Le glossaire de l’IA d’Actualités TD

À quel point comprenez-vous l’intelligence artificielle (IA)?

Selon les résultats d’un sondage réalisé en 2025 par Ipsos pour le compte de la TD auprès de 2 500 Canadiens, environ quatre répondants sur cinq se sont attribué une note de C ou moins pour leurs connaissances de l’IA.

Considérez cet article comme un guide d’étude qui pourrait vous aider à améliorer votre note.

L’IA s’intègre de plus en plus dans notre quotidien, et il peut parfois sembler difficile de rester au fait de sa terminologie. Quelle est la différence entre l’apprentissage automatique et l’apprentissage profond? Qu’est-ce que l’IA agentique? Qu’est-ce qui fait qu’une technologie est réellement une IA?

Pour vous aider à démystifier cette nouvelle technologie apparemment omniprésente, vous permettre d’améliorer vos connaissances en IA et, espérons-le, vous aider à obtenir un A, Actualités TD a rassemblé les définitions de certains des termes et des concepts les plus courants. Consultez notre glossaire de l’IA ci-dessous.

Intelligence artificielle

Rares sont les personnes qui se posent des questions sur la façon dont fonctionne notre cerveau et prennent forme nos pensées (à moins d’être d’humeur particulièrement philosophique).

Mais certains experts en IA examinent ce processus de raisonnement et se posent d’autres questions. Par exemple : comment puis-je décomposer un processus de réflexion en étapes qu’un ordinateur pourrait comprendre et reproduire?

Alors, à quoi ça ressemble? Imaginez que vous faites un casse-tête. Peut-être êtes-vous du genre à commencer par les bords, avant de continuer vers l’intérieur. Ou peut-être préférez-vous vous concentrer d’abord sur une zone ou une couleur en particulier.

Ces processus de raisonnement peuvent être traduits en langage informatique sous forme de lignes de code. Ce qui distingue l’IA des autres programmes informatiques, c’est qu’au lieu de suivre des instructions strictes pour résoudre le casse-tête, elle est programmée pour d’abord évaluer le type de casse-tête, analyser les différentes façons de le reconstituer, puis déterminer la meilleure approche.

On peut ainsi dire que l’IA « réfléchit » et « apprend » grâce aux capacités de résolution de problème intégrées dans son code.

Apprentissage automatique

L’apprentissage automatique est un sous-ensemble, ou forme de l’IA. Grâce à l’apprentissage automatique, les outils d’IA apprennent à cerner les tendances qui se trouvent dans les ensembles de données sur lesquels ils ont été entraînés.

Vous vous souvenez du jeu des différences, qu’on trouvait sur les menus pour enfants au restaurant? On présente aux enfants deux images côte à côte et ils doivent trouver les différences entre les deux.

Ce jeu semble assez simple, car même les jeunes enfants y jouent, mais il mobilise des tâches cognitives importantes. On pourrait dire : « Si la borne-fontaine est rouge sur une image et jaune sur une autre, cela constitue une différence. »

L’apprentissage automatique fait à peu près la même chose, mais bien plus rapidement que n’importe quel enfant d’âge préscolaire – ou que n’importe qui, d’ailleurs.

Il peut analyser de nombreux exemples pour repérer toutes les différences très rapidement. Chaque fois que l’apprentissage automatique passe en revue les exemples sur lesquels il est entraîné, il « apprend » et s’améliore.

Avec suffisamment d’entraînement, il est capable de repérer des exemples, des tendances et des nuances plus complexes, un peu comme un enfant qui est passé du jeu des différences à des jeux plus avancés.

Voici quelques exemples de ce que peut faire l’apprentissage automatique

• Détection des fraudes : Repérer des tendances inhabituelles dans les dépenses ou les opérations des clients.
• Systèmes de recommandation : Suggérer de la musique ou des vidéos qui pourraient vous plaire en fonction de votre historique d’utilisation et des préférences des autres utilisateurs.
• Détection des pourriels : Classer vos courriels en fonction de certaines caractéristiques et filtrer les contenus qui ne correspondent pas aux messages que vous recevez habituellement et qui semblent donc suspects.

Apprentissage profond

L’apprentissage profond est une forme d’apprentissage automatique capable de traiter de très grands volumes de données, qui n’ont pas besoin d’être structurés. Autrement dit, il est capable de traiter des informations qui ne sont pas forcément bien organisées ou identifiées, comme une image sans description ou le texte d’un document PDF.

