalies | anomaly detection | كشف الشذوذ |
| maintenance prédictive | predictive maintenance | الصيانة التنبؤية |
| dérive du modèle | model drift | انجراف النموذج |
- Technologies opérationnelles (OT). Le NIST les décrit comme le matériel, le logiciel et le micrologiciel utilisés pour détecter ou provoquer des changements dans des processus physiques, par la surveillance ou la commande directe d'équipements (NIST CSRC). Les automates (PLC), le DCS et le SCADA relèvent de l'OT ; voir intégrer l'IA aux systèmes SCADA et OT.
- Historian. « Une base de données centralisée qui permet l'analyse des données par des techniques de maîtrise statistique des procédés » (NIST CSRC). Il stocke les valeurs procédé horodatées et constitue la principale source de données de la plupart des modèles d'usine.
- Capteur logiciel. Un modèle qui estime une variable impossible à mesurer en ligne, comme la pureté d'un produit, à partir de variables déjà mesurées (guide des capteurs logiciels).
- Modèle de substitution. Une approximation rapide, ajustée sur des données, d'une simulation lente, utilisée pour l'optimisation à l'intérieur du domaine sur lequel elle a été entraînée (guide des modèles de substitution).
- Jumeau numérique. Le NIST décrit la technologie du jumeau numérique comme la création de représentations électroniques d'entités du monde réel, permettant d'observer leurs états et les transitions entre ces états (NIST IR 8356). Voir le jumeau numérique dans l'industrie manufacturière.
- Golden batch. Un lot passé, en général le meilleur, pris comme référence pour les nouveaux lots. Un profil construit à partir de nombreux bons lots est une référence plus solide, car il montre la variation normale (analyse golden batch).
- Plan d'expériences (DoE). « Une procédure efficace de planification des expériences », dont le plan est établi avant tout essai, selon le NIST/SEMATECH e-Handbook.
- Optimisation bayésienne. Une méthode séquentielle qui ajuste un modèle sur les résultats obtenus jusque-là et s'en sert pour choisir l'expérience suivante, adaptée aux essais coûteux (plans d'expériences ou optimisation bayésienne).
- Détection d'anomalies. Le signalement de données qui s'écartent du comportement normal, comme un profil de vibration inhabituel ou une combinaison de valeurs procédé jamais observée en marche normale (méthodes de détection d'anomalies).
- Maintenance prédictive. La planification de la maintenance à partir de l'état mesuré des équipements et d'une prévision de leur dégradation, plutôt qu'à intervalles fixes ou après la panne (la maintenance prédictive dans le pétrole et le gaz).
- Dérive du modèle. La perte de précision d'un modèle en service parce que le procédé, les matières premières ou les instruments ont changé depuis la collecte de ses données d'entraînement. Comparez dans le temps les prédictions aux résultats de laboratoire ou aux résultats réels pour la détecter.
Quels termes confond-on souvent ?
| Souvent confondus | La différence |
|---|---|
| Open-weight ou open source | Open-weight : poids téléchargeables selon une licence. Open source (OSI) : en plus le code et les informations sur les données d'entraînement, avec la liberté d'utiliser, d'étudier, de modifier et de partager. |
| On-premise ou air gap | On-premise concerne l'emplacement des serveurs ; l'air gap concerne l'absence de connexion réseau. Un système on-premise n'est pas forcément en air gap. |
| RAG ou fine-tuning | Le RAG change ce que lit le modèle ; le fine-tuning change ses poids. |
| Chatbot, copilote ou agent IA | Le chatbot répond, le copilote rédige pour une personne, l'agent agit sur d'autres systèmes. |
| Capteur logiciel, modèle de substitution ou jumeau numérique | Le capteur logiciel apprend des données d'usine et de laboratoire, le modèle de substitution de simulations ; le jumeau numérique représente un équipement et suit son état. |
| Hallucination ou erreur de recherche | Erreur de recherche : le bon passage n'a jamais été trouvé. Hallucination : le modèle affirme ce que les passages ne confirment pas. |
Ce que nous avons constaté chez KABAS AI
Nos deux projets publiés, chez ADFC (groupe Sonatrach) et ENAD Shymeca, utilisent Virtual Lab pour tester des formulations virtuellement avant les essais physiques, en combinant simulation, scénarios « what-if » et optimisation multicritère ; le laboratoire confirme ce que le modèle propose. Chez ENAD Shymeca, le projet a permis de réduire de 40 % les cycles d'essais physiques.
