GRCcareers.ai

English site · Site français · Bilingual / Bilingue

AI Governance Glossary in English and French

Twenty-nine terms, defined in full in English, then defined in full in French. Not a translation of one into the other. Two sets of definitions, because the definition carries the meaning and the label does not.

For the auditor reading the NIST framework in English on Tuesday and writing the report for a board in Paris, Brussels, Geneva or Montreal on Wednesday.

Vingt-neuf termes, définis entièrement en anglais, puis entièrement en français. Pas la traduction de l'un par l'autre. Deux jeux de définitions, parce que c'est la définition qui porte le sens, pas l'étiquette.

English

Twenty-nine terms, A to Z, with the French equivalent noted under each.

Agentic Workflow
A multi-step process where the AI plans, acts, and adapts based on what it finds along the way, with no human checking each step.
FR · Flux de travail agentique
Alignment Problem
The challenge of keeping an AI system's goals and behavior consistent with human intent, especially as the system gets more capable.
FR · Alignement (problème de l')
Black Box
A system whose internal logic is opaque and cannot be directly inspected. Most large foundation models qualify in the strict sense: you cannot fully explain an output by examining the architecture.
FR · Boîte noire
Chain-of-Thought Reasoning
A technique where the model writes out intermediate reasoning steps before landing on an answer, making part of its process visible.
FR · Raisonnement en chaîne de pensée
Constitutional AI
An alignment method developed by Anthropic in which a model is trained to evaluate and revise its own output against a stated set of principles.
FR · Constitutional AI
Emergent Behavior
Capabilities or failure modes that show up in large models at scale without being explicitly trained, designed, or anticipated.
FR · Comportement émergent
Fine-Tuning
Further training a pre-trained foundation model on domain-specific data to shape it for a particular use.
FR · Modèle affiné (fine-tuning)
Foundation Model
A large model trained broadly at scale, adaptable to many downstream tasks through fine-tuning or prompting. GPT, Claude, Gemini, and Llama are examples.
FR · Modèle de fondation
Frontier Model
The most capable models available at a given moment, at or near the edge of what current training methods produce.
FR · Modèle de frontière
Grounding
Connecting model output to verifiable external sources through retrieval, citation, or structured data access, in order to cut hallucination.
FR · Ancrage (grounding)
Hallucination
Output that is fabricated or flatly wrong but delivered with every appearance of confidence. The term is colloquial; parts of the technical community prefer confabulation.
FR · Hallucination
Human-in-the-Loop
A design where a person reviews and approves AI output before it takes effect. Distinct from human-on-the-loop (monitoring with the ability to intervene) and human-in-command (ultimate authority without per-output review).
FR · Humain dans la boucle
Latent Space
The high-dimensional representation a neural network uses to encode meaning and the relationships between concepts.
FR · Espace latent
Mixture of Experts (MoE)
An architecture where specialized sub-networks handle different input types, with a router deciding which to activate.
FR · Mélange d'experts (MoE)
Model Card
Standardized documentation from the developer describing intended uses, training data, performance, limitations, and known biases.
FR · Carte de modèle (model card)
Model Drift
Performance degrading over time as production data diverges from training data. Covers concept drift (the input-to-correct-answer relationship changes) and data drift (the input distribution shifts while the relationship holds).
FR · Dérive des modèles
Multimodal
Systems that process and generate more than one data type (text, image, audio, video, code) within a single architecture.
FR · Multimodal
Neural Scaling Laws
Empirical observations that model performance improves predictably with size, data, and compute, following power-law relationships.
FR · Lois d'échelle neuronales
Parameters
The values learned during training that define a model's behavior. Modern large language models run to hundreds of billions or trillions.
FR · Paramètres
Prompt Injection
An attack where malicious instructions are hidden in input data (a document, a web page, an email) that an AI agent processes, causing it to follow the attacker rather than the user.
FR · Injection d'invite (prompt injection)
Retrieval-Augmented Generation (RAG)
An architecture where the model retrieves relevant documents from an indexed knowledge base before generating, grounding the answer in retrieved content rather than training data alone.
FR · Génération augmentée par récupération (RAG)
RLHF (Reinforcement Learning from Human Feedback)
Human evaluators rate model outputs, those ratings train a reward model, and the reward model guides further refinement toward human preferences.
FR · RLHF (apprentissage par renforcement à partir de retours humains)
Stochastic
Involving randomness. For language models it means outputs are probabilistic: the same prompt will not always return the same response.
FR · Stochastique
Synthetic Data
Data generated by an AI system rather than collected from the world, used to augment training sets, test systems, or protect privacy.
FR · Données synthétiques
Temperature
A setting that controls output randomness. Higher produces more varied and creative responses; lower produces more deterministic ones.
FR · Température
Token
The basic unit of text a model processes, roughly a word fragment, word, or punctuation mark depending on the tokenization scheme. Context windows are measured in tokens.
FR · Jeton (token)
Transformer
The architecture underneath most current large language models, introduced in the 2017 paper "Attention Is All You Need." Its attention mechanism lets models handle long-range dependencies in text.
FR · Transformeur
Trust and Safety (T&S) by Design
Building safety, content moderation, and abuse prevention into the architecture from the start rather than bolting filters on afterward.
FR · Confiance et sécurité dès la conception
Zero-Shot Learning
A model performing a task it was never explicitly trained on, drawing on general training. A defining feature of foundation models.
FR · Apprentissage zéro-exemple (zero-shot)

