A
Agent IA
Système autonome utilisant un grand modèle de langage (LLM) comme noyau de raisonnement pour évaluer des entrées utilisateur, planifier des actions en plusieurs étapes et invoquer des outils externes. L'agent peut être configuré via des instructions système pour adopter un rôle et un comportement spécifiques.
Dans Microsoft Foundry, on crée un Agent1 auquel on assigne des instructions système définissant sa persona de conseiller financier.
Analyseur audio
Type d'analyseur Azure Content Understanding spécialisé dans le traitement de fichiers audio (WAV, MP3) pour en extraire des transcriptions, détecter la langue ou structurer des résumés. Il est distinct de l'analyseur de document, réservé aux fichiers textuels et PDF.
Pour extraire des informations structurées à partir d'enregistrements de messagerie vocale au format WAV, on configure un analyseur audio dans Azure Content Understanding.
Analyseur de document
Type d'analyseur Azure Content Understanding qui combine l'OCR et des modèles de langage avancés pour extraire des champs structurés à partir de documents commerciaux numérisés tels que des factures au format PDF, JPG ou TIFF. Il s'appuie sur un schéma défini par l'utilisateur pour reconnaître les champs cibles.
On utilise un analyseur de document pour extraire automatiquement les numéros de facture, les montants et les dates à partir de PDF numérisés soumis à Azure Content Understanding.
AudioOutputConfig
Classe du SDK Azure Speech permettant de configurer la destination du flux audio synthétisé, notamment la sauvegarde vers un fichier local. Elle est passée en paramètre au constructeur SpeechSynthesizer pour contrôler le routage de la sortie audio.
On instancie AudioOutputConfig(filename='output.wav') pour que le SpeechSynthesizer écrive le résultat de la synthèse vocale dans un fichier local.
Azure Content Understanding
Service intégré à Microsoft Foundry conçu pour extraire des informations structurées à partir de contenus non structurés ou semi-structurés (documents, audio, images, vidéo) en s'appuyant sur des analyseurs configurables et un schéma défini. Il fonctionne de manière asynchrone via un mécanisme de polling LRO.
On provisionne une ressource Microsoft Foundry pour accéder à Azure Content Understanding et extraire des champs imbriqués à partir de factures PDF.
Azure Key Vault
Service Azure de gestion sécurisée des secrets, clés API et chaînes de connexion, permettant aux applications de récupérer des informations sensibles via des mécanismes d'accès contrôlés sans les exposer dans le code source. Il constitue la bonne pratique recommandée pour protéger les secrets d'applications clientes d'IA.
Plutôt que de coder en dur une clé API Azure OpenAI dans le code Python, on la stocke dans Azure Key Vault et on la récupère dynamiquement au moment de l'exécution.
C
Catalogue de modèles
Hub centralisé de Microsoft Azure AI Foundry permettant aux développeurs de découvrir, comparer, évaluer et déployer des modèles de fondation provenant de divers fournisseurs (OpenAI, Meta, Mistral, etc.) sans nécessiter de fine-tuning préalable. Il inclut des outils de comparaison de performances et de coûts.
On utilise le catalogue de modèles dans le portail Foundry pour comparer les modèles gpt-4o et Phi-3 avant de sélectionner celui à déployer.
Classement des modèles
Fonctionnalité du portail Microsoft Foundry fournissant une analyse comparative des LLMs disponibles, incluant leurs métriques de performance et leurs coûts opérationnels. Il facilite la sélection du modèle le plus adapté aux contraintes budgétaires et aux exigences de qualité.
Un architecte IA utilise le classement des modèles dans Foundry pour identifier le LLM offrant le meilleur rapport qualité-coût pour une solution de génération de contenu.
Clustering
Technique d'apprentissage automatique non supervisé qui regroupe des données similaires en catégories (clusters) sans nécessiter d'étiquettes prédéfinies. Elle permet de découvrir des structures naturelles dans les données, comme des thèmes récurrents dans des tickets de support.
