Glossaire IA : 100+ Termes Expliqués Simplement

Ce glossaire regroupe les termes les plus importants de l’Intelligence Artificielle en 2025. Chaque définition est accessible, avec des exemples pratiques et des liens vers des articles approfondis.

A

AGI (Artificial General Intelligence)

Intelligence Artificielle Générale - Une IA capable d’accomplir n’importe quelle tâche intellectuelle qu’un humain peut faire. Contrairement aux IA actuelles (spécialisées), l’AGI pourrait apprendre et raisonner sur n’importe quel domaine.

État actuel : N’existe pas encore. Les prédictions varient de 2030 à “jamais”.

Agent IA

Programme autonome qui utilise un LLM pour accomplir des tâches complexes en plusieurs étapes, en interagissant avec des outils externes (APIs, bases de données, calculateurs).

Voir aussi : Agents IA

Exemple : Un agent de voyage qui recherche des vols, compare les prix, vérifie la météo et réserve automatiquement.

Alignment

Alignement - Le processus d’entraîner une IA pour qu’elle suive les valeurs et intentions humaines. Crucial pour la sécurité.

Techniques : RLHF, Constitutional AI, Red teaming

Attention Mechanism

Mécanisme d’attention - Technique permettant au modèle de se concentrer sur les parties pertinentes de l’input. Cœur des Transformers.

Analogie : Comme lire un texte en surlignant les mots importants.

API (Application Programming Interface)

Interface permettant d’utiliser un modèle IA via des requêtes HTTP. Permet d’intégrer GPT-4, Claude, etc. dans vos applications.

Exemple d’utilisation :

import openai

response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "Bonjour"}]
)

Voir aussi : Comparaison APIs LLM

B

Batch Size

Taille de lot - Nombre d’exemples traités simultanément pendant l’entraînement. Plus le batch est grand, plus l’entraînement est stable mais consomme de mémoire.

Exemple : Batch size de 32 = traiter 32 phrases à la fois.

Benchmark

Test standardisé pour évaluer les performances d’un modèle IA. Permet de comparer différents modèles objectivement.

Benchmarks populaires :

• MMLU : Connaissances générales
• HumanEval : Génération de code
• GSM8K : Mathématiques

Voir aussi : Benchmarks LLM

Bias (Biais)

Préjugés ou discriminations présents dans les données d’entraînement qui se reflètent dans les prédictions du modèle.

Exemple : Un modèle qui associe systématiquement “médecin” à “homme” et “infirmière” à “femme”.

BERT (Bidirectional Encoder Representations from Transformers)

Modèle de Google (2018) qui lit le texte dans les deux directions (gauche→droite et droite←gauche) pour mieux comprendre le contexte.

Usage principal : Recherche, classification, compréhension de texte.

C

Chain-of-Thought (CoT)

Chaîne de pensée - Technique de prompting où on demande au LLM de décomposer son raisonnement étape par étape.

Exemple :

Mauvais prompt : "Combien font 23 × 17 ?"
Bon prompt : "Combien font 23 × 17 ? Réfléchis étape par étape."

Réponse CoT :
1. 23 × 10 = 230
2. 23 × 7 = 161
3. 230 + 161 = 391

ChatGPT

Application conversationnelle d’OpenAI utilisant GPT-3.5/GPT-4. Lancée en novembre 2022, elle a popularisé les LLMs auprès du grand public.

Utilisateurs : 500+ millions en 2025.

Voir aussi : OpenAI

Chunking

Découpage - Division de documents longs en morceaux plus petits pour le RAG. Crucial pour la qualité de récupération.

Stratégies :

• Fixed size : 500 tokens par chunk
• Semantic : Découper par paragraphe/section
• Recursive : Hiérarchique

Claude

Famille de LLMs développée par Anthropic. Réputée pour sa sécurité, son respect des instructions et son contexte de 200K tokens.

Versions : Claude 3 Haiku, Sonnet, Opus

Voir aussi : Anthropic

Constitutional AI

Approche d’Anthropic pour aligner les IA en leur donnant une “constitution” de principes à suivre, plutôt que du feedback humain direct.

Voir aussi : Constitutional AI

Context Window

Fenêtre de contexte - Quantité maximale de texte qu’un LLM peut traiter en une fois (input + output).

