Transformeur génératif pré-entraînédroite|vignette| Architecture du modèle GPT Le transformeur génératif pré-entraîné (ou GPT, de l’anglais generative pre-trained transformer) est une famille de modèles de langage généralement formée sur un grand corpus de données textuelles pour générer un texte de type humain. Il est construit en utilisant plusieurs blocs de l'architecture du transformeur. Ils peuvent être affinés pour diverses tâches de traitement du langage naturel telles que la génération de texte, la traduction de langue et la classification de texte.
Apprentissage par renforcementEn intelligence artificielle, plus précisément en apprentissage automatique, l'apprentissage par renforcement consiste, pour un agent autonome ( robot, agent conversationnel, personnage dans un jeu vidéo), à apprendre les actions à prendre, à partir d'expériences, de façon à optimiser une récompense quantitative au cours du temps. L'agent est plongé au sein d'un environnement et prend ses décisions en fonction de son état courant. En retour, l'environnement procure à l'agent une récompense, qui peut être positive ou négative.
Gradient latitudinal de biodiversitéLe Gradient latitudinal de biodiversité, GLB (de l'anglais latitudinal diversity gradient, LDG ou latitudinal biodiversity gradient, LBG) est un paramètre environnemental censé rendre compte de l'augmentation de la richesse en espèces, ou biodiversité, des pôles aux tropiques laquelle se produit pour une grande variété d'organismes terrestres et marins . Le GLB, l'un des modèles les plus largement reconnus en écologie, a été observé à des degrés divers dans l’histoire biologique de la Terre.
Multimodal sentiment analysisMultimodal sentiment analysis is a technology for traditional text-based sentiment analysis, which includes modalities such as audio and visual data. It can be bimodal, which includes different combinations of two modalities, or trimodal, which incorporates three modalities. With the extensive amount of social media data available online in different forms such as videos and images, the conventional text-based sentiment analysis has evolved into more complex models of multimodal sentiment analysis, which can be applied in the development of virtual assistants, analysis of YouTube movie reviews, analysis of news videos, and emotion recognition (sometimes known as emotion detection) such as depression monitoring, among others.
Perte de la biodiversitévignette|redresse=1.5|Selon le Rapport planète vivante 2016 de WWF, l'indice planète vivante affiche un déclin de 58 % des populations mondiales de vertébrés entre 1970 et 2012. La perte de la biodiversité, appelée aussi déclin de la biodiversité ou érosion de la biodiversité ou effondrement de la biodiversité, est une crise écologique qui implique l'extinction d'espèces (végétales ou animales) dans le monde entier, ainsi que la réduction ou la perte locale d'espèces dans un habitat donné, et la disparition d'écosystèmes.
Indicateur clé de performancevignette|Indicateurs clés de performance affichés à l'usine Scanfil de Sieradz, en Pologne. Un indicateur clé de performance (ICP) – en anglais : key performance indicator (KPI) – est un indicateur utilisé pour l'aide à la décision dans les organisations. Les ICP sont utilisés particulièrement en gestion de la performance organisationnelle. Le terme d'« indicateur clé de performance » est une traduction littérale provenant de l'anglais « key performance indicator » (KPI).
Espèce rareUne espèce rare est une espèce dont le nombre d'individus est très bas. Cette désignation peut être appliquée à un taxon végétal ou animal et est distincte du terme en danger, en voie de disparition ou menacé. La désignation d'une espèce rare peut être faite par un organisme officiel, tel qu'un gouvernement national ou une région. Le terme apparaît le plus souvent sans référence à des critères spécifiques. L'UICN n'effectue normalement pas de telles désignations, mais peut utiliser ce terme dans le cadre de discussions scientifiques.
TélédétectionLa télédétection est l'ensemble des techniques utilisées pour déterminer à distance les propriétés d'objets naturels ou artificiels à partir des rayonnements qu'ils émettent ou réfléchissent. Les techniques de télédétection comprennent l'ensemble du processus : la capture et l'enregistrement de l'énergie d'un rayonnement émis ou réfléchi par les objets observés, le traitement des données résultantes et enfin l'analyse des données finales. Ce processus met en œuvre un capteur (appareil photographique, laser, radar, sonar, lidar, sismographe, gravimètre,.
Bayesian optimizationBayesian optimization is a sequential design strategy for global optimization of black-box functions that does not assume any functional forms. It is usually employed to optimize expensive-to-evaluate functions. The term is generally attributed to Jonas Mockus and is coined in his work from a series of publications on global optimization in the 1970s and 1980s. Bayesian optimization is typically used on problems of the form , where is a set of points, , which rely upon less than 20 dimensions (), and whose membership can easily be evaluated.
Inférence bayésiennevignette|Illustration comparant les approches fréquentiste et bayésienne (Christophe Michel, 2018). L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus. Elle s'appuie principalement sur le théorème de Bayes. Le raisonnement bayésien construit, à partir d'observations, une probabilité de la cause d'un type d'événements.
Espèce envahissantevignette|Renouée du Japon et autres plantes exotiques envahissantes qui affectent les écosystèmes indigènes. thumb| Miconia calvescens, originaire d'Amérique centrale est pointée dans l'accélération de l'érosion de la biodiversité d'archipels du Pacifique comme Hawaii. thumb|En Europe, les (Trachemys spp.) et autres émydidées nord-américaines relâchées par leurs propriétaires dans la nature pourraient concurrencer les espèces natives comme la cistude.
Q-learningvignette|400x400px|Dans le Q-learning, l'agent exécute une action a en fonction de l'état s et d'une fonction Q. Il perçoit alors le nouvel état s' et une récompense r de l'environnement. Il met alors à jour la fonction Q. Le nouvel état s' devient alors l'état s, et l'apprentissage continue. En intelligence artificielle, plus précisément en apprentissage automatique, le Q-learning est un algorithme d'apprentissage par renforcement. Il ne nécessite aucun modèle initial de l'environnement.
