Agent IA

Système d'IA combinant un modèle de base, une boucle de raisonnement et des outils pour accomplir des tâches complexes de manière autonome en percevant son environnement, planifiant des actions et évaluant les résultats de façon itérative. Contrairement à un modèle isolé, l'agent peut enchaîner plusieurs étapes et interagir avec des services externes.

Un agent IA de planification de voyage interroge une API de vols, compare des hôtels et génère un itinéraire personnalisé sans intervention humaine à chaque étape.

AutoML

Fonctionnalité de Vertex AI qui automatise les étapes clés du développement de modèles ML — ingénierie des features, sélection d'architecture et optimisation des hyperparamètres — permettant à des utilisateurs sans expertise approfondie de créer des modèles personnalisés de haute qualité. Elle démocratise l'accès au machine learning en réduisant les barrières techniques.

Une équipe marketing sans data scientists utilise AutoML sur Vertex AI pour entraîner un modèle de classification des avis clients à partir de ses propres données.

Boucle de raisonnement

Composant central d'un agent IA générative qui lui permet d'observer son environnement, de raisonner sur l'état actuel, de décider d'une action, de l'exécuter via des outils disponibles, puis d'évaluer le résultat avant d'itérer. Ce mécanisme distingue fondamentalement un agent d'un simple modèle de génération de texte.

Dans un agent de planification de réunion, la boucle de raisonnement vérifie les disponibilités dans le calendrier, envoie une invitation puis confirme la réservation en plusieurs cycles successifs.

Customer Engagement Suite

Offre de Google Cloud dédiée à la création d'agents conversationnels pour l'engagement client, supportant une approche hybride qui combine des flux déterministes basés sur des règles et des capacités d'IA générative. Cette combinaison garantit un contrôle précis sur les interactions critiques tout en offrant de la flexibilité conversationnelle.

Une banque déploie la Customer Engagement Suite pour gérer les demandes simples de solde via des flux déterministes et les requêtes complexes via l'IA générative.

Fine-tuning

Technique d'adaptation d'un modèle de fondation pré-entraîné à une tâche spécialisée ou un domaine métier spécifique, en le réentraînant sur un ensemble de données plus ciblé afin d'améliorer ses performances au-delà de ses capacités génériques. Elle est essentielle lorsque les performances par défaut du modèle sont insuffisantes pour un usage métier propriétaire.

Une entreprise pharmaceutique applique le fine-tuning sur Gemini avec ses propres données de recherche clinique pour obtenir des réponses médicalement précises.

Gemini Code Assist

Outil d'IA de Google Cloud spécifiquement conçu pour assister les développeurs dans la rédaction, la complétion, l'explication et la révision de code, intégré directement dans les environnements de développement intégrés (IDE) les plus populaires. Il améliore l'efficacité de codage et facilite la collaboration au sein des équipes de développement.

Un développeur utilise Gemini Code Assist dans VS Code pour générer automatiquement des fonctions Python et obtenir des explications sur du code hérité complexe.

Gemini Nano

Variante la plus compacte et la plus efficiente de la famille de modèles Gemini de Google, spécifiquement optimisée pour fonctionner on-device sur des smartphones et équipements edge disposant de ressources de calcul et de mémoire limitées. Elle permet l'inférence IA sans connexion au cloud, garantissant confidentialité et faible latence.

Un smartphone Android utilise Gemini Nano pour proposer des suggestions de réponse intelligentes dans l'application de messagerie, entièrement en local sans envoyer de données au cloud.

Google Agentspace

Plateforme centralisée de Google Cloud qui agrège des agents IA capables de raisonner sur les sources de données internes d'une organisation pour aider les employés à trouver des informations, automatiser des tâches et accroître leur productivité à l'échelle de l'entreprise. Elle agit comme un point d'accès unifié aux capacités d'IA générative en contexte professionnel.

Les employés d'une grande entreprise utilisent Google Agentspace pour interroger simultanément leurs documents internes, e-mails et bases de données afin d'obtenir des synthèses contextualisées.

GPU / TPU

Accélérateurs matériels spécialisés constituant la couche infrastructure de l'IA : les GPU (Graphics Processing Units) sont des puces polyvalentes pour le calcul parallèle massif, tandis que les TPU (Tensor Processing Units) sont des puces conçues sur mesure par Google spécifiquement pour les charges de travail de machine learning. Ils permettent l'entraînement et l'inférence de grands modèles d'IA à des vitesses impossibles avec des CPU standards.