Exemples :

• GPT-4 : 128K tokens (~100 000 mots)
• Claude 3 : 200K tokens
• Gemini 1.5 : 2M tokens

Voir aussi : Context Window

D

Dataset

Jeu de données - Collection de données utilisée pour entraîner ou évaluer un modèle IA.

Exemples :

• Common Crawl : 250+ milliards de pages web
• The Pile : 825 GB de texte pour entraîner LLMs
• ImageNet : 14M d’images classifiées

Decoder

Décodeur - Partie d’un Transformer qui génère du texte token par token. Utilisé dans GPT.

Architecture : Encoder-Decoder (T5) vs Decoder-only (GPT) vs Encoder-only (BERT)

Diffusion Model

Modèle génératif qui crée des images/vidéos en partant de bruit aléatoire et en le “débruitant” progressivement.

Exemples : Stable Diffusion, DALL-E, Midjourney

Voir aussi : Diffusion Models

Distillation

Technique pour créer un modèle plus petit (student) qui imite un gros modèle (teacher) avec 95%+ des performances mais 10x moins de paramètres.

Exemple : DistilBERT (66M params) imite BERT (110M params) avec 97% des performances.

E

Embedding

Plongement - Représentation numérique (vecteur) d’un mot, phrase ou image capturant son sens sémantique.

Analogie : Coordonnées GPS pour les concepts. “Roi” et “Reine” ont des coordonnées proches.

Voir aussi : Embeddings et Vecteurs

Exemple :

"chat" → [0.2, 0.8, 0.1, ...] (1536 dimensions)
"chien" → [0.3, 0.7, 0.2, ...] (proche de "chat")

Encoder

Encodeur - Partie d’un Transformer qui transforme du texte en représentations riches. Utilisé dans BERT.

Epoch

Époque - Une passe complète sur l’ensemble des données d’entraînement.

Exemple : Entraîner sur 1 million d’exemples pendant 3 epochs = 3 millions d’itérations.

Evaluation

Évaluation - Mesure des performances d’un modèle sur des données qu’il n’a jamais vues (test set).

Métriques courantes :

• Accuracy : % de prédictions correctes
• F1-Score : Équilibre précision/rappel
• Perplexity : Surprise du modèle (plus bas = mieux)

F

Few-Shot Learning

Capacité d’un LLM à apprendre une nouvelle tâche avec seulement quelques exemples (1 à 10) dans le prompt.

Exemple :

Traduis en anglais :
Bonjour → Hello
Au revoir → Goodbye
Merci → Thank you
Comment allez-vous ? → [le LLM complète: How are you?]

Fine-Tuning

Affinage - Réentraîner un modèle pré-entraîné sur des données spécifiques à votre domaine pour améliorer ses performances.

Types :

• Full fine-tuning : Tous les poids modifiés
• LoRA : Seulement quelques adaptateurs (efficace)

Voir aussi : Fine-Tuning

Foundation Model

Modèle fondamental - Gros modèle pré-entraîné sur énormément de données, servant de base à de nombreuses applications.

Exemples : GPT-4, Claude 3, LLaMA, Stable Diffusion

Function Calling

Capacité d’un LLM à appeler des fonctions/outils externes pour accomplir des tâches (requêtes API, calculs, accès base de données).

Voir aussi : Function Calling

Exemple :

{
  "name": "get_weather",
  "arguments": {
    "location": "Paris",
    "unit": "celsius"
  }
}

G

Generative AI

IA générative - IA capable de créer du nouveau contenu (texte, images, vidéos, code, musique) plutôt que seulement classifier ou prédire.

Exemples : ChatGPT (texte), Midjourney (images), Suno (musique)

GGUF (GPT-Generated Unified Format)

Format de fichier optimisé pour exécuter des LLMs localement avec llama.cpp. Permet la quantization.

Variantes : Q4_K_M, Q5_K_S, Q8_0 (niveaux de compression)

GPT (Generative Pre-trained Transformer)

Architecture développée par OpenAI. “Pre-trained” = entraîné sur énormément de texte, “Generative” = génère du texte.

Versions : GPT-2 (2019), GPT-3 (2020), GPT-3.5 (2022), GPT-4 (2023), GPT-4o (2024)

Voir aussi : OpenAI

GPU (Graphics Processing Unit)

Processeur graphique spécialisé dans le calcul parallèle, essentiel pour entraîner et exécuter des modèles IA.

