Termes Techniques

L'Optimisation Sémantique implique de structurer le contenu avec des relations claires, des entités et du contexte que les modèles IA peuvent comprendre et interpréter correctement.

Un Graphe de Connaissance est la manière dont les modèles IA organisent et connectent les informations sur les entités (marques, produits, concepts) et leurs relations.

RAG (Retrieval-Augmented Generation) est une technique où les modèles IA récupèrent des documents ou des données pertinents avant de générer des réponses.

Also: Retrieval-Augmented Generation

Le Scraping IA est une méthodologie où les outils interrogent automatiquement les modèles IA et collectent les réponses pour suivre les mentions de marque, les sentiments et le positionnement.

Also: Response scraping, AI monitoring

Le Biais de Genre dans l'IA fait référence au phénomène documenté où les modèles IA recommandent différentes marques selon la façon dont une requête est encadrée par le genre.

Also: Gender-locked brands, AI gender categorization

Un Cluster d'Ontologie est une collection de sujets, de mots-clés et de concepts sémantiquement liés que les modèles IA regroupent ensemble lors de la compréhension de votre marque.

Les Modèles de Préférence de Plateforme décrivent comment les différentes plateformes IA ont des biais distincts dans la façon dont elles recommandent les marques.

Also: AI platform behavior, Model bias patterns

Le Portier de Catégorie se produit lorsque l'IA a appris à associer les marques uniquement à des catégories spécifiques, les excluant des catégories adjacentes ou plus larges.

Also: AI category bias, Systematic exclusion

Les embeddings sont des représentations numériques de texte, d'images ou d'autres données qui capturent le sens sémantique dans un format que les systèmes d'IA peuvent traiter mathématiquement.

La recherche vectorielle est la technologie que les systèmes d'IA utilisent pour trouver du contenu sémantiquement similaire même lorsqu'il n'y a pas de correspondance exacte de mots-clés entre une requête et un document.

La recherche sémantique est une approche de la récupération d'informations qui comprend le sens et l'intention derrière une requête plutôt que de simplement faire correspondre des mots-clés.

Une fenêtre de contexte est la quantité maximale de texte qu'un grand modèle de langage peut traiter en une seule interaction.

Un jeton est la plus petite unité de texte qu'un modèle d'IA traite. En moyenne, un jeton équivaut à environ trois quarts de mot en anglais, ce qui signifie qu'un article de 1 000 mots contient environ 1 333 jetons.

La température est un paramètre de modèle d'IA qui contrôle le caractère aléatoire et la créativité des réponses générées.

Le fine-tuning est le processus d'entraînement d'un grand modèle de langage existant sur un ensemble de données spécialisé afin d'améliorer ses performances dans un domaine spécifique ou pour une tâche particulière.

Le RLHF (Reinforcement Learning from Human Feedback) est la technique d'entraînement utilisée pour enseigner aux modèles d'IA quelles réponses les humains préfèrent.

Also: Reinforcement Learning from Human Feedback

Le Schema Markup pour l'IA fait référence à l'utilisation de code de données structurées (généralement JSON-LD) sur votre site web pour aider les systèmes d'IA à identifier et à comprendre votre marque, vos produits, votre expertise et vos relations.

Also: Données Structurées pour l'IA, Schema Optimisé pour l'IA

La reconnaissance d'entités (également connue sous le nom de Named Entity Recognition ou NER) est la capacité de l'IA à identifier et à distinguer des marques, produits, personnes, organisations et concepts spécifiques dans un texte.

Also: Named Entity Recognition, NER