Notre lexique de l'IA et de l'IDP
L'AI Act est une législation de l'Union européenne visant à réguler l'utilisation de l'intelligence artificielle, en particulier en ce qui concerne les risques pour la sécurité et les droits fondamentaux. Par exemple, un système d'IA utilisé pour la reconnaissance faciale devra respecter des normes strictes de transparence et de contrôle. L'AI Act vise à assurer une utilisation éthique et sécurisée de l'IA dans l'UE.
Un AI Agent (Agent IA) est un programme informatique autonome capable de percevoir des informations de son environnement (via des capteurs, données ou interfaces numériques), de les analyser pour prendre des décisions, et d’exécuter des actions de manière indépendante afin d’atteindre des objectifs prédéfinis. Ces agents peuvent automatiser des processus, interagir avec des systèmes ou des utilisateurs, adapter leurs comportements en fonction des contextes et améliorer leurs performances grâce à l’apprentissage automatique.
Une API est un ensemble de règles et de protocoles permettant à différents logiciels de communiquer entre eux. Elle joue un rôle crucial dans l'intégration des systèmes, facilitant l'échange de données entre des plateformes comme des ERP, CRM, ou GED. Par exemple, une API peut permettre à un système de facturation de transférer automatiquement des informations vers un logiciel de comptabilité. Pour l'IDP, les API permettent d'automatiser la transmission des données extraites vers d'autres systèmes sans intervention humaine, assurant ainsi une efficacité optimale.
L'apprentissage non supervisé est une méthode où le modèle est formé sans réponses étiquetées, afin d'identifier des schémas ou des regroupements naturels au sein des données. Par exemple, cette méthode est utilisée pour segmenter des clients en groupes similaires sans connaître les catégories à l'avance.
L'apprentissage supervisé est une méthode du Machine Learning qui consiste à entraîner un modèle avec des données préalablement étiquetées. Par exemple, pour entraîner un modèle à reconnaître des types de documents, on lui fournit des exemples de documents déjà classifiés. Cela signifie que chaque exemple d'apprentissage est associé à une réponse correcte, permettant au modèle de "comprendre" la relation entre les entrées et les sorties et de l'appliquer à de nouvelles données.
Les CRM sont des systèmes qui centralisent toutes les informations relatives aux clients d'une entreprise. Des exemples de CRM incluent Salesforce, HubSpot, et Zoho CRM. Par exemple, un CRM comme Salesforce peut stocker les informations sur les interactions clients et les ventes. L'IDP s'intègre aux CRM pour enrichir automatiquement les fiches clients avec des données extraites de divers documents, comme des contrats ou des courriers électroniques, permettant une meilleure gestion des interactions et un gain de temps considérable.
