maîtriser
Maîtriser · orchestrer l’IA, pas la subir
Maîtriser l’IA, c’est une méthode, pas un gadget
Une bonne méthode survit aux outils. Voici le cadre que j’applique, la façon dont je l’étends à mes projets, et comment je dialogue avec l’IA pour en tirer du concret.
Le cadre que je suis
Le framework AI-Driven Development
L’AIDD, c’est une discipline partagée par une communauté de développeurs : l’IA accélère la production, mais l’architecture, les décisions et la responsabilité du résultat restent humaines. Je produis du code que je relis et que j’assume, ligne à ligne.
C’est ce qui sépare un prototype bluffant d’une solution sur laquelle vous pouvez bâtir votre activité.
// manifeste ai-driven development
Signataire #12
Membre d’une communauté qui orchestre l’IA sans lui déléguer la responsabilité du résultat.
Ma contribution
Comment j’étends le framework, concrètement
Le cadre AIDD pose les principes ; je l’ai fait mien avec mes propres skills, garde-fous, méthodes et réflexes. Cliquez sur un item pour sa fiche détaillée — beaucoup sont libres sur GitHub.
Générateur de README
Un skill qui génère un README de dépôt selon mes règles : structure, ton, sections attendues — cohérent d’un projet à l’autre.
Mes réflexes de prompting
Quatre réflexes qui font la différence entre une réponse vague et un résultat utilisable — la base que j’applique à chaque échange avec l’IA.
Mes garde-fous de relecture
Ce que je vérifie systématiquement avant d’assumer du code généré : les points que je ne laisse jamais passer sans contrôle humain.
Mon organisation de projet IA
Structure de dépôt, mémoire, contexte, itérations : comment je cadre un projet pour que l’IA reste un outil, pas un pilote.
À lire avant de plonger
Parler la langue de l’IA, c’est déjà mieux la piloter
Quand on débute avec un modèle de langage, on a l’impression qu’il faut « bien tomber » sur la formulation magique. En réalité, prompter efficacement n’a rien de mystérieux : c’est un dialogue où l’on cadre le rôle, on donne des exemples, on précise le format attendu, puis on corrige par petites touches. Le modèle ne lit pas dans vos pensées — il travaille avec ce que vous lui donnez.
Mais il y a un accélérateur qu’on sous-estime : le vocabulaire. Savoir ce qu’est un contexte, un token, un embedding ou un system prompt, ce n’est pas de la coquetterie technique. C’est ce qui vous permet de comprendre pourquoi le modèle oublie le début d’une longue conversation, pourquoi il « hallucine », ou pourquoi lui fournir vos documents (le fameux RAG) change tout.
Chaque terme que vous maîtrisez est un levier de plus sur le résultat.
Un dirigeant qui sait nommer ces mécanismes formule de meilleures demandes, repère plus vite ce qui cloche, et discute d’égal à égal avec un prestataire. C’est exactement pour ça que j’entretiens le lexique ci-dessous : pas pour briller en réunion, mais pour vous rendre plus autonome et plus efficace au quotidien.
Le vocabulaire
Le lexique de l’IA, décodé
Les termes qu’on croise dans les échanges avec les LLM, définis en français et orientés usage. Liste non exhaustive, enrichie régulièrement.
Agent
agent
Une IA qui ne se contente pas de répondre : elle agit en plusieurs étapes, utilise des outils et prend des décisions intermédiaires pour atteindre un but (chercher, écrire un fichier, appeler une API).
voir : harness, tool use
Contexte
context window
La quantité de texte que le modèle peut avoir « sous les yeux » en une fois (en tokens). Au-delà, il oublie le début. Central pour les longs documents et les conversations.
voir : token
Embedding
plongement
Représentation numérique (un vecteur) d’un texte, capturant son sens. Deux textes proches en sens ont des vecteurs proches — base de la recherche sémantique et du RAG.
voir : vector store, RAG
Few-shot
à quelques exemples
Technique consistant à montrer quelques exemples de la tâche dans le prompt pour guider le modèle, plutôt que de seulement décrire ce qu’on attend (zero-shot).
Fine-tuning
réglage fin
Réentraîner un modèle existant sur vos propres données pour l’adapter à un usage précis. Plus lourd qu’un LoRA, mais plus profond quand le comportement doit vraiment changer.
voir : LoRA
Gate
porte
Mécanisme qui contrôle le flux d’informations à l’intérieur d’un modèle. Dans une architecture Mixture of Experts, la gate décide quels experts activer pour chaque token — d’où un modèle plus gros mais moins coûteux à l’usage.
voir : Mixture of Experts, routing
Guardrails
garde-fous
Règles, filtres et vérifications encadrant ce qu’un modèle peut produire ou faire, pour éviter sorties dangereuses ou hors-sujet.
