J’ai publié des articles sur de grands modèles de langage comme GPT-4 et Llama-2 : comment les entraîner, les affiner, améliorer leurs résultats à l’aide des paramètres ou des prompts, et bien plus encore. Mais je n’ai abordé que très rapidement leur véritable impact sur notre monde. Je crois aussi qu’il est important de montrer ce que nous pouvons réellement faire avec un modèle de langage de ce genre. Voici 5 applications vraiment géniales entièrement bâties autour d’un grand modèle de langage comme GPT, que vous pouvez déjà réaliser vous-même sans aucune connaissance en programmation !
Ne perdons pas une seconde de plus et plongeons dans les choses les plus géniales que des gens ont bâties principalement avec un LLM comme le modèle GPT-4 d’OpenAI.
1. Analyser des sources de données et communiquer avec elles
La première application, et la plus géniale selon moi, consiste à créer assez facilement votre propre robot conversationnel pour votre documentation. À l’aide d’une technique appelée génération augmentée par la recherche, vous pouvez prendre n’importe quelle source de documentation, y compris des livres, des sites Web comme Wikipédia, etc., puis l’enregistrer dans une mémoire. Ensuite, il suffit d’utiliser un modèle comme GPT-4 avec de bons prompts pour qu’il réponde uniquement aux questions qui semblent liées à votre jeu de données. Vous pouvez même lui demander de fournir les sources de ses réponses si vos données sont accessibles en ligne.
Par exemple, chez Towards AI, nous venons de lancer un tuteur IA sur lequel nous travaillions. Vous pouvez l’essayer dès maintenant avec le lien ci-dessous si vous souhaitez voir par vous-même comment fonctionne une telle application. Il peut répondre à la plupart des questions sur l’IA associées aux deux cours que nous avons créés sur LangChain et les LLM.
La génération augmentée par la recherche, ou RAG, est mon approche préférée pour utiliser les LLM. Elle atténue beaucoup de problèmes d’hallucination, puisque vous demandez au modèle de répondre uniquement à partir de la documentation que vous contrôlez.
Abonnez-vous à mon infolettre pour en savoir plus :
[
The What’s AI Weekly par Louis-François Bouchard | Substack
2. Bâtir des copilotes et des assistants personnalisés
En parlant de données, vous pouvez utiliser un LLM comme assistant personnel pour le sujet de votre choix