Context Studios
AI Knowledge Base 2026

Glossaire IA 2026

Définitions claires pour l'ère de l'IA agentique et de l'intelligence spatiale.

Raisonnement & Fiabilité

Fenêtre de Contexte

La fenêtre de contexte désigne la quantité maximale de texte — mesurée en tokens — qu'un grand modèle de langage peut traiter et prendre en compte lors d'un seul appel d'inférence. Les tokens sont les unités de base du texte pour les LLM, correspondant approximativement à trois ou quatre caractères ou aux trois quarts d'un mot en anglais. La fenêtre de contexte définit ce que le modèle peut voir lors de la génération d'une réponse : conversations multi-tours, documents récupérés, fichiers de code et instructions se disputent cet espace limité. Les premiers modèles transformer comme BERT fonctionnaient avec des fenêtres de 512 tokens ; GPT-3 a étendu cela à 4 096 tokens. Les modèles de pointe actuels vont bien au-delà : GPT-4 Turbo offre 128 000 tokens, Gemini 1.5 Pro de Google prend en charge jusqu'à un million de tokens, et Claude 3.7 Sonnet d'Anthropic traite 200 000 tokens — suffisamment pour ingérer des contrats juridiques entiers, des bases de code ou des livres dans une seule invite. La fenêtre de contexte est une contrainte architecturale critique car les mécanismes d'attention se mettent à l'échelle de façon quadratique avec la longueur de la séquence. La Génération Augmentée par Récupération (RAG) a émergé en partie pour contourner les fenêtres de contexte limitées. GLM-5 prend en charge une fenêtre de contexte de 128 000 tokens. Chez Context Studios, la taille de la fenêtre de contexte est l'une des premières spécifications que nous évaluons lors du choix d'un modèle de langage pour un cas d'usage client.

Explore Concept
Business Agentique

Fiabilité des Agents

La fiabilité des agents (agent reliability) désigne le degré auquel un agent IA complète de manière cohérente et correcte les tâches souhaitées sans défaillances inattendues, comportements incontrôlables ou déviations du fonctionnement prévu. C'est l'une des exigences les plus critiques pour déployer des agents IA en production. Les facteurs affectant la fiabilité comprennent: le déterminisme, la gestion des erreurs, la robustesse aux cas limites, le respect des contraintes de ressources, et le taux d'hallucination. Les métriques de fiabilité des agents incluent: le taux de complétion des tâches, le temps moyen entre pannes (MTBF), le taux de récupération d'erreur, et le score de cohérence des sorties. Les stratégies pour améliorer la fiabilité: le scaffolding piloté par spécification, les budgets de phase, une gestion robuste des erreurs avec des solutions de repli, des évaluations régulières avec des tests de régression, et des systèmes de monitoring qui détectent les anomalies. À mesure que les systèmes agentiques deviennent plus capables et autonomes, l'ingénierie de la fiabilité devient de plus en plus importante — un agent peu fiable doté d'outils puissants est un risque, pas un atout.

Explore Concept