Leader : NVIDIA (H100, A100, RTX 4090)

Voir aussi : GPU pour l’IA

Gradient Descent

Descente de gradient - Algorithme d’optimisation qui ajuste les poids du réseau de neurones pour minimiser l’erreur.

Analogie : Descendre une montagne dans le brouillard en suivant toujours la pente la plus raide.

Guardrails

Mécanismes de sécurité pour empêcher un LLM de générer du contenu dangereux, offensant ou faux.

Techniques :

• Filtrage d’input/output
• Prompts système stricts
• Modération par IA secondaire

H

Hallucination

Quand un LLM génère des informations fausses ou inventées avec confiance. Problème majeur des LLMs actuels.

Exemple : Inventer des citations, dates ou faits qui n’existent pas.

Solutions : RAG, fact-checking, citations de sources

HuggingFace

Plateforme et bibliothèque Python (#1) pour les modèles d’IA open source. Hub avec 500K+ modèles gratuits.

Bibliothèque : transformers, diffusers, datasets

from transformers import pipeline

classifier = pipeline("sentiment-analysis")
classifier("J'adore ce produit!")  # POSITIVE

Hyperparameter

Hyperparamètre - Paramètre de configuration de l’entraînement (learning rate, batch size, etc.) que l’humain choisit, pas le modèle.

Exemples :

• Learning rate : 0.001
• Batch size : 32
• Number of epochs : 10

I

Inference

Inférence - Utilisation d’un modèle entraîné pour faire des prédictions. Opposé à “training”.

Exemple : Envoyer un prompt à ChatGPT = inférence

In-Context Learning (ICL)

Capacité d’un LLM à apprendre temporairement à partir d’exemples dans le prompt, sans modifier ses poids.

Voir aussi : In-Context Learning

Instruction Tuning

Fine-tuning spécifique où on entraîne le modèle sur des paires (instruction, réponse) pour mieux suivre les commandes.

Exemple de donnée :

Instruction: "Résume ce texte en une phrase"
Input: [long texte]
Output: [résumé court]

J

Jailbreaking

Techniques pour contourner les guardrails d’un LLM et le faire produire du contenu normalement interdit.

Exemple célèbre : “DAN” (Do Anything Now)

Voir aussi : Jailbreaking

JSON Mode

Mode spécial des LLMs garantissant une sortie au format JSON valide, utile pour extraction de données structurées.

Exemple :

response = openai.ChatCompletion.create(
    model="gpt-4",
    response_format={"type": "json_object"},
    messages=[{
        "role": "user",
        "content": "Extrait nom, email du texte: ..."
    }]
)
# Garantit JSON valide

K

Knowledge Graph

Graphe de connaissances - Base de données représentant les entités et leurs relations sous forme de graphe.

Exemple : “Paris” –[capitale de]–> “France” –[en]–> “Europe”

Usage IA : Améliorer le raisonnement, combiner avec RAG

KV Cache (Key-Value Cache)

Optimisation d’inférence qui évite de recalculer les mêmes valeurs d’attention à chaque nouveau token.

Gain : 10-50x plus rapide pour génération longue

L

LangChain

Framework Python/JavaScript pour développer des applications LLM : RAG, agents, chaînes de prompts.

Voir aussi : LangChain

Latency

Latence - Temps d’attente entre l’envoi d’une requête et la réception de la réponse.

Typique :

• API GPT-4 : 1-5 secondes
• Local Llama 7B (GPU) : 0.1-0.5 secondes

LLM (Large Language Model)

Grand Modèle de Langage - Modèle IA entraîné sur des milliards de mots capable de comprendre et générer du texte.

Exemples : GPT-4, Claude 3, Llama, Mistral

Voir aussi : Modèles

LoRA (Low-Rank Adaptation)

Technique de fine-tuning efficace qui n’entraîne que quelques % des paramètres. Réduit drastiquement le coût et la mémoire nécessaire.

Gain : Fine-tuner Llama 70B avec 16 GB au lieu de 400 GB

Loss Function

Fonction de perte - Mesure de l’erreur du modèle. L’entraînement vise à minimiser cette perte.

Exemple : Cross-entropy loss pour classification

M

MAE (Mean Absolute Error)

Erreur absolue moyenne - Métrique mesurant la différence moyenne entre prédictions et valeurs réelles.

