Index alphabétique
A — AI Act, ALCOA+
B — Biais (en IA)
C — Concept drift
D — Data drift, Data Scientist, DPIA — Data Protection Impact Assessment, DPO — Data Protection Officer, Drift
E — Embeddings
F — Faisabilité (conditionnelle, favorable, défavorable), Fine-tuning
G — GenAI — IA générative
H — Hallucination
K — KPI ML — Indicateurs de performance ML
L — LLM — Large Language Model, LPD — Loi fédérale sur la protection des données
M — ML Canvas, ML — Machine Learning, MLOps, MoSCoW
N — NPV — Valeur Actuelle Nette
O — Orchestrateur (rôle AIBS)
P — Payback period, POC — Proof of Concept, Prompt engineering
R — RACI, RAG — Retrieval Augmented Generation, Retraining, ROI — Return On Investment
S — Sponsor, Stakeholder
T — TCO — Total Cost of Ownership, Token
Réglementation
AI Act
Règlement européen sur l’intelligence artificielle, adopté en 2024. Classe les systèmes IA en quatre niveaux de risque (inacceptable, élevé, limité, minimal) avec des exigences proportionnées. Non directement applicable en Suisse, mais constitue un standard de fait pour les organisations opérant en Europe.
Lien avec la pratique AIBS : Mobilisé en P5 (faisabilité juridique) pour classer la solution et identifier les exigences applicables.
LPD — Loi fédérale sur la protection des données
Cadre juridique suisse régissant le traitement des données personnelles. Version révisée (nLPD) entrée en vigueur en septembre 2023. Inspirée du RGPD européen, avec adaptations au contexte suisse. Exige notamment information des personnes, finalité limitée, sécurité, droits des personnes concernées.
Lien avec la pratique AIBS : Cadre primaire applicable en Suisse pour tout projet IA traitant des données personnelles.
Conformité
DPIA — Data Protection Impact Assessment
Évaluation d’impact sur la protection des données. Obligatoire en cas de traitement présentant un risque élevé pour les personnes concernées (article 22 nLPD, article 35 RGPD). Documente le traitement, évalue la nécessité et la proportionnalité, identifie les risques et les mesures d’atténuation.
Lien avec la pratique AIBS : Conduite en P5 avec le DPO. L’AIBS contribue par sa connaissance du projet, le DPO par sa connaissance juridique.
Posture AIBS
Orchestrateur (rôle AIBS)
Posture professionnelle de l’AIBS : ne porte pas seul l’expertise technique, mais coordonne les contributions des spécialistes (Data Scientist, IT, DPO, métier) pour produire une solution cohérente. Distinct du chef de projet IT (exécution opérationnelle) et de l’expert technique (mise en œuvre détaillée).
Lien avec la pratique AIBS : Posture attendue à l’examen et structurante de toute la pratique AIBS. Sa démonstration explicite distingue les bonnes présentations.
Démarche AIBS
Faisabilité (conditionnelle, favorable, défavorable)
Conclusion d’une évaluation de faisabilité par dimension. Favorable : exigences satisfaites sans condition particulière. Conditionnelle : exigences satisfaites sous conditions à remplir et tracer. Défavorable : exigences non satisfaites, obstacle structurant à l’engagement.
Lien avec la pratique AIBS : Vocabulaire structurant du livrable de la phase P5 (compétence C4).
Outil AIBS
ML Canvas
Canvas une-page formalisant la conception d’une solution ML. Auteur : Louis Dorard. Blocs typiques : valeur métier, sources de données, features, méthode ML, évaluation hors ligne, évaluation en production, décisions et actions, intégration et déploiement. Orientation technique.
Lien avec la pratique AIBS : Outil structurant en P4 (compétence C3). Co-construit avec un Data Scientist.
MoSCoW
Méthode de priorisation des exigences en quatre catégories : Must have (indispensable), Should have (important), Could have (souhaitable), Won’t have (exclu). Force la discipline d’arbitrage entre exigences.
Lien avec la pratique AIBS : Utilisé en P3 pour prioriser les exigences. Règle d’usage : maximum 60% en Must, 20% en Should, 20% en Could.