Pour regrouper automatiquement des milliers de tickets de support client par thème sans catégories prédéfinies, on applique un algorithme de clustering.
E
Encodage base64
Méthode d'encodage permettant de convertir des données binaires (comme une image JPEG) en une chaîne de texte ASCII intégrable directement dans la charge utile d'une requête API REST. Dans l'API Azure OpenAI Responses, elle constitue l'une des deux méthodes acceptées pour transmettre des images à un modèle vision.
Pour envoyer une image JPEG locale à un modèle GPT-4o via l'API Responses, on encode les données binaires en base64 et on préfixe la chaîne avec 'data:image/jpeg;base64,'.
Équité (IA responsable)
Principe d'IA responsable Microsoft garantissant que les systèmes d'IA traitent tous les groupes de personnes de manière équitable, sans discriminer sur la base de caractéristiques démographiques telles que la race, le genre ou l'âge. Il implique l'évaluation des sorties du modèle par segment démographique pour détecter et corriger les biais algorithmiques.
On évalue les taux d'approbation de crédit générés par un modèle IA selon les groupes démographiques afin de vérifier l'absence de biais, conformément au principe d'équité.
G
Grounding (ancrage)
Technique consistant à fournir au modèle d'IA générative un contexte ou des données sources fiables pour réduire les hallucinations et améliorer la pertinence des réponses. Le pattern RAG (Retrieval-Augmented Generation) est l'implémentation d'ancrage la plus courante.
On ancre un chatbot de support en lui fournissant les pages de documentation produit pertinentes récupérées dynamiquement, réduisant ainsi les réponses inventées.
I
IA générative
Catégorie de charge de travail IA capable de produire de nouveaux artefacts originaux (texte, images, code, audio) à partir d'entrées utilisateur, en modélisant des distributions de probabilité apprises sur des données d'entraînement. Les LLMs génèrent leur sortie en prédisant itérativement le token suivant le plus probable.
On utilise une charge de travail d'IA générative pour créer automatiquement des brouillons d'e-mails marketing à partir d'une courte description de produit.
Inclusivité (IA responsable)
Principe d'IA responsable Microsoft visant à garantir que les systèmes d'IA sont accessibles et efficaces pour tous les utilisateurs, quelles que soient leurs capacités, langues ou origines culturelles. Il implique notamment la prise en charge multilingue et l'accessibilité pour les personnes en situation de handicap.
On applique le principe d'inclusivité en concevant l'interface d'un agent de support client pour qu'elle prenne en charge plusieurs langues et soit compatible avec les lecteurs d'écran.
Instructions système (system prompt)
Instruction opérationnelle fondamentale transmise à un modèle d'IA générative ou à un agent pour définir son persona, ses limites, son ton et sa logique de traitement. Elle constitue le mécanisme de configuration du comportement de l'agent dans Microsoft Foundry, mais ne peut pas servir à des fins d'autorisation ou d'authentification.
On configure un agent Foundry avec des instructions système lui indiquant de répondre uniquement en français et de refuser toute question hors du domaine de la finance.
L
LROPoller (Long-Running Operation Poller)
Objet de suivi retourné immédiatement par les méthodes asynchrones du SDK Azure (comme begin_analyze()) pour permettre de surveiller l'état d'une opération longue s'exécutant en arrière-plan. La méthode result() est appelée sur cet objet pour bloquer l'exécution et récupérer le résultat final.
Après avoir appelé client.begin_analyze(), on appelle poller.result() sur le LROPoller retourné pour attendre la fin de l'analyse et récupérer les données extraites.
M
Max Completion Tokens
Paramètre de configuration d'un déploiement de modèle d'IA générative dans Microsoft Foundry qui plafonne le nombre maximum de tokens pouvant être générés dans une réponse. Il permet de maîtriser les coûts d'inférence et de garantir des réponses de longueur définie.