MCP (Model Context Protocol)

Protocole standardisé pour permettre aux LLMs d’accéder à des sources de données et outils externes de manière sécurisée.

Mixture of Experts (MoE)

Architecture où le modèle contient plusieurs sous-réseaux (“experts”) et active seulement quelques-uns par token.

Avantage : 8x les paramètres pour 2x le coût de calcul

Exemples : Mixtral 8x7B, Grok-1

Voir aussi : Mixture of Experts

MMLU (Massive Multitask Language Understanding)

Benchmark testant la connaissance générale d’un LLM sur 57 domaines (histoire, math, médecine, etc.).

Score humain expert : ~90% GPT-4 : 86%

Moderation

Modération - Filtrage automatique de contenu toxique, violent ou inapproprié.

Exemple API OpenAI :

response = openai.Moderation.create(
    input="Texte à modérer"
)
print(response["results"][0]["flagged"])  # True/False

Multimodal

Modèle capable de traiter plusieurs types de données : texte, images, audio, vidéo.

Exemples : GPT-4V (Vision), Gemini 1.5, Claude 3

Voir aussi : Modèles Multimodaux

N

Neural Network

Réseau de neurones - Modèle d’IA inspiré du cerveau humain, composé de couches de neurones artificiels connectés.

NLP (Natural Language Processing)

Traitement du Langage Naturel - Branche de l’IA qui permet aux machines de comprendre et générer le langage humain.

NPU (Neural Processing Unit)

Processeur spécialisé pour l’IA dans les smartphones et ordinateurs, optimisé pour l’inférence locale.

Exemples : Apple Neural Engine, Qualcomm Hexagon

O

Ollama

Outil permettant d’exécuter des LLMs localement en une commande. Simplifie l’utilisation de Llama, Mistral, etc.

Voir aussi : Ollama

ollama run llama3

One-Shot Learning

Apprendre une tâche avec un seul exemple dans le prompt.

Open Source

Modèles dont les poids sont publiquement disponibles et modifiables.

Exemples : Llama, Mistral, Gemma, Qwen

Avantages : Gratuit, personnalisable, privé

Overfitting

Surapprentissage - Quand un modèle mémorise les données d’entraînement au lieu de généraliser.

Symptôme : 99% de précision sur train, 60% sur test

Solution : Plus de données, regularization, dropout

P

Parameter

Paramètre - Poids ajustable dans un réseau de neurones. Plus il y en a, plus le modèle est puissant (mais coûteux).

Exemples :

• GPT-2 : 1.5B paramètres
• GPT-3 : 175B paramètres
• GPT-4 : ~1.7T paramètres (rumeur)

Voir aussi : Nombre de paramètres

Perplexity

Métrique mesurant la “surprise” du modèle. Plus basse = mieux.

Analogie : Si le modèle prédit “chat” et le mot suivant est “chat”, perplexity faible. S’il prédit “voiture”, perplexity haute.

Pre-training

Pré-entraînement - Phase d’entraînement initial sur des milliards de tokens pour apprendre le langage général.

Coût : Millions de dollars pour GPT-4

Prompt

Instruction ou question donnée à un LLM pour obtenir une réponse.

Voir aussi : Prompt Engineering

Exemple :

Prompt : "Écris un poème sur l'IA en 4 vers"
Réponse : [génération du LLM]

Prompt Injection

Attaque où on insère des instructions malicieuses dans le prompt pour manipuler le LLM.

Voir aussi : Prompt Injection

Q

Quantization

Réduction de la précision numérique des poids (FP32 → INT8 → INT4) pour compresser le modèle de 4-8x.

Voir aussi : Quantization

Exemple : Llama 70B de 140 GB → 35 GB (4-bit)

Query

Dans l’attention mechanism, la représentation qui “pose des questions” aux autres tokens pour déterminer leur importance.

R

RAG (Retrieval-Augmented Generation)

Technique combinant recherche de documents pertinents et génération LLM pour répondre avec des sources actualisées.

Voir aussi : RAG

Architecture :

1. Question → Embedding
2. Recherche dans base vectorielle
3. Documents pertinents + question → LLM
4. Réponse enrichie

Rate Limiting

Limitation du nombre de requêtes API par minute/heure pour éviter les abus et gérer les coûts.