RACI
Matrice de responsabilités à quatre catégories : Responsible (qui exécute), Accountable (qui rend compte, un seul par activité), Consulted (qui est consulté), Informed (qui est informé). Outil structurant pour clarifier les rôles dans une équipe interdisciplinaire.
Lien avec la pratique AIBS : Établie en P4 (compétence C3). L’AIBS est typiquement Accountable sur cadrage et validation, Consulted ou Informed sur exécution technique.
Familles d’IA
GenAI — IA générative
Famille de modèles IA produisant du contenu nouveau (texte, image, code, son, vidéo) à partir d’un prompt. S’appuie principalement sur les LLM. Caractéristiques : flexibilité forte, coût d’inférence élevé, prédictibilité limitée des sorties.
Lien avec la pratique AIBS : Option à évaluer en P4 face aux approches ML classiques. Choix selon nature du problème, exigences de maîtrise, données disponibles.
LLM — Large Language Model
Modèle de langage de grande taille, entraîné sur de vastes corpus textuels. Capable de comprendre et de générer du texte en langage naturel. Exemples : GPT, Claude, Gemini, Llama. Base technologique de la plupart des solutions GenAI.
Lien avec la pratique AIBS : Compréhension conceptuelle attendue. Choix d’un LLM spécifique relève typiquement d’arbitrages techniques et de contraintes de conformité (hébergement).
ML — Machine Learning
Famille de méthodes IA fondées sur l’apprentissage à partir de données plutôt que sur des règles explicites. Sous-catégories : ML supervisé (apprentissage avec étiquettes), non supervisé (sans étiquettes), par renforcement (par essai-erreur). Distinct des approches symboliques (règles métier).
Lien avec la pratique AIBS : Cadre conceptuel à maîtriser pour orienter les choix de conception en P4.
Architectures techniques
Embeddings
Représentations vectorielles de données (textes, images, etc.) dans un espace mathématique. Permettent de mesurer la similarité entre éléments. Composant central des architectures RAG et de la recherche sémantique.
Lien avec la pratique AIBS : Compréhension conceptuelle pertinente pour dialoguer avec les spécialistes. Mise en œuvre technique hors périmètre AIBS.
Fine-tuning
Adaptation d’un modèle pré-entraîné (notamment un LLM) sur des données spécifiques à un usage particulier. Permet de spécialiser un modèle généraliste sans le ré-entraîner intégralement. Alternative ou complément au RAG selon les contextes.
Lien avec la pratique AIBS : Compréhension conceptuelle attendue. Choix entre fine-tuning et RAG est typiquement arbitré avec les spécialistes en P4.
RAG — Retrieval Augmented Generation
Architecture combinant un LLM avec une base documentaire interrogeable. Le système récupère les documents pertinents pour la question posée, puis les transmet au LLM pour génération de la réponse. Permet d’ancrer les réponses sur une base factuelle contrôlée et de réduire les hallucinations.
Lien avec la pratique AIBS : Option fréquemment évaluée pour les projets GenAI métier (assistant documentaire, FAQ avancée). Compréhension conceptuelle attendue.
GenAI
Prompt engineering
Pratique de conception et d’optimisation des instructions données aux modèles GenAI (LLM). Inclut le cadrage du contexte, les exemples (few-shot learning), les contraintes de sortie, les chaînes de raisonnement (chain-of-thought).
Lien avec la pratique AIBS : Compréhension conceptuelle utile pour les solutions GenAI. Mise en œuvre technique généralement déléguée aux développeurs.
Token
Unité élémentaire traitée par un LLM. Approximativement 0.75 mot en français ou anglais. Les LLM tarifient leur usage par token (entrée + sortie). Les fenêtres de contexte sont mesurées en tokens (typiquement plusieurs dizaines à centaines de milliers).
Lien avec la pratique AIBS : Notion utile pour estimer les coûts d’inférence d’une solution GenAI en P5-P6.