Hallucination
hallucination
Quand le modèle invente avec aplomb une information fausse mais plausible. Le risque majeur en production : d’où l’importance des garde-fous, du RAG et de la vérification humaine.
voir : grounding, RAG
Harness
harnais
La couche logicielle qui encadre un modèle : elle lui fournit le contexte, les outils, les garde-fous et orchestre ses appels. Le modèle est le moteur ; le harness est le châssis qui le rend utilisable et sûr.
voir : agent, scaffolding
Inférence
inference
Le moment où le modèle produit une réponse à partir d’une entrée. C’est l’usage courant, par opposition à l’entraînement. En local, l’inférence consomme votre GPU.
voir : vLLM
LoRA
Low-Rank Adaptation
Méthode légère pour spécialiser un modèle sans le réentraîner entièrement : on ajoute de petites couches adaptées à un style ou un domaine. Idéal pour un ton d’écriture précis.
voir : fine-tuning, quantization
MCP
Model Context Protocol
Protocole standard pour connecter un modèle à des outils et données externes (fichiers, API, bases). Un connecteur MCP, et l’IA peut s’en servir, sans réinventer l’intégration.
voir : tool use
Mojibake
文字化け (moji-bake)
Les caractères illisibles qui apparaissent quand un texte encodé dans un format (souvent UTF-8) est décodé dans un autre : « é » devient « é », « « » devient « « ». Fléau courant dès qu’on manipule de l’accentué ou de la typographie française sans fixer l’encodage de bout en bout.
voir : token
Oracle
oracle
Source de vérité de référence qu’un système interroge pour valider sa sortie — vérifier un fait, confirmer un calcul ou un état — au lieu de se fier à sa seule génération.
Output Style
style de sortie
La définition des caractéristiques de forme des réponses (ton, format, structure) pour garantir leur cohérence avec les attentes d’une application. On le cadre via le prompt système et des exemples.
voir : Système (prompt), prompt
Pivot
pivot
Représentation intermédiaire commune par laquelle on passe pour relier deux extrémités hétérogènes : une langue-pivot en traduction, ou un format canonique servant de point de passage entre plusieurs systèmes. On convertit tout vers le pivot, puis du pivot vers la cible — au lieu de gérer chaque paire séparément.
voir : embedding
Prompt
invite
L’instruction donnée au modèle. Sa formulation change radicalement le résultat : le prompt engineering est l’art de cadrer précisément la demande, les exemples et le format attendu.
Prompt injection
injection d’invite
Attaque où un contenu malveillant glissé dans les données lues par un modèle lui fait ignorer ses instructions d’origine pour suivre celles de l’attaquant.
voir : jailbreak, guardrails
Quantization
quantification
Compresser les poids d’un modèle (ex. 4 bits, Q4_K_M) pour réduire sa taille et sa mémoire, au prix d’une légère perte de qualité. Rend les gros modèles utilisables en local.
voir : inférence
RAG
Retrieval-Augmented Generation
Technique qui nourrit le modèle avec vos documents au moment de répondre : on récupère les passages pertinents et on les injecte dans le contexte. L’IA répond sur vos données, pas seulement ses connaissances générales.
voir : embedding, grounding
Scaffolding
échafaudage
L’échafaudage logiciel structurant le travail d’un agent : étapes, mémoire, outils, vérifications. Proche de « harness », pour la structuration des tâches complexes.
voir : harness
Source de vérité
source of truth
La référence fiable et autoritative à laquelle un système se rapporte pour valider ou enrichir ses réponses : base de connaissances interne, documentation officielle, données certifiées. Fondement d’un RAG digne de confiance.
voir : RAG, oracle
Spike
exploration jetable
Un petit travail exploratoire et jetable mené pour lever une incertitude avant de s’engager : « est-ce faisable ? », « combien de temps ça prend ? ». On code vite, on apprend, on jette — puis on décide en connaissance de cause.
voir : prototype
Système (prompt)
system prompt
Instruction de plus haut niveau qui définit le rôle, le ton et les règles du modèle pour toute une conversation, avant même le premier message utilisateur.
Token
jeton
L’unité élémentaire que manipule le modèle : un mot, un morceau de mot ou un signe. Tout se compte en tokens — le contexte, le coût, la vitesse.
voir : contexte
Tool use
usage d’outils
Capacité d’un modèle à appeler des fonctions externes (chercher sur le web, lire un fichier, interroger une API) en produisant un appel structuré que le harness exécute.
voir : MCP
Vector database
base de données vectorielle
Base de données optimisée pour stocker et rechercher des vecteurs (embeddings) par similarité. La brique qui permet, dans un RAG, de retrouver vite les passages les plus proches d’une question.
voir : embedding, RAG
vLLM
vLLM
Moteur d’inférence haute performance pour servir des modèles open-weights à grande échelle, optimisant la mémoire GPU et le débit. Brique courante d’un hub IA auto-hébergé.
voir : inférence, self-hosting
Aucun terme ne correspond à votre recherche.
Un terme manque à l’appel ?
Vous butez sur un mot que je n’ai pas encore défini ? Signalez-le-moi, je l’ajoute au lexique.
Un premier échange, sans engagement, pour comprendre où vous en êtes.