Français

Vingt-neuf termes, de A à Z, avec l'équivalent anglais sous chacun.

Alignement (problème de l')
La difficulté de maintenir les objectifs et le comportement d'un système d'IA conformes à l'intention humaine, à mesure surtout que le système gagne en capacité.
EN · Alignment Problem
Ancrage (grounding)
Rattacher les résultats du modèle à des sources externes vérifiables, par récupération de documents, citation ou accès à des données structurées, afin de réduire l'hallucination.
EN · Grounding
Apprentissage zéro-exemple (zero-shot)
Un modèle accomplissant une tâche pour laquelle il n'a jamais été explicitement entraîné, en s'appuyant sur son entraînement général. Trait caractéristique des modèles de fondation.
EN · Zero-Shot Learning
Boîte noire
Un système dont la logique interne est opaque et ne peut pas être inspectée directement. La plupart des grands modèles de fondation entrent dans cette catégorie au sens strict : on ne peut pas expliquer entièrement un résultat en examinant l'architecture.
EN · Black Box
Carte de modèle (model card)
Documentation normalisée fournie par le concepteur, décrivant les usages prévus, les données d'entraînement, la performance, les limites et les biais connus.
EN · Model Card
Comportement émergent
Des capacités ou des modes de défaillance qui apparaissent dans les grands modèles à grande échelle, sans avoir été explicitement entraînés, conçus ni anticipés.
EN · Emergent Behavior
Confiance et sécurité dès la conception
Intégrer la sûreté, la modération des contenus et la prévention des abus dans l'architecture dès le départ, plutôt que d'ajouter des filtres après coup.
EN · Trust and Safety (T&S) by Design
Constitutional AI
Une méthode d'alignement développée par Anthropic, dans laquelle un modèle est entraîné à évaluer et corriger ses propres résultats au regard d'un ensemble de principes énoncés.
EN · Constitutional AI
Données synthétiques
Des données produites par un système d'IA plutôt que recueillies dans le monde réel, servant à enrichir des jeux d'entraînement, à tester des systèmes ou à protéger la vie privée.
EN · Synthetic Data
Dérive des modèles
Dégradation de la performance au fil du temps, à mesure que les données de production s'écartent des données d'entraînement. Recouvre la dérive de concept (la relation entre l'entrée et la bonne réponse change) et la dérive des données (la distribution des entrées se déplace alors que la relation tient).
EN · Model Drift
Espace latent
La représentation en haute dimension qu'un réseau de neurones utilise pour encoder le sens et les relations entre concepts.
EN · Latent Space
Flux de travail agentique
Un processus en plusieurs étapes où l'IA planifie, agit et s'adapte à ce qu'elle rencontre en chemin, sans qu'un humain contrôle chaque étape.
EN · Agentic Workflow
Génération augmentée par récupération (RAG)
Une architecture où le modèle récupère des documents pertinents dans une base indexée avant de produire sa réponse, l'ancrant dans le contenu récupéré plutôt que dans ses seules données d'entraînement.
EN · Retrieval-Augmented Generation (RAG)
Hallucination
Un résultat fabriqué ou franchement faux, mais délivré avec toutes les apparences de l'assurance. Le terme est courant ; une partie de la communauté technique préfère confabulation.
EN · Hallucination
Humain dans la boucle
Une conception où une personne examine et approuve le résultat de l'IA avant qu'il produise effet. À distinguer de l'humain sur la boucle (surveillance avec possibilité d'intervenir) et de l'humain aux commandes (autorité ultime sans revue de chaque résultat).
EN · Human-in-the-Loop
Injection d'invite (prompt injection)