Risques GenAI
Hallucination
Production par un modèle génératif d’informations factuellement inexactes mais présentées avec assurance. Risque structurel des LLM, atténuable mais non éliminable. Particulièrement problématique pour les usages exigeant de la fiabilité factuelle.
Lien avec la pratique AIBS : Risque à évaluer en P5 pour les solutions GenAI. Mécanismes d’atténuation : RAG, supervision humaine, prompts contraints.
MLOps
Concept drift
Évolution de la relation entre les données d’entrée et la variable cible d’un modèle ML. Avec le temps, la même configuration d’entrée peut produire une cible différente. Distinct du data drift (évolution de la distribution des entrées seules).
Lien avec la pratique AIBS : Surveillance attendue en P8 (DCO E2). Compréhension conceptuelle suffisante ; mise en œuvre par les spécialistes data science.
Data drift
Évolution de la distribution des données d’entrée par rapport au jeu d’entraînement initial. Peut signaler un changement structurel dans le contexte d’utilisation, ou une évolution attendue (saisonnalité). Détecté par tests statistiques ou monitoring de chaque feature.
Lien avec la pratique AIBS : Surveillance attendue en P8. Déclenche investigation puis éventuellement retraining selon la nature du drift identifié.
Drift
Terme générique désignant la dégradation progressive d’un modèle IA en production. Recouvre le data drift (évolution des entrées) et le concept drift (évolution de la relation entrées-cible). Sans surveillance, le drift dégrade silencieusement la performance.
Lien avec la pratique AIBS : Préoccupation centrale en P8. Le pire risque IA est silencieux ; le monitoring du drift en est l’instrument de détection.
Retraining
Ré-entraînement d’un modèle ML sur des données plus récentes ou enrichies. Vise à compenser le drift et à maintenir la performance dans le temps. Fréquence variable selon la nature du problème : annuelle à hebdomadaire selon l’évolution des données.
Lien avec la pratique AIBS : Mécanisme attendu en P8. Coût récurrent à intégrer au TCO en P6.
Évaluation
KPI ML — Indicateurs de performance ML
Métriques mesurant la performance d’un modèle ML. Pour la classification : précision, rappel, F1, AUC. Pour la régression : MAE, RMSE, MAPE, R². Pour la génération : perplexité, BLEU, ROUGE. À distinguer des KPIs métier (atteinte des objectifs fonctionnels).
Lien avec la pratique AIBS : Définis et évalués en P5. La compréhension conceptuelle est attendue ; le calcul détaillé relève des spécialistes.
Qualité des données
ALCOA+
Référentiel d’évaluation de la qualité des données issu de l’industrie pharmaceutique. Acronyme pour Attribuable, Lisible (Legible), Contemporaine, Originale, Exacte (Accurate), Complète, Cohérente, Durable (Enduring), Disponible (Available).
Lien avec la pratique AIBS : Cadre de référence en P5 pour évaluer la qualité des données nécessaires à la solution IA.
Économie
NPV — Valeur Actuelle Nette
Indicateur financier sommant les flux nets futurs d’un projet, actualisés au taux de l’organisation. Une NPV positive indique que le projet crée de la valeur économique. Distinct du ROI (sans actualisation) et du payback (durée de récupération).
Lien avec la pratique AIBS : Indicateur calculé en P6 (compétence C5) avec la fonction finance. Convention d’actualisation imposée par l’organisation.
Payback period
Durée nécessaire pour que les bénéfices cumulés d’un projet couvrent les coûts cumulés. Exprimé en mois ou années. Indicateur simple et largement utilisé pour comparer la rapidité de retour sur investissement entre projets.
Lien avec la pratique AIBS : Indicateur calculé en P6. Comparaison aux seuils internes de l’organisation (souvent < 3 ans pour validation).
ROI — Return On Investment
Indicateur de rentabilité : (bénéfices cumulés − coûts cumulés) / coûts cumulés, exprimé en pourcentage. À distinguer du ROI annuel moyen et du ROI cumulé. Toujours préciser l’horizon de calcul.
Lien avec la pratique AIBS : Indicateur central du business case en P6. Comparaison aux seuils internes (souvent > 30% sur 3 ans).