Un vocabulaire commun coûte peu et évite des litiges plus tard. Avant de lancer un projet :
- Intégrez un court glossaire au cahier des charges. Définissez les termes dont dépendent vos exigences, comme on-premise, agent et précision, dans chaque langue utilisée par les documents (rédiger le cahier des charges d'un projet d'IA).
- Demandez aux fournisseurs de répondre dans vos termes : le modèle est-il open-weight, le système a-t-il besoin d'une connexion internet, peut-il agir sur d'autres systèmes ?
- Rédigez les critères de réception par rapport à un jeu d'évaluation, et non avec des adjectifs comme « précis ».
- Utilisez les mêmes termes dans les supports de formation des exploitants et des ingénieurs.
Notre équipe conseil propose des évaluations de maturité et l'identification des cas d'usage, et peut vous aider à fixer ces termes pour votre projet.
Sources
- OECD.AI, Updates to the OECD's definition of an AI system explained (novembre 2023)
- CISA, ASD's ACSC et partenaires, Principles for the Secure Integration of Artificial Intelligence in Operational Technology
- NIST AI 600-1, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (juillet 2024)
- Hu et al., LoRA: Low-Rank Adaptation of Large Language Models (arXiv, 2021)
- Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv, 2020)
- NIST CSRC Glossary, Air gap
- Open Source Initiative, The Open Source AI Definition 1.0
- OWASP, LLM01:2025 Prompt Injection
- CMS Expert Guide to data protection and cyber security laws: Algeria
- NIST CSRC Glossary, Operational technology
- NIST CSRC Glossary, Data historian
- NIST IR 8356, Security and Trust Considerations for Digital Twin Technology (février 2025)
- NIST/SEMATECH e-Handbook of Statistical Methods, What is experimental design?
Questions fréquentes
Pourquoi utiliser un glossaire en trois langues dans un projet d'IA ?
En Algérie et plus largement au Maghreb, un même projet mêle souvent un cahier des charges en français, une documentation fournisseur en anglais et des échanges en arabe avec les exploitants. Si chaque langue emploie un mot différent, ou le même mot pour des choses différentes, les exigences et les critères de réception divergent. S'accorder sur les termes dans les trois langues dès le départ évite ce problème.
Un modèle open-weight est-il un modèle open source ?
Non. Un modèle open-weight permet de télécharger et d'exécuter ses poids entraînés selon la licence de l'éditeur. La définition de l'IA open source de l'Open Source Initiative exige en plus le code utilisé pour entraîner et exécuter le modèle, et des informations suffisantes sur les données d'entraînement pour construire un système substantiellement équivalent, ainsi que la liberté de l'utiliser, de l'étudier, de le modifier et de le partager.
Quelle est la différence entre une IA on-premise et une IA en air gap ?
On-premise signifie que l'IA tourne sur des serveurs que vous contrôlez, dans vos propres locaux ; ces serveurs peuvent rester connectés à d'autres réseaux, par exemple pour les mises à jour. En air gap, le système n'a aucune connexion physique avec d'autres réseaux, et les données n'entrent ou ne sortent que manuellement, sous contrôle humain.
Une hallucination est-elle la même chose qu'une erreur de recherche ?
Non. Dans un système RAG, une erreur de recherche signifie que le bon passage n'a jamais été trouvé. Une hallucination signifie que le modèle affirme quelque chose que les passages récupérés ne confirment pas, ou qui est faux. Les deux se corrigent différemment, il faut donc les mesurer séparément.
Faut-il traduire en français ou en arabe les sigles comme RAG, LLM ou GPU ?
En pratique, les professionnels du secteur les gardent en caractères latins dans les trois langues. Donnez le terme complet une fois, dans la langue du lecteur, à la première apparition du sigle, puis utilisez le sigle.