Une équipe de data science utilise des Cloud TPU sur Google Cloud pour réduire de plusieurs semaines à quelques jours le temps d'entraînement de son modèle de fondation multimodal.

Grounding

Technique qui ancre les sorties d'un modèle d'IA générative à des sources d'information spécifiques et vérifiables — telles que Google Search, des bases de données internes ou des documents d'entreprise — plutôt que de s'appuyer uniquement sur la connaissance paramétrique interne du modèle. Elle réduit considérablement les hallucinations et améliore la fiabilité des réponses.

Un assistant IA juridique utilise le grounding sur Vertex AI pour ancrer ses réponses aux textes de loi officiels plutôt qu'aux connaissances générales du modèle.

HITL (Human-in-the-Loop)

Paradigme de machine learning qui intègre stratégiquement le jugement humain à des étapes critiques du pipeline ML — telles que l'étiquetage des données, l'évaluation des modèles ou la validation des sorties générées — avant leur exploitation en production. Il est essentiel pour maintenir la qualité, détecter les biais et garantir la responsabilité des systèmes IA.

Avant de publier des décisions automatisées d'octroi de crédit, un système HITL soumet les cas ambigus à des experts humains pour validation finale.

Imagen

Modèle de diffusion de Google Cloud spécialisé dans la génération d'images photoréalistes de haute qualité à partir de descriptions textuelles, disponible via Vertex AI. Il illustre la capacité de l'IA générative à aller au-delà du texte pour créer des contenus visuels originaux.

Une agence de design utilise Imagen sur Vertex AI pour générer des visuels de prototypes de produits à partir de descriptions marketing, sans avoir recours à un photographe.

LLM (Large Language Model)

Type de modèle de fondation pré-entraîné sur de vastes corpus de textes, lui conférant la capacité de comprendre, de raisonner et de générer du langage humain dans une grande variété de contextes et de tâches. Des modèles comme Gemini et PaLM 2 sont des exemples de LLM disponibles sur Vertex AI.

Une entreprise intègre un LLM via l'API Gemini pour alimenter son chatbot de support client capable de comprendre des requêtes complexes en langage naturel.

MLOps

Ensemble de pratiques qui appliquent les principes du DevOps au cycle de vie du machine learning, en automatisant et en standardisant la préparation des données, l'entraînement, l'évaluation, le déploiement et la surveillance des modèles en production. Sur Vertex AI, le MLOps réduit la dette technique et accélère le passage des expérimentations au déploiement.

Grâce au MLOps sur Vertex AI, une équipe de data science automatise la détection de la dérive du modèle et le réentraînement automatique dès que les performances chutent en production.

Model Garden

Référentiel organisé au sein de Vertex AI permettant aux utilisateurs de découvrir, évaluer, personnaliser et déployer une large variété de modèles pré-entraînés et de modèles de fondation, incluant les modèles propriétaires de Google comme Gemini et Imagen ainsi que des modèles open source. Il centralise l'accès aux modèles disponibles sur la plateforme.

Un architecte solutions explore Model Garden sur Vertex AI pour identifier et comparer plusieurs modèles de fondation avant de sélectionner celui le plus adapté à son cas d'usage métier.

Modèle de diffusion

Architecture de modèle de fondation conçue pour la synthèse d'images de haute qualité, fonctionnant en apprenant à inverser un processus progressif de bruitage appliqué aux images d'entraînement. C'est le type de modèle sous-jacent à Imagen de Google Cloud pour la génération d'images photoréalistes.

Une entreprise de e-commerce utilise un modèle de diffusion via Vertex AI pour générer automatiquement des visuels produits dans différents coloris à partir d'une seule image de référence.

Modèle de fondation

Modèle d'IA de grande échelle pré-entraîné sur de vastes quantités de données diversifiées, conçu pour être polyvalent et adaptable à une grande variété de tâches en aval via le fine-tuning ou le prompt engineering. Il constitue la base réutilisable sur laquelle sont construites la majorité des applications d'IA générative modernes.

Plutôt que d'entraîner un modèle depuis zéro, une startup utilise Gemini comme modèle de fondation sur Vertex AI et l'adapte à son domaine spécifique via le fine-tuning.