Une attaque où des instructions malveillantes sont dissimulées dans des données traitées par un agent d'IA (un document, une page web, un courriel), l'amenant à suivre l'attaquant plutôt que l'utilisateur.
EN · Prompt Injection
Jeton (token)
L'unité de base du texte traitée par un modèle : environ un fragment de mot, un mot ou un signe de ponctuation selon le schéma de tokenisation. Les fenêtres de contexte se mesurent en jetons.
EN · Token
Lois d'échelle neuronales
Observations empiriques selon lesquelles la performance d'un modèle s'améliore de façon prévisible avec la taille, les données et la puissance de calcul, suivant des lois de puissance.
EN · Neural Scaling Laws
Modèle affiné (fine-tuning)
Poursuite de l'entraînement d'un modèle de fondation pré-entraîné sur des données propres à un domaine, pour l'adapter à un usage particulier.
EN · Fine-Tuning
Modèle de fondation
Un grand modèle entraîné largement à grande échelle, adaptable à de nombreuses tâches en aval par affinage ou par invite. GPT, Claude, Gemini et Llama en sont des exemples.
EN · Foundation Model
Modèle de frontière
Les modèles les plus capables disponibles à un instant donné, à la limite ou près de la limite de ce que produisent les méthodes d'entraînement actuelles.
EN · Frontier Model
Multimodal
Des systèmes qui traitent et produisent plusieurs types de données (texte, image, audio, vidéo, code) au sein d'une même architecture.
EN · Multimodal
Mélange d'experts (MoE)
Une architecture où des sous-réseaux spécialisés traitent différents types d'entrées, un routeur décidant lesquels activer.
EN · Mixture of Experts (MoE)
Paramètres
Les valeurs apprises pendant l'entraînement, qui définissent le comportement d'un modèle. Les grands modèles de langage actuels en comptent des centaines de milliards, voire des milliers de milliards.
EN · Parameters
Raisonnement en chaîne de pensée
Une technique par laquelle le modèle écrit ses étapes de raisonnement intermédiaires avant d'arriver à une réponse, rendant une partie de son cheminement visible.
EN · Chain-of-Thought Reasoning
RLHF (apprentissage par renforcement à partir de retours humains)
Des évaluateurs humains notent les résultats du modèle, ces notes entraînent un modèle de récompense, et ce modèle de récompense guide un affinage supplémentaire vers les préférences humaines.
EN · RLHF (Reinforcement Learning from Human Feedback)
Stochastique
Qui comporte une part d'aléa. Pour les modèles de langage, cela signifie que les résultats sont probabilistes : une même invite ne renverra pas toujours la même réponse.
EN · Stochastic
Température
Un réglage qui contrôle le caractère aléatoire des résultats. Plus elle est élevée, plus les réponses sont variées et créatives ; plus elle est basse, plus elles sont déterministes.
EN · Temperature
Transformeur
L'architecture qui sous-tend la plupart des grands modèles de langage actuels, introduite par l'article de 2017 « Attention Is All You Need ». Son mécanisme d'attention permet aux modèles de traiter des dépendances à longue portée dans le texte.
EN · Transformer
Why both, in full. Most glossaries translate a term and stop. But risk appetite does not land on a French auditor the way appétence au risque does until somebody writes both definitions out. So both are written out, each in its own language, each ordered alphabetically in that language.

Pourquoi les deux, en entier. La plupart des glossaires traduisent un terme et s'arrêtent là. Or c'est la définition qui porte le sens. Les deux figurent donc ici, chacune dans sa langue et dans son propre ordre alphabétique.

The full English essay →  ·  L'essai complet en français →