Exemple OpenAI GPT-4 :

• 10 000 tokens/min
• 500 requêtes/min

Reinforcement Learning (RL)

Apprentissage par renforcement - Entraînement par récompenses/punitions.

Usage IA : RLHF pour aligner les LLMs

RLHF (Reinforcement Learning from Human Feedback)

Technique d’alignment où des humains classent les réponses du modèle, créant un modèle de récompense pour améliorer le LLM.

Utilisé par : ChatGPT, Claude, Gemini

Voir aussi : RLHF

RoPE (Rotary Position Embedding)

Méthode pour encoder la position des tokens dans la séquence. Permet d’étendre le context window sans réentraînement.

S

Sampling

Méthode de sélection du prochain token lors de la génération. Plusieurs stratégies possibles.

Techniques :

• Greedy : Toujours le plus probable (répétitif)
• Top-k : Choisir parmi les k plus probables
• Top-p (nucleus) : Choisir jusqu’à atteindre probabilité cumulée p
• Temperature : Contrôle le hasard (0 = déterministe, 2 = créatif)

Self-Attention

Mécanisme permettant à chaque token de “regarder” tous les autres tokens pour comprendre le contexte.

Cœur des Transformers

Semantic Search

Recherche basée sur le sens plutôt que sur les mots-clés exacts. Utilise les embeddings.

Exemple :

• Recherche classique : “chien” ne trouve pas “canin”
• Recherche sémantique : “chien” trouve “canin”, “toutou”, “chiot”

Small Language Model (SLM)

LLM compact (1-10B paramètres) optimisé pour l’efficacité, pouvant tourner localement.

Exemples : Phi-3 (3.8B), Gemma 2B, Mistral 7B

Voir aussi : Small Language Models

Streaming

Génération de réponse token par token en temps réel, plutôt qu’attendre la réponse complète.

UX : L’utilisateur voit le texte apparaître progressivement (comme ChatGPT)

System Prompt

Prompt initial définissant le comportement global du LLM (rôle, ton, contraintes). Invisible pour l’utilisateur final.

Exemple :

System: "Tu es un assistant expert en cuisine française.
Réponds toujours avec des recettes détaillées."

User: "Comment faire une quiche ?"

T

Temperature

Paramètre contrôlant la créativité/hasard de la génération.

Valeurs :

• 0 : Déterministe, répétitif
• 0.7 : Équilibré (défaut)
• 1.5+ : Créatif, imprévisible

Tensor

Structure de données multi-dimensionnelle utilisée pour représenter les données en deep learning.

Exemple :

• 1D : Vecteur [1, 2, 3]
• 2D : Matrice [[1,2], [3,4]]
• 3D : Image (hauteur, largeur, couleurs)

Token

Unité de base du texte pour un LLM. ~1 token ≈ 0.75 mot en français.

Voir aussi : Tokens

Exemple : “L’intelligence artificielle” = 4 tokens

Tokenization

Processus de découpage du texte en tokens.

Méthodes :

• BPE (Byte Pair Encoding) : GPT
• SentencePiece : T5, Llama
• WordPiece : BERT

Top-k Sampling

Limiter la sélection du prochain token aux k tokens les plus probables.

Exemple : Top-k=10 → choisir aléatoirement parmi les 10 mots les plus probables

Top-p Sampling (Nucleus)

Sélectionner les tokens jusqu’à atteindre une probabilité cumulée de p.

Exemple : Top-p=0.9 → prendre les mots les plus probables qui couvrent 90% de la probabilité

Training

Entraînement - Processus d’ajustement des paramètres du modèle sur des données pour apprendre.

Phases :

1. Pre-training (général)
2. Fine-tuning (spécialisé)
3. Alignment (RLHF)

Transfer Learning

Réutiliser un modèle pré-entraîné et l’adapter à une nouvelle tâche. Base du succès moderne de l’IA.

Exemple : Prendre GPT-3 et le fine-tuner sur du code → Codex

Transformer

Architecture révolutionnaire (2017) basée sur l’attention, remplaçant les RNNs. Base de tous les LLMs modernes.

Voir aussi : Transformers

Composants :

• Multi-head attention
• Feed-forward layers
• Layer normalization

U

Underfitting

Sous-apprentissage - Quand le modèle est trop simple pour capturer les patterns des données.