Grâce à l’apprentissage profond, les réseaux de neurones artificiels – des algorithmes inspirés du fonctionnement du cerveau humain – apprennent à accomplir des tâches en analysant d’énormes quantités de données. Ils effectuent ces tâches de façon répétitive, en modifiant légèrement leur approche pour essayer de s’améliorer chaque fois.

L’apprentissage profond nécessite une plus grande puissance de calcul que l’apprentissage automatique et, selon les tâches, il peut prendre beaucoup plus de temps. Cependant, il requiert beaucoup moins d’interventions humaines que l’apprentissage automatique.

Voici des exemples concrets d’apprentissage profond

• Classification d’images : Les outils d’IA peuvent être entraînés à reconnaître et à classer différents types d’images ainsi que les objets qui s’y trouvent. Cette fonction peut, par exemple, être utilisée dans les nouvelles technologies alimentées par l’IA qui aident les professionnels de la santé à analyser les radiographies.
• Assistants virtuels : Certains assistants virtuels à commande vocale, comme ceux intégrés aux téléphones intelligents, sont actuellement propulsés par l’apprentissage profond. Ils peuvent ainsi reconnaître les formes d’expression d’une personne, convertir la parole en texte, filtrer les bruits de fond et répondre à des commandes vocales précises.
• Entretien : En traitant les données de capteurs installés sur la machinerie, l’apprentissage profond peut aider une entreprise à analyser ses besoins et à déterminer, par exemple, le moment optimal pour faire l’entretien.

Grands modèles de langage (GML)

Vous est-il déjà arrivé, pendant une conversation avec un ami proche, de pouvoir prédire ce qu’il allait dire?

C’est possiblement parce que votre relation avec cette personne vous permet d’avoir une bonne idée de son ton et des mots qu’elle a l’habitude d’utiliser. C’est comme si vous pouviez deviner le reste de sa phrase.

Les ordinateurs peuvent aussi être très doués pour ça.

Les grands modèles de langage (GML) sont un type de réseau de neurones qui utilise des techniques statistiques et d’apprentissage profond pour analyser d’énormes quantités de données, généralement sous forme de texte. Ils sont programmés pour utiliser ces données afin de prédire la suite d’une phrase lorsqu’on le leur demande.

Les GML peuvent lire et rédiger des textes, et donner des renseignements lors d’échanges écrits.

Ils sont couramment utilisés dans les applications suivantes :

• Robots conversationnels
• Résumés de documents
• Traduction de langues

Système de gestion des connaissances

Un système de gestion des connaissances, ou SGC, est en quelque sorte le « cerveau » d’une entreprise. Il veille à ce que les connaissances ne se perdent pas et les rend accessibles aux bonnes personnes, au bon moment.

Un SGC peut aider une entreprise à recueillir, à organiser et à exploiter les connaissances afin d’aider les employés à prendre des décisions et à gagner en efficacité. La TD, par exemple, possède de grandes quantités de données auxquelles les collègues peuvent avoir besoin d’accéder, notamment des politiques, des procédures, des rapports et d’anciennes données financières. Grâce à l’assistant virtuel propulsé par le SGC, les collègues peuvent accéder plus facilement à ces données.

Voici des exemples de SGC alimentés par l’IA

• L’assistant virtuel IA de Valeurs Mobilières TD est un assistant doté d’une IA générative qui aide les employés à trier les informations pour mieux regrouper celles qui sont pertinentes pour leurs clients.
• Les représentants du Centre de contact de la TD ont fait l’essai d’un assistant virtuel alimenté par l’IA, entraîné avec les politiques et procédures de la Banque, afin de répondre aux questions des clients plus rapidement.

IA générative

Ce type d’IA est entraîné à partir d’énormes quantités de données, notamment du texte (comme des livres et des articles de journaux), des images, des vidéos, du code informatique et de la musique. Il utilise ensuite l’apprentissage profond pour analyser les tendances, les relations et les structures dans ces données.

Grâce à ce vaste ensemble de données, l’IA générative est programmée pour créer du nouveau contenu à la demande des utilisateurs.

Par exemple, lorsque vous utilisez un robot conversationnel alimenté par l’IA générative, vous pouvez lui demander de rédiger un message d’anniversaire dans le style de William Shakespeare. L’outil analysera alors l’ensemble de l’œuvre de l’auteur ainsi qu’une multitude de cartes d’anniversaire pour produire un message d’inspiration élisabéthaine, probablement en pentamètre iambique.

IA prédictive

Vous êtes-vous déjà demandé comment votre plateforme de courriels parvient à déterminer quels messages sont des pourriels? L’IA prédictive s’appuie à la fois sur l’apprentissage automatique et l’analyse statistique pour repérer les tendances dans les données historiques.

L’IA prédictive se distingue de l’IA générative de plusieurs façons. Alors que l’IA générative nécessite généralement des volumes de données plus importants, l’IA prédictive peut souvent se contenter d’ensembles de données plus petits et mieux ciblés.

Elles peuvent toutes les deux tirer des conclusions à partir de données existantes, mais l’IA générative peut utiliser ce processus pour créer du nouveau contenu, tandis que l’IA prédictive peut uniquement communiquer une prévision ou une analyse à l’utilisateur.

Voici trois exemples de l’utilisation de l’IA prédictive

• Météorologie : En s’appuyant sur des données historiques, l’IA prédictive peut aider à prévoir les tendances météorologiques.
• Affaires : L’IA prédictive permet d’analyser les tendances dans les données d’une entreprise et de mieux prévoir la demande.
• Santé : L’IA prédictive peut aider à repérer les risques chez les patients en analysant les données cliniques et les dossiers médicaux.

IA agentique

L’IA agentique est un terme qui désigne les systèmes d’IA conçus pour agir de manière autonome et prendre des mesures pour atteindre des objectifs précis avec une intervention humaine minimale.

Lorsqu’on lui fixe un objectif à atteindre, une IA agentique est capable de résoudre de manière proactive des problèmes comportant plusieurs étapes pour parvenir à une solution.

Voici trois exemples de ce que peut faire l’IA agentique

• Exécuter des tâches professionnelles simples, comme le traitement des factures ou la planification de réunions.
• Permettre aux voitures autonomes de détecter les dangers et d’adapter leur itinéraire en fonction de l’évolution de la circulation.
• Aider les patients en renouvelant automatiquement leurs ordonnances et en programmant leurs rendez-vous médicaux réguliers.

Modèles de fondation

Les modèles de fondation sont presque entièrement fondés sur l’apprentissage profond, sont entraînés sur de vastes ensembles de données et peuvent ensuite être affinés à partir d’un ensemble précis de données qui est pertinent pour un certain domaine d’étude ou une entreprise. Le préentraînement du modèle de fondation est important, car il lui permet d’effectuer un large éventail de tâches sans nécessiter de réentraînement.

C’est un peu comme un titulaire d’une maîtrise en administration des affaires (MBA), qui acquiert toute une série de compétences propres à la gestion d’une entreprise : mathématiques, rédaction, leadership, lecture de bilans, etc. Même si les cours sont axés sur le monde des affaires, ces compétences peuvent être mises à profit dans de nombreux secteurs. Ainsi, une fois sa formation terminée, un diplômé de MBA peut occuper divers postes dans différents secteurs et s’adapter rapidement à de nouvelles tâches grâce à ces compétences fondamentales.

De la même façon, les modèles de fondation https://stories.td.com/ca/en/article/foundation-ai-model peuvent améliorer l’efficacité de chaque solution d’IA au sein d’une entreprise, car ils peuvent être personnalisés et déployés à grande échelle plus rapidement et à moindre coût.

Voici trois exemples de ce que peuvent faire les modèles de fondation

• Affaires : Les modèles de fondation sont particulièrement bons pour comprendre les préférences des utilisateurs. Ils peuvent exploiter ces informations pour faire des recommandations ciblées aux clients et mettre en place des stratégies marketing personnalisées.
• Astronomie : Les astronomes développent des modèles de fondation afin d’explorer le ciel plus efficacement. Les premiers essais montrent que l’analyse d’images par des modèles de fondation en astronomie peut réduire les taux d’erreur et faire baisser les coûts.
• Médecine : Plusieurs entreprises travaillent à mettre au point un modèle de fondation destiné à améliorer l’imagerie par résonance magnétique (IRM). L’objectif est d’entraîner des réseaux de neurones sur d’immenses ensembles de données d’informations et d’images médicales pour améliorer la qualité de l’IRM, réduire la durée des examens et optimiser le processus de diagnostic.