TCO — Total Cost of Ownership
Coût total de possession d’une solution sur un horizon donné. Inclut investissement initial, exploitation récurrente, conformité continue, retraining, fin de vie. Pour l’IA, les coûts récurrents représentent typiquement 40 à 60% du TCO sur 5 ans.
Lien avec la pratique AIBS : Calculé en P6 (compétence C5) avec la fonction finance. Horizon usuel 3 à 5 ans.
Profils spécialistes
Data Scientist
Spécialiste responsable de la modélisation des données : choix des algorithmes, entraînement, évaluation des performances, atténuation des biais. Distinct du Data Engineer (préparation des données) et du ML Engineer (industrialisation).
Lien avec la pratique AIBS : Spécialiste mobilisé en P4 (esquisse de solution), P5 (KPIs ML, biais), P8 (drift, retraining). L’AIBS oriente, le Data Scientist met en œuvre.
DPO — Data Protection Officer
Délégué à la protection des données. Responsable de la conformité aux exigences de protection des données (LPD, RGPD). Indépendant fonctionnellement, conseille la direction et les opérationnels, sert de point de contact avec les autorités de contrôle.
Lien avec la pratique AIBS : Partie prenante systématique des projets IA, mobilisé dès P0 (gouvernance) et continûment jusqu’à P8 (revues de conformité).
Rôles projet
Sponsor
Décideur exécutif portant la responsabilité de l’engagement de l’organisation sur un projet IA. Dispose de l’autorité et du budget. Sans sponsor identifié, un projet IA n’a pas de fondement organisationnel solide.
Lien avec la pratique AIBS : Interlocuteur principal de l’AIBS pour les décisions structurantes. À identifier dès P0 et à maintenir engagé jusqu’à P8.
Parties prenantes
Stakeholder
Partie prenante d’un projet IA : individu, groupe ou entité affecté par le projet ou pouvant l’influencer. Catégories typiques : utilisateurs directs, encadrement, fonctions support (IT, RH), fonctions de contrôle (DPO, conformité, juridique, sécurité), sponsor, parties externes éventuelles.
Lien avec la pratique AIBS : Cartographie systématique en début de phase, mise à jour régulière. Stratégie d’engagement différenciée selon pouvoir et intérêt.
Pratiques
MLOps
Ensemble de pratiques visant à industrialiser le cycle de vie des solutions ML : déploiement, monitoring, retraining, gestion de versions, gouvernance. Équivalent du DevOps appliqué au ML.
Lien avec la pratique AIBS : Cadre de référence pour la phase P8. Compréhension conceptuelle suffisante ; mise en œuvre par les fonctions d’exploitation.
Éthique IA
Biais (en IA)
Erreur systématique dans les sorties d’un système IA, conduisant à des résultats inéquitables ou inexacts. Plusieurs types existent : biais de sélection (données non représentatives), biais de mesure (collecte ou étiquetage biaisés), biais sociétaux (inégalités historiques reproduites), biais d’algorithme (architecture amplifiant certains comportements).
Lien avec la pratique AIBS : Compréhension conceptuelle attendue en C4 (faisabilité). L’AIBS identifie les groupes affectés et les conséquences métier ; les spécialistes conduisent l’analyse technique.
Démarche
POC — Proof of Concept
Démonstration partielle d’une solution visant à vérifier sa faisabilité technique. Utilisé typiquement pour valider une approche inédite avant engagement vers un développement complet. Selon les clarifications officielles de l’examen AIBS, un POC complet n’est pas exigé en P5 ; une évaluation par prototypage rapide ou analyse documentaire peut suffire.
Lien avec la pratique AIBS : Outil disponible mais non obligatoire. Pertinent pour les approches inédites ou les contextes à fort enjeu de validation.
Boussole AIBS — Manuel méthodologique non officiel pour le brevet fédéral d’AI Business Specialist.
Sources : Profil de qualification AIBS v15.04.2025 · Annexe directives FAAIB v1.01 · Document modules FAAIB v2.0 · Règlement examen v3.0 (mars 2026)