Comment écrire des instructions efficaces pour l’IA

Vous pouvez faire de grandes choses grâce à l'intelligence artificielle. Enfin, si vous savez comment écrire (et réécrire) d'excellentes instructions d'IA.

Ce n'était pas mon cas. J'ai donc parlé à mon collègue Theo Bleier, un ingénieur de l'IA qui passe ses journées à bricoler les instructions prédéfinies que vous voyez lorsque vous utilisez Notion AI. À présent, je suis en mesure de vous expliquer comment utiliser la puissance incroyable de l'IA générative pour améliorer votre travail et votre vie, dès aujourd'hui.

Remarque : l'ensemble des instructions et des réponses de cette publication ont été réalisées dans Notion AI. Cependant, les principes que nous abordons devraient fonctionner de la même manière dans n'importe quel grand modèle de langage (LLM) standard.

Les grands modèles de langage (LLM) tels que Notion AI, ChatGPT et Llama utilisent des ensembles de données comprenant de grands volumes de langage, soit l'équivalent de millions de livres, de pages Web, etc. Ils transforment chaque mot (ou partie d'un mot) dans ces milliards de phrases en un jeton, puis classent chaque jeton en fonction de sa fréquence d'utilisation par rapport à chaque autre jeton de cet ensemble de données.

Lorsque vous interrogez un modèle d'IA, il utilise ces classements pour étudier votre requête et vous renvoyer ce qu'il considère être une réponse idéale. Pour de simples interrogations, ce processus semble assez facile.

Mais les LLM s'écartent parfois de leur classement de jetons afin de générer une réponse créative, d'où le nom « IA générative ». Le résultat peut être assez, disons, troublant.

Comment la stratégie de classement de jetons des modèles de langage produit-elle des capacités complexes de langage et de conversation ? Cette question fait actuellement l'objet de recherches. Mais nous n'avons pas besoin de comprendre pleinement ce processus pour apprendre à le manipuler.

Les modèles d'IA générative ne ressemblent ni à Siri ni à l'Assistant Google, qui ne répondent efficacement qu'à des phrases exactes. Ayant été entraîné sur des montagnes de dialogues conversationnels, votre modèle de langage connaît toutes les nuances utilisées par les gens pour parler entre eux et s'envoyer des messages. Parlez-lui comme vous parleriez à un humain et vous obtiendrez une meilleure réponse (plus humaine).

Simplifiez votre interrogation autant que possible tout en expliquant votre requête en détail (nous y reviendrons plus tard). Plus votre langage est clair, moins le modèle risque de mal interpréter vos mots (nous y reviendrons également plus tard).

Lorsque vous dites « Ne pas faire (ou tout autre verbe)... », un LLM risque de se concentrer sur le « faire » tout en ignorant le « ne pas ». Il est donc susceptible de faire exactement ce que vous pensez lui avoir demandé d'éviter. Donc :

À ÉVITER : n'inclus pas de listes incomplètes.

À PRIVILÉGIER : inclus uniquement des listes complètes.

Maintenant que nous avons abordé la manière de parler à notre LLM, passons à ce dont nous allons lui parler. J'ai choisi un projet de recherche pour lequel un analyste de marché typique pourrait avoir besoin d'aide, mais vous pouvez demander à l'IA tout ce que vous voulez, des devoirs scolaires à la préparation d'un excellent menu pour le réveillon du Nouvel An. Les mêmes principes s'appliquent.

Supposons que vous soyez analyste de marché pour une entreprise d'articles de sport et que vous deviez rédiger un rapport sur les meilleures villes américaines dans lesquelles lancer une nouvelle gamme de matériel de camping. Comment devriez-vous formuler votre demande ?

Vous voulez que votre modèle fasse le travail d'un analyste de marché ? Commencez par dire ceci :

Je sais, c'est bizarre, mais ça marche. Les LLM s'entraînent sur le langage humain. Dites à votre modèle d'imaginer qu'il est analyste de marché et il se concentrera sur les modèles de jetons liés à de véritables analystes de marché. Si l'on considère les choses sous cet angle, il n'est pas si étrange de donner une identité à son modèle. Lui dire de :

avant de répondre à votre demande, c'est vraiment bizarre, mais apparemment ça fonctionne aussi.

Les modèles de langage comprennent la langue, un jeton à la fois. Chaque jeton compte, c'est pourquoi il est important d'être concis·e, mais vous ne pouvez pas non plus partir du principe que votre modèle interprétera correctement une demande vague.

Cette réponse réfléchie souligne poliment que nous n'avons pas donné à notre modèle assez d'informations pour nous offrir une réponse pertinente. Adaptons notre demande en conséquence :

Oups, nous voulions que notre rapport précise des lieux :

Vous avez remarqué comme une légère adaptation de la demande permet d'obtenir un changement significatif dans la réponse de notre IA ? On peut se demander ce qu'une adaptation plus importante donnerait.

