Démarches régulières de recherche d’emploi pour lesquelles le demandeur d’emploi doit être en mesure de produire un justificatif. Exemples : candidatures envoyées, participation à des sessions d’aide à la recherche d’un emploi…
Actes positifs de recherche d’emploi : Définition juridique Read More »
Modèle défini par opposition à un modèle discriminatif. Il permet à la fois de générer de nouveaux exemples à partir des données d’entraînement et d’évaluer la probabilité qu’un nouvel exemple provienne ou ait été généré à partir des données d’entraînement.
Modèle génératif : Définition juridique Read More »
Dans le domaine de l’intelligence artificielle, le paramètre est la propriété apprise des données utilisées pour l’entraînement (par exemple le poids de chaque neurone d’un réseau).
Paramètre (IA) : Définition juridique Read More »
Dans le domaine de l’intelligence artificielle, le test est un processus consistant à évaluer les performances d’un système et à rechercher des erreurs liées à l’exécution d’un algorithme ou d’un programme en s’appuyant sur des jeux de données d’entrée n’ayant pas été utilisés lors de la phase d’entraînement.
Test : Définition juridique Read More »
Dans le domaine de l’intelligence artificielle, la validation est un processus consistant à expérimenter, observer et optimiser (en modifiant les hyperparamètres notamment) le comportement du système lors de son exécution. Elle permet de s’assurer, dans le domaine d’emploi, de l’adéquation des données de sortie avec les résultats attendus.
Validation : Définition juridique Read More »
L’annotation est le procédé par lequel les données sont décrites manuellement afin d’être caractérisées, par exemple en attribuant à une image de chien l’étiquette correspondante.
Annotation : Définition juridique Read More »
Dans le domaine de l’intelligence artificielle, une donnée de sortie est une valeur représentant tout ou partie de l’opération effectuée par le système d’IA à partir des données d’entrée.
Donnée de sortie : Définition juridique Read More »
Les attaques par inférence d’appartenance visent à permettre à un attaquant d’acquérir des connaissances sur les données utilisées pour la production du modèle d’IA.
Dans le domaine de l’intelligence artificielle, l’explicabilité est la capacité de mettre en relation et de rendre compréhensible les éléments pris en compte par le système d’IA pour la production d’un résultat.
Explicabilité : Définition juridique Read More »
Les attaques par inversion visent à reconstruire les données ayant servi pour l’apprentissage du système. En pratique, les attaques par inversion sont menées en soumettant un grand nombre d’entrées au système d’IA et en observant les sorties produites. On utilise, de façon équivalente, le terme d’attaque par extraction de données (data extraction attacks).
Attaque par inversion de modèle (model inversion attack) : Définition juridique Read More »
Dans le domaine de l’intelligence artificielle, l’extraction de caractéristiques est l’étape au cours de laquelle sont induites depuis des données brutes (fichier son, image, document textuel, tableau numérique, etc.) des caractéristiques (features) sur lesquelles le système d’IA doit se reposer pour effectuer la tâche pour laquelle il est programmé.
Extraction de caractéristiques (feature extraction) : Définition juridique Read More »
Phénomène principalement observé sur les réseaux sociaux où les algorithmes de recommandation – qui alimentent par exemple les fils d’actualité des publications susceptibles d’intéresser les utilisateurs– peuvent parfois ne proposer que des contenus similaires entre eux.
Bulle de filtre : Définition juridique Read More »
Les attaques par exemples contradictoires visent à soumettre des entrées malicieuses ou corrompues au système d’IA en phase de production.
La dérive du modèle est la perte d’adéquation entre un modèle et la tâche qu’il doit accomplir. Cette dérive peut résulter d’un réapprentissage du modèle ou d’une évolution de l’environnement dans lequel il s’applique (domaine d’emploi).
Dérive du modèle : Définition juridique Read More »
L’apprentissage par renforcement est un procédé d’apprentissage automatique consistant, pour un système autonome, à apprendre les actions à réaliser, à partir d’expériences, de façon à optimiser une récompense quantitative au cours du temps.
Apprentissage par renforcement : Définition juridique Read More »
Jeu de données (texte, sons, images, listes, etc.) utilisé lors de la phase d’entrainement / d’apprentissage : le système s’entraîne sur ces données pour effectuer la tâche attendue de lui.
Ensemble d’entraînement/d’apprentissage : Définition juridique Read More »
Jeu de données utilisé lors de la phase de test.
Ensemble de test : Définition juridique Read More »
Jeu de données utilisé lors de la phase de validation.
Ensemble de validation : Définition juridique Read More »
L’entraînement est le processus de l’apprentissage automatique pendant lequel le système d’intelligence artificielle construit un modèle à partir de données.
Entraînement (ou apprentissage) : Définition juridique Read More »
Élément indépendant de l’apprentissage tels que le nombre de nœuds et la taille des couches cachées du réseau de neurones, l’initialisation des poids, le coefficient d’apprentissage, la fonction d’activation, etc.
Hyperparamètre : Définition juridique Read More »