On fixe Max Completion Tokens à 150 pour s'assurer que les résumés générés par le modèle restent concis et que les coûts par requête demeurent maîtrisés.
N
NER (Named Entity Recognition)
Technique d'analyse de texte permettant d'identifier et de catégoriser automatiquement des entités nommées (personnes, organisations, lieux, dates) dans un texte non structuré. Elle est disponible via les services Azure AI Language et est particulièrement adaptée au traitement de communications textuelles telles que des e-mails.
On applique la NER aux e-mails de support client pour extraire automatiquement les noms de personnes, d'organisations et de lieux mentionnés dans chaque message.
O
OCR (Optical Character Recognition)
Technologie de reconnaissance optique de caractères permettant de détecter et d'extraire du texte imprimé ou manuscrit à partir de documents numérisés, d'images ou de PDF. Elle constitue le fondement des solutions d'extraction d'informations documentaires dans l'écosystème Azure AI.
L'analyseur de document Azure Content Understanding utilise l'OCR pour lire les champs imprimés sur des factures numérisées avant de les structurer selon le schéma défini.
R
Régression
Type de modèle de machine learning supervisé utilisé pour prédire des valeurs numériques continues à partir de variables d'entrée. Il se distingue de la classification qui prédit des catégories discrètes.
On entraîne un modèle de régression pour estimer le prix de vente d'une maison en fonction de sa superficie, de son emplacement et de ses caractéristiques.
Responsabilité (IA responsable)
Principe d'IA responsable Microsoft établissant que les concepteurs, déployeurs et opérateurs de systèmes d'IA demeurent ultimement responsables du fonctionnement et des décisions de ces systèmes. Il se concrétise notamment par la mise en place d'une supervision humaine ('human-in-the-loop').
On applique le principe de responsabilité en exigeant qu'un réviseur humain valide toutes les décisions de crédit générées automatiquement par le modèle IA avant leur application.
S
Schéma (Azure Content Understanding)
Structure de métadonnées définissant les champs à extraire, leurs types de données et leurs libellés lors de la configuration d'un analyseur Azure Content Understanding. Il sert de contrat d'extraction permettant au service d'identifier et de structurer les informations pertinentes dans le contenu analysé.
On définit un schéma avec les champs 'numéro_facture', 'montant_total' et 'date_échéance' pour que l'analyseur de document les extrait systématiquement de chaque facture traitée.
SpeechConfig
Classe fondamentale du SDK Azure Speech responsable de la configuration initiale de la connexion au service Azure Speech, incluant la clé d'abonnement, la région et le jeton d'autorisation. Elle constitue la base obligatoire pour instancier tout objet de reconnaissance ou de synthèse vocale.
On instancie SpeechConfig(subscription=key, region=region) avant de créer un SpeechRecognizer pour établir la connexion au service Azure Speech.
T
tool_choice
Paramètre de configuration du Microsoft Foundry Agent Service contrôlant la politique d'invocation des outils par l'agent : 'required' force l'utilisation systématique d'un outil spécifié, 'none' désactive complètement l'utilisation des outils, et la valeur par défaut laisse le modèle décider.
On définit tool_choice sur 'required' pour qu'Agent1 appelle obligatoirement une fonction Azure à chaque réponse, garantissant ainsi l'intégration systématique de la logique métier.
Transcription par lots (batch transcription)
Fonctionnalité d'Azure Speech dans Foundry Tools conçue pour traiter de grands volumes de fichiers audio pré-enregistrés stockés dans le cloud de manière asynchrone et en parallèle. Elle est optimisée pour les scénarios de traitement massif, contrairement à la reconnaissance vocale en temps réel.
On utilise la transcription par lots pour générer des transcriptions textuelles de plusieurs milliers d'enregistrements d'appels de support client multilingues stockés dans Azure Blob Storage.