Symptôme : Mauvaises performances sur train ET test

Solution : Modèle plus complexe, plus de features

Unstructured Data

Données non structurées - Texte, images, audio, vidéos (opposé aux bases de données SQL).

Enjeu IA : 80% des données d’entreprise sont non structurées

V

Validation Set

Ensemble de validation - Données réservées pour évaluer le modèle pendant l’entraînement et ajuster les hyperparamètres.

Split typique :

• 70% Training
• 15% Validation
• 15% Test

Vector Database

Base de données vectorielle - BD optimisée pour stocker et rechercher des embeddings (vecteurs).

Exemples : Pinecone, Weaviate, Chroma, Qdrant

Voir aussi : Bases de Données Vectorielles

Vision Transformer (ViT)

Adaptation des Transformers pour les images, traitant l’image comme une séquence de patches.

W

Weights

Poids - Valeurs numériques des paramètres du modèle, ajustées pendant l’entraînement.

Taille :

• Llama 7B : ~14 GB (FP16)
• GPT-4 : ~3+ TB (rumeur)

Whisper

Modèle d’OpenAI pour la transcription audio (speech-to-text) multilingue. Open source.

Performances : Quasi-humaines sur 99 langues

Z

Zero-Shot Learning

Capacité d’un LLM à accomplir une tâche sans aucun exemple, juste avec l’instruction.

Exemple :

Prompt : "Traduis en espagnol : Bonjour"
Réponse : "Hola"
[Aucun exemple fourni]

Acronymes Courants

Unités et Mesures

Taille de Modèle

• Million (M) : 1 000 000 paramètres
• Billion (B) : 1 000 000 000 paramètres (milliard)
• Trillion (T) : 1 000 000 000 000 paramètres

Note : Attention, “billion” en anglais = “milliard” en français !

Mémoire

• GB (GigaByte) : ~1 milliard de bytes
• TB (TeraByte) : 1000 GB

Règle approximative : Un modèle de N milliards de paramètres nécessite ~2N GB en FP16.

Exemple : Llama 70B → ~140 GB de VRAM

Calcul

• FLOPS : Floating Point Operations Per Second
• TFLOPS : Téraflops = 10^12 opérations/seconde

GPU H100 : 1000 TFLOPS (FP16)

Concepts Émergents 2025

Agentic AI

IA autonome capable de planifier et exécuter des tâches complexes sans supervision humaine constante.

Compound AI Systems

Systèmes combinant plusieurs modèles, bases de données et outils orchestrés pour résoudre des problèmes complexes.

Retrieval-Interleaved Generation

Extension du RAG où le modèle peut récupérer des documents plusieurs fois pendant la génération.

Sparse Attention

Optimisation de l’attention qui ne regarde qu’une partie des tokens, réduisant la complexité de O(n²) à O(n).

Ressources pour Aller Plus Loin

Articles Connexes

• Modèles IA - Vue d’ensemble des architectures
• Tokens - Comprendre la tokenization
• Embeddings - Représentations vectorielles
• Transformers - Architecture fondamentale
• RAG - Génération augmentée
• Agents IA - Systèmes autonomes

Par Thématique

Débutants :

• Tokens, Embeddings, LLM, Prompt, Temperature

Développeurs :

• API, RAG, Function Calling, Fine-Tuning, LangChain

Avancé :

• RLHF, MoE, Quantization, KV Cache, LoRA

Sécurité :

• Jailbreaking, Prompt Injection, Hallucination, Alignment

Conclusion

Ce glossaire regroupe les 100+ termes essentiels pour comprendre l’IA moderne en 2025. Chaque concept est expliqué simplement avec des exemples concrets.

Conseils d’utilisation

• Nouveaux en IA : Commencez par A-Z des concepts de base (LLM, Token, Prompt, Embedding)
• Développeurs : Focalisez sur les sections techniques (API, RAG, Fine-Tuning)
• Décideurs : Comprenez AGI, Benchmarks, Compliance, Coûts
• Référence : Utilisez Ctrl+F pour chercher un terme spécifique

Maintenir vos Connaissances

L’IA évolue rapidement. Ce glossaire est mis à jour régulièrement avec :

• Nouveaux modèles et architectures
• Techniques émergentes
• Standards de l’industrie

Vous avez des questions sur un terme ? Consultez nos articles approfondis ou contactez-nous.

Suggestion de terme manquant ? Contactez-nous