Pourquoi cette série ?
L’intelligence artificielle générative s’installe dans les outils techniques : assistants de code, analyse de documents, recherche, support ou automatisation. Son vocabulaire peut pourtant sembler opaque lorsque l’on n’a pas suivi son évolution.
Cette série propose des repères simples mais exacts. L’objectif n’est pas de transformer le lectorat en spécialistes de la recherche, mais de donner aux équipes techniques un modèle mental solide : comprendre ce que fait un modèle, ce qu’il ne garantit pas et comment l’utiliser avec discernement.
Que signifie « générative » ?
Une IA générative produit un nouveau contenu à partir d’une consigne et d’un contexte. Selon le modèle, ce contenu peut être du texte, du code, une image, du son ou une combinaison de plusieurs formats.
Un grand modèle de langage, ou Large Language Model (LLM), reçoit du texte découpé en unités appelées tokens. À chaque étape, il estime une distribution de probabilités pour le token suivant, en tenant compte des tokens déjà présents. Un mécanisme de décodage choisit ensuite l’un des candidats, puis le processus recommence.
Cette description paraît modeste, mais la tâche d’apprentissage est immense. Pour bien prédire la suite d’un texte dans des contextes très variés, le modèle doit apprendre de nombreuses régularités : syntaxe, styles, associations de concepts, structures de code ou formes de raisonnement présentes dans ses données d’entraînement.
Le modèle ne consulte pas pour autant une copie du Web comme on interrogerait une base documentaire. Son entraînement a modifié des milliards de paramètres numériques afin d’y condenser des régularités statistiques. Il peut mémoriser certains éléments, mais il construit généralement sa réponse à partir de ce qu’il a appris et du contexte fourni.
Une réponse plausible n’est pas nécessairement vraie
Lors de la génération, un LLM sélectionne une continuation en fonction de son entraînement, de son contexte et de ses réglages. Aucun de ces mécanismes ne garantit la vérité de chaque phrase. Le modèle peut donc fournir une réponse convaincante mais fausse, inventer une référence ou compléter un détail absent. On parle couramment d’hallucination.
Cela ne signifie pas qu’il est incapable de résoudre des problèmes. Les modèles modernes peuvent résumer, classer, traduire, expliquer, produire du code et enchaîner plusieurs étapes de traitement. Mais leurs résultats restent sensibles à la formulation de la demande, aux informations disponibles et à la difficulté de la tâche.
Une bonne règle consiste à distinguer :
- la fluidité, que le modèle produit facilement ;
- la pertinence, qui dépend du contexte et de la consigne ;
- l’exactitude, qui doit être contrôlée lorsque l’enjeu l’exige.
Comment bien interagir avec un LLM
Une demande utile précise généralement cinq éléments :
- L’objectif : ce que vous cherchez à obtenir.
- Le contexte : l’environnement, le public ou le problème concerné.
- Les données : le texte, le log ou le code à examiner.
- Les contraintes : ce qui doit être inclus, exclu ou vérifié.
- Le format de sortie : liste, tableau, JSON, procédure ou réponse courte.
Comparez :
Analyse ce log.
avec :
Dans cet extrait de log, recense les erreurs de niveau
ERROR. Regroupe-les par message, compte leurs occurrences et cite une ligne représentative pour chaque groupe. N’invente aucune information absente du log.
La seconde demande réduit l’ambiguïté et rend la réponse plus facile à contrôler. Elle ne rend toutefois pas le modèle infaillible : pour une tâche importante, il faut comparer le résultat aux données d’origine.
Trois pièges à éviter
Confondre aisance et expertise
Le modèle peut employer le vocabulaire d’une personne experte sans disposer d’informations suffisantes. Demandez-lui de signaler ses incertitudes et de distinguer les faits observés de ses hypothèses.
Lui confier une tâche mal délimitée
Plus le périmètre est vague, plus le modèle doit deviner l’intention. Il est préférable de découper les demandes complexes et de définir le résultat attendu.
Transmettre des données sans vérifier les règles applicables
Avant d’envoyer des logs, du code ou des documents à un service externe, vérifiez leur niveau de sensibilité, les règles de votre organisation et les conditions du fournisseur. Les secrets, mots de passe et données personnelles doivent être supprimés ou traités dans un environnement explicitement autorisé.
À retenir
Un LLM n’est ni une base de connaissances parfaite, ni un simple moteur de recherche. C’est un modèle probabiliste capable de produire et de transformer du langage à partir d’un contexte. Il devient réellement utile lorsque sa mission est claire, ses données sont maîtrisées et ses résultats sont vérifiables.
L’article suivant ouvre le capot : réseaux de neurones, Transformers et mécanisme d’attention.