La façon dont la réponse de l'IA se rapproche de ce que nous voulons lorsque nos instructions sont de plus en plus claires nous amène à l'un de nos conseils les plus importants :

Jusqu'à présent, nos instructions étaient assez courtes. Mais les LLM sont capables de traiter de grandes quantités de données. Ce qui signifie qu'une fois que vous maîtriserez la rédaction d'instructions, vous pourrez leur demander bien plus. En fait, l'un des avantages de Notion AI par rapport aux LLM comme ChatGPT est qu'au lieu de partir d'une page blanche, vous pouvez partir d'une page existante et dire à l'IA quelque chose comme « En suivant les lignes directrices ci-dessus... » ou « Consulte le tableau ci-dessus pour obtenir des statistiques actualisées concernant ces villes ».

Vous pouvez également ajouter des phrases explicatives à votre demande pour pouvoir anticiper les problèmes que le modèle pourrait rencontrer ou les décisions qu'il pourrait être amené à prendre.

Voici un résultat qui mérite d'être étudié. Notre IA a choisi quatre villes : Denver, Seattle, Austin et Minneapolis. Lorsque nous avons ajouté vouloir uniquement des villes dans lesquelles tombent au moins six centimètres de neige par an, le modèle a remplacé Anchorage et Burlington par Seattle et Austin, tout en modifiant son raisonnement pour se concentrer sur les chutes de neige totales de chaque ville.

Mais est-ce vraiment une liste idéale ? À New York, il tombe environ 60 centimètres de neige par an ; voulons-nous vraiment nous concentrer sur Anchorage plutôt que sur la Big Apple pour vendre notre matériel de camping ?

On peut en tirer quelques leçons pour l'écriture de demandes.

L'une d'elles est que les modèles de langage peuvent être imprévisibles et même faire des erreurs. Notre IA nous signale qu'Anchorage est « la ville connaissant les plus fortes chutes de neige aux États-Unis (en moyenne 255 centimètres par an) ». Mes recherches me disent qu’Anchorage a une moyenne de 195 centimètres de neige par an et que la ville la plus enneigée des États-Unis est Buffalo, dans l'État de New York, avec plus de 280 centimètres par an. Et en effet, lorsque je pose la même question au modèle quelques jours plus tard, j’obtiens un résultat plus précis :

Cette tendance des modèles d'IA générative à produire de temps en temps de faux résultats est appelée « hallucination » par les informaticiens. Nous pouvons nous prémunir contre la tendance de notre modèle à nous induire occasionnellement en erreur en le redirigeant vers ce qu'il fait de mieux.

Jusqu'à présent, nous avons demandé à notre IA de recueillir des informations sur Internet. Mais la compétence la plus puissante d'un LLM est le langage : le comprendre, le travailler, le modifier, l'améliorer.

L'IA nous a aidés à choisir les villes sur lesquelles notre campagne doit se concentrer. Pour le dernier rapport, demandons-lui de transformer un condensé d'informations sur chaque ville en une conclusion soignée. Nous allons lui montrer quoi faire en commençant notre demande par un « exemple few-shot », c'est-à-dire un exemple de l'entrée que le modèle va recevoir et de la sortie que nous attendons de lui. Nous ajouterons ensuite des notes concernant une ville sur laquelle nous aimerions qu'il fasse un rapport :

Plutôt pas mal, non ? Il nous aura fallu un certain temps, mais nous avons trouvé comment utiliser notre modèle pour parcourir Internet et faire des suggestions, puis pour utiliser les informations que nous sélectionnons afin de rédiger un texte avec lequel nous pouvons travailler. L’IA a même donné les bons chiffres concernant la population !

Mais en vérifiant les données de base de l'IA sur Salt Lake City, j'ai quand même remarqué que le modèle avait omis de mentionner que les montagnes entourant la ville voient tomber environ 13 mètres de neige par an. Cette information ne devrait-elle pas figurer dans la synthèse ?

Bien sûr, mais vous voilà maintenant en pleine réflexion avec la deuxième leçon importante pour la rédaction d'instructions : c'est en fait beaucoup de travail ! Les humains communiquent entre eux depuis des dizaines de milliers d'années. Nous étudions comment communiquer avec les modèles de langage depuis quelques mois seulement. Comment savoir si nous faisons bien les choses ? Ne pourrions-nous pas continuer à adapter nos instructions indéfiniment ?

Oui, nous pourrions, et c'est là un aspect important lorsque l'on travaille avec l'intelligence artificielle : plus vous y consacrez d'efforts, plus vous en tirerez profit. L'IA n'efface pas notre travail. Elle renforce nos capacités et nos efforts et nous permet d'atteindre des objectifs que nous n'aurions jamais pu atteindre seuls.

Et bien sûr, nous ne faisons que commencer. Quelles merveilles l'IA de demain pourra-t-elle réaliser ? Les possibilités sont infinies. Commençons à les découvrir.