Dessine-moi un mouton !

Contrairement aux humains, l’IA ne possède pas l’expérience du monde réel qui lui permettrait de saisir les sens contextuels des mots. Cette limitation est en partie due aux origines linguistiques complexes de l’anglais, où de nombreux mots portent des significations multiples et des nuances variées. Pour l’IA, le langage est constitué de code brut sans sens intrinsèque, et sans contexte humain, elle peut interpréter des mots de manière inattendue. Par exemple, si vous demandez à une IA de « dessiner une balle », cela pourrait aboutir à des représentations aussi variées qu’un ballon de football ou une boule de cristal.

Pour limiter ces interprétations multiples, il est essentiel d'utiliser un langage précis qui délimite le sens voulu. Des détails explicatifs et des exemples peuvent réduire l’ambiguïté. Ainsi, plutôt que de dire simplement « dessine une balle », il serait plus efficace de demander « dessine une balle de tennis avec une texture jaune et duveteuse ».

Avec nos relations et par nos discussions, les expressions faciales, les gestes, et autres signaux visuels véhiculent souvent autant de sens que les mots eux-mêmes. Cependant, dans les interactions avec une IA, où nous communiquons par des consignes textuelles, ces indices familiers disparaissent entièrement.

Cette perte des indices non verbaux introduit un défi unique dans les échanges humain-IA. Les recherches montrent que les gens tendent à utiliser des instructions plus courtes et moins nuancées lorsqu’ils interagissent avec des interfaces informatiques, comparé aux conversations humaines. De manière générale, nous nous appuyons fortement sur des signaux non verbaux, tels que les gestes et le langage corporel, pour transmettre le sens de nos propos. Mais lorsque nous communiquons avec une IA, notre « boîte à outils » de communication se réduit aux mots seuls. 

Communiquer efficacement avec une IA demande un léger changement de perspective, où nous décomposons nos objectifs plus larges et nos idées complexes en instructions logiquement séquencées, précises et sans ambiguïté. 

Bien que les modèles d’IA soient souvent capables de traiter des tâches complexes, une seule instruction (ou « consigne zéro ») ne permet pas toujours de mener à bien une tâche complexe ou donne parfois des résultats imprécis.

Les consignes zéro peuvent fonctionner pour des tâches simples, mais elles sont souvent insuffisantes pour des objectifs plus complexes. Plutôt que d’essayer de tout faire en une seule étape, décomposer votre objectif global en étapes plus petites et progressives peut aboutir à des résultats plus précis et plus utiles. Cette approche, parfois appelée « chaîne de pensée », permet de guider l’IA de manière plus précise à chaque étape de la tâche.

Pour mettre en œuvre cette stratégie, envisagez les étapes suivantes :

• Commencez par bien définir votre objectif global.
• Décomposez cet objectif en une série de sous-tâches plus petites et gérables.
• Rédigez des consignes spécifiques pour chaque sous-tâche, en veillant à ce qu’elles se succèdent de manière logique.
• Fournissez du contexte ou des exemples si nécessaire pour clarifier vos attentes.

Cette approche améliore non seulement la précision des résultats générés par l’IA, mais vous offre également un meilleur contrôle sur le processus, permettant des ajustements et des améliorations à chaque étape.

Lorsqu’on interagit avec des IA, fournir des exemples permet de :

• Définir des limites claires : Fixez le cadre et le style du résultat souhaité, réduisant ainsi le risque que l’IA produise un contenu hors sujet.
• Établir des objectifs concrets : Donnez à l’IA une cible précise, ce qui améliore la pertinence et la qualité de ses réponses.
• Démontrer des formats ou structures souhaités : Les exemples montrent à l’IA comment organiser ou présenter les informations.
• Clarifier des concepts abstraits : Les idées complexes ou nuancées deviennent plus tangibles avec des exemples concrets.
• Réduire l’ambiguïté : Des exemples précis diminuent les risques d’erreurs d’interprétation ou de résultats involontaires.

Gardez à l’esprit que la qualité de vos exemples influence directement celle des réponses de l’IA ; il est donc conseillé de choisir des exemples proches du résultat souhaité. Si les résultats initiaux ne sont pas satisfaisants, n’hésitez pas à affiner vos consignes ou à fournir des exemples supplémentaires.

Lors de l’utilisation d’un outil IA, spécifier la perspective souhaitée peut influencer la qualité du contenu généré. Cela peut s’appliquer à différents aspects de la création de contenu, comme :

• Voix narrative : Indiquez si vous souhaitez un contenu à la première, deuxième ou troisième personne.
• Perspective temporelle : Précisez s’il s’agit d’une analyse historique, actuelle, ou d’une projection future.
• Point de vue culturel : Indiquez si vous avez besoin d’une approche culturelle spécifique ou multiculturelle.
• Cadre théorique : Indiquez la perspective académique ou philosophique souhaitée (par ex., théorie féministe, post-colonialisme, ou approche comportementaliste).
• Point de vue des parties prenantes : Dans des contextes politiques ou commerciaux, vous pourriez préciser quel point de vue privilégier.

En définissant la perspective, vous aidez l’IA à produire un contenu qui correspond davantage à vos attentes et à vos besoins.

La question des biais dans les systèmes d’IA.

Les modèles d’IA sont entraînés sur de vastes ensembles de données créés par des humains, qui contiennent inévitablement des biais sociétaux. En spécifiant une perspective, vous pourriez déclencher ou amplifier ces biais sans le vouloir. Par exemple, en demandant une perspective de « leadership traditionnel en affaires », l’IA pourrait générer du contenu reflétant des biais de genre présents dans la littérature d’affaires traditionnelle. De même, une demande de « perspective historique » pourrait produire une vision eurocentrique si les données d’entraînement sont majoritairement issues de sources occidentales. Nous explorerons cet aspect en profondeur au Chapitre 7, mais il est déjà important de savoir que ces biais existent.

Pour atténuer les biais, il peut être utile de :

• Être conscient des biais potentiels dans la perspective choisie.
• Demander explicitement des points de vue divers ou des contre-arguments.
• Évaluer de manière critique le contenu généré par l’IA pour détecter les biais involontaires.
• Considérer plusieurs perspectives contrastantes pour obtenir une vision plus équilibrée.

Hallucinant

Les systèmes d'IA modernes, en particulier les modèles de langage de grande taille (LLM), sont conçus pour comprendre et répondre au langage naturel, tel qu'il est utilisé dans des conversations humaines. Ces modèles sont formés à partir de vastes corpus de textes rédigés par des humains, incluant des livres, des articles et des discussions en ligne, ce qui leur permet de saisir les nuances, le contexte et l'intention dans le langage naturel.

Les avantages de l'utilisation du langage naturel avec les systèmes d'IA sont nombreux :

• Compréhension améliorée : Les modèles d'IA peuvent mieux interpréter votre intention lorsque vous fournissez un contexte et des détails de manière conversationnelle.
• Réponses plus nuancées : Les instructions en langage naturel permettent à l'IA de percevoir les subtilités et de répondre avec des informations plus appropriées au contexte.
• Réduction de la charge cognitive : Vous n'avez pas besoin d'apprendre un « langage de l'IA » ou une syntaxe spécifique ; vous pouvez interagir comme vous le feriez avec un collègue humain.

Il est important de noter que bien que les systèmes d'IA excellent dans le traitement du langage naturel, ils ne « comprennent » pas vraiment de la même manière que les humains. Ils génèrent des réponses en fonction des modèles dans leurs données d'entraînement, ce qui signifie qu'ils peuvent parfois produire des textes fluides et plausibles, mais factuellement incorrects ou dénués de sens. Ce phénomène est appelé « hallucination ».

En fournissant un contexte, vous « préparez » effectivement le modèle d'IA. Cela permet au modèle de filtrer sa vaste base de connaissances et de se concentrer sur la génération de contenu le plus pertinent possible en fonction de vos besoins spécifiques. C'est un peu comme donner à un collaborateur humain un brief détaillé avant de commencer un projet.

De plus, définir un contexte peut aider à atténuer certaines des limites inhérentes aux modèles d'IA :

• Cela réduit la probabilité que l'IA génère du contenu hors sujet ou non pertinent.
• Cela aide à maintenir la cohérence entre plusieurs interactions ou résultats générés.
• Cela peut guider l'IA pour utiliser une terminologie ou un jargon adapté à votre domaine.
• Cela vous permet d'influencer indirectement la position éthique ou la perspective du contenu généré.

N'oubliez pas que la qualité du contexte que vous fournissez influence directement celle du contenu généré par l'IA. Soyez aussi clair et précis que possible, mais préparez-vous également à ajuster votre approche de définition du contexte au fur et à mesure des essais et erreurs.

Une fenêtre de contexte représente la capacité de l'IA à retenir et à référencer les informations des échanges précédents. Cependant, contrairement à la mémoire humaine, la fenêtre de contexte d’une IA est généralement limitée et, selon l'outil d'IA utilisé, peut se restreindre à une seule session de conversation. La taille exacte de cette fenêtre de contexte varie en fonction du modèle d'IA avec lequel vous interagissez.

Points clés à retenir

Les principaux enseignements de l'activité « Perdu dans la traduction » peuvent être résumés comme suit :

• Lors de la communication avec une IA par des invites textuelles, soyez sans ambiguïté.
• Utilisez un langage naturel / soyez conversationnel.
• Fournissez un cadre contextuel.
• Offrez des exemples représentatifs.
• Décomposez les instructions complexes en tâches simples et ciblées.
• Précisez la perspective.
• Construisez une histoire partagée.

Avec de la pratique, vous apprendrez à transmettre vos intentions de manière claire et à minimiser les risques de « perdre quelque chose en traduction ».

Réflexion et discussion

1. Pensez à un moment où vous avez eu une rupture de communication avec quelqu'un, où votre message n'était pas clair ou a été mal compris. Quels facteurs ont contribué à cette communication inefficace ? Comment ces mêmes défis pourraient-ils se présenter lorsque vous communiquez avec une IA uniquement par des invites textuelles (ou vocales) ?
2. Ce chapitre a abordé des stratégies comme l'utilisation d'un langage sans ambiguïté, la fourniture de contexte et d'exemples pour communiquer avec l'IA. Sur la base de vos apprentissages, essayez de rédiger des instructions pour un assistant IA. Ensuite, évaluez de manière critique cette instruction, en la comparant à la manière dont vous demanderiez à un humain de réaliser la même tâche. Réfléchissez à des façons de reformuler votre instruction pour améliorer son ton conversationnel.
3. Ce chapitre traite de la traduction des objectifs généraux en instructions spécifiques pour l'IA. Pratiquez ce processus de traduction pour un scénario d'exemple, comme la décomposition des tâches nécessaires pour une revue de littérature. Essayez de réduire chaque tâche à une action ciblée et de les ordonner de manière logique.