Multimodal

Qualifie un modèle ou une application capable de traiter et de raisonner simultanément sur plusieurs types de modalités de données — telles que le texte, les images, l'audio et la vidéo — au sein d'une même inférence. Gemini est l'exemple phare de modèle multimodal de Google Cloud.

Une application multimodale analyse simultanément une vidéo de retour client et sa transcription textuelle pour en extraire le sentiment global avec plus de précision.

NotebookLM

Outil de recherche et de prise de notes alimenté par l'IA de Google, conçu pour permettre aux utilisateurs d'interroger, résumer et synthétiser leurs propres documents téléchargés en tant que sources de référence. La version Enterprise ajoute des fonctionnalités de gouvernance des accès via IAM pour la collaboration sécurisée en équipe.

Un chef de produit télécharge les comptes-rendus de réunion et les rapports de marché dans NotebookLM pour générer automatiquement une synthèse des points clés avant une présentation stratégique.

Prompt engineering

Discipline consistant à concevoir et formuler des instructions d'entrée (prompts) de manière optimale pour guider un modèle de fondation vers les sorties souhaitées, sans modifier les poids du modèle. Elle englobe des techniques comme le zero-shot prompting, le few-shot prompting et le role prompting.

Un spécialiste en prompt engineering formule des instructions précises avec des exemples pour obtenir des descriptions produits cohérentes avec la charte éditoriale de l'entreprise.

RAG (Retrieval-Augmented Generation)

Architecture d'IA dans laquelle un modèle récupère activement des informations pertinentes depuis des sources de connaissances externes — comme des bases de données vectorielles ou des référentiels documentaires — au moment de l'inférence, avant de les intégrer dans la génération de sa réponse. Elle permet de combiner la puissance générative des LLM avec des données actualisées et vérifiables.

Un assistant juridique basé sur RAG interroge une base de données de jurisprudence récente avant de générer sa réponse, garantissant que celle-ci s'appuie sur des précédents actuels et vérifiables.

Role prompting

Technique de prompt engineering consistant à demander au modèle d'adopter un persona ou un rôle professionnel spécifique afin d'orienter le ton, le vocabulaire et le cadre d'expertise de ses réponses. Elle permet d'obtenir des sorties plus adaptées au contexte sans modifier les paramètres du modèle.

En spécifiant « Tu es un expert en cybersécurité spécialisé en conformité RGPD », un analyste obtient des réponses Gemini calibrées avec la terminologie et les enjeux réglementaires appropriés.

SAIF (Secure AI Framework)

Cadre conceptuel de Google conçu pour aider les organisations à construire et déployer des systèmes d'IA de manière sécurisée et responsable, en adressant spécifiquement les menaces propres au domaine de l'IA telles que les attaques par empoisonnement des données, les injections de prompts et l'exfiltration de modèles. Il complète les cadres de cybersécurité traditionnels avec des considérations spécifiques à l'IA.

Une institution financière s'appuie sur le SAIF pour définir ses protocoles de protection des données d'entraînement et sécuriser son pipeline MLOps contre les attaques par empoisonnement.

Température

Paramètre de configuration d'un modèle génératif qui contrôle le degré d'aléatoire et de créativité dans les sorties : une valeur basse (proche de 0) produit des réponses déterministes et ciblées, tandis qu'une valeur élevée favorise des résultats plus diversifiés et inattendus. Ce paramètre est ajustable dans Google AI Studio et Vertex AI Studio.

Un développeur configure une température de 0.1 pour un chatbot de support technique afin d'obtenir des réponses précises et cohérentes, et une température de 0.9 pour un générateur de slogans publicitaires créatifs.

Vertex AI Agent Builder

Offre de Google Cloud spécifiquement conçue pour créer, déployer et gérer des agents virtuels capables de comprendre le langage naturel, d'accéder à des sources de données et d'accomplir des tâches pour les utilisateurs. Elle fournit les outils d'orchestration nécessaires pour construire des agents conversationnels personnalisés à l'échelle entreprise.

Une entreprise de télécommunications utilise Vertex AI Agent Builder pour déployer un agent virtuel capable de guider les clients dans la configuration de leurs abonnements en accédant en temps réel aux systèmes de gestion des comptes.