Une plage ensoleillée
Je vais à une plage ensoleillée. Dans mon sac, j’ai mis une serviette et de la crème solaire.
Dans cet exemple, une serviette convient à une sortie à la plage.
Essayer un exemple simple
Comment l’IA construit-elle une réponse?
Les détails de votre demande peuvent changer la réponse. Essayez cet exemple simple.
Exemple pédagogique préparéSans rien saisir
Quel mot pourrait suivre?
Je vais à une plage ensoleillée. Dans mon sac, j’ai mis
Choisissez un mot pour voir les possibilités de cet exemple.
Un nouveau détail change les possibilités.
Un détail utile peut changer la suite. Quand vous demandez de l’aide à une IA, donnez-lui les renseignements dont elle a besoin.
Appliquer cette idée à une vraie demande
Une IA peut utiliser les détails que vous fournissez. Comparez une demande vague à une demande qui lui donne du contexte utile.
Comparaison rédigée, pas une réponse d’IA en direct
Votre demande
Rédige une invitation.
Exemple de réponse
Vous êtes invités à un événement spécial! Venez passer un bon moment entre amis et voisins. Nous avons hâte de vous y voir.
Les détails sont maintenant accessibles au modèle. Ils améliorent la demande, mais vous devez quand même vérifier la réponse en les comparant.
Essayez avec un besoin réel
Quand vous serez prêt à essayer une conversation avec une IA, choisissez un message à écrire. Précisez le destinataire, ce que vous voulez dire et les faits à garder. Vérifiez la réponse avant de l’utiliser.
Lire les exemples complets
Ces probabilités sont inventées pour cet exemple. Ce ne sont pas des mesures provenant d’une IA.
Une promenade sous la neige
Je vais me promener dans la neige. Dans mon sac, j’ai mis un manteau et des gants.
Changez la sortie pour une promenade dans la neige : cet exemple propose d’abord un manteau.
Une bibliothèque tranquille
Je vais lire à la bibliothèque. Dans mon sac, j’ai mis un livre et un carnet.
Pour une visite à la bibliothèque, cet exemple propose d’abord un livre.
À la plage, cette simulation attribue 70 % à une serviette, 10 % à un manteau et 20 % à un livre. Dans la neige : 5 %, 85 % et 10 %. À la bibliothèque : 5 %, 5 % et 90 %. Choisir la valeur la plus élevée amorce trois suites différentes. Ces nombres illustrent le mécanisme; ils sont inventés.
Appliquer cette idée à une vraie demande
Comparaison rédigée, pas une réponse d’IA en direct
Seulement la tâche
- Votre demande
- Rédige une invitation.
- Exemple de réponse
- Vous êtes invités à un événement spécial! Venez passer un bon moment entre amis et voisins. Nous avons hâte de vous y voir.
Ajouter du contexte utile
- Votre demande
- Rédige une courte invitation chaleureuse à un échange gratuit de semences de quartier. Samedi 24 octobre, de 10 h à 13 h, dans la salle de réunion de la bibliothèque. Apporter des semences étiquetées si possible. Tout le monde est bienvenu. N’invente aucun détail.
- Exemple de réponse
- Venez à notre échange gratuit de semences de quartier le samedi 24 octobre, de 10 h à 13 h, dans la salle de réunion de la bibliothèque. Apportez des semences étiquetées si vous en avez, ou venez simplement découvrir. Tout le monde est bienvenu! Rencontrez vos voisins et trouvez de nouvelles idées pour votre jardin.
Essayez avec un besoin réel
Quand vous serez prêt à essayer une conversation avec une IA, choisissez un message à écrire. Précisez le destinataire, ce que vous voulez dire et les faits à garder. Vérifiez la réponse avant de l’utiliser.
Aller plus loin
Exemple pédagogique préparé
Un modèle de langage ne sort pas une réponse toute faite d’un tiroir. Il produit une suite à partir du contexte disponible, un jeton à la fois. Un jeton est un fragment de texte, pas toujours un mot entier.
Pour rendre la séquence lisible, cette simulation utilise des mots, des groupes de mots et de la ponctuation comme jetons simplifiés. Elle consulte des probabilités rédigées et choisit toujours la plus élevée. Elle ne comporte ni réseau neuronal, ni entraînement, ni inférence réelle. Les vrais vocabulaires sont beaucoup plus grands et la génération peut sélectionner un jeton moins probable. Cette illustration s’arrête après trois ajouts; une vraie génération peut s’arrêter sur un jeton de fin, une limite de longueur ou une autre condition d’arrêt.
À la plage, cette simulation attribue 70 % à une serviette, 10 % à un manteau et 20 % à un livre. Dans la neige : 5 %, 85 % et 10 %. À la bibliothèque : 5 %, 5 % et 90 %. Choisir la valeur la plus élevée amorce trois suites différentes. Ces nombres illustrent le mécanisme; ils sont inventés.
Que calcule le modèle, exactement?
Un modèle de langage décodeur produit des scores pour les prochains jetons possibles à partir des jetons précédents. Une fonction softmax transforme ces scores en distribution. La procédure de décodage choisit un jeton, l’ajoute et recommence. Cette génération vers l’avant diffère du remplacement d’un mot masqué à partir du texte situé de part et d’autre.
D’où viennent ces régularités?
Pendant l’entraînement, les paramètres du modèle sont ajustés à partir d’exemples. Lors de la génération, le contexte et ces paramètres appris déterminent les scores des prochains jetons. Modifier la demande change le calcul de cette réponse; cela ne réentraîne pas le modèle en soi.
Pourquoi une suite probable peut-elle être fausse?
La distribution des prochains jetons porte sur le texte qui suit dans un contexte. Elle n’indique pas directement la probabilité qu’une affirmation réelle soit vraie. Une réponse cohérente nécessite encore des preuves. Les outils, la recherche documentaire, l’évaluation et la vérification humaine peuvent ajouter des contrôles, chacun avec ses limites.
Explorer les sources originales
Références primaires. Elles expliquent les mécanismes; les exemples ici sont des simulations pédagogiques rédigées.
Essayez ensuite une conversation
Voyez comment une petite demande change un message familier, sans rien saisir.
Écrire un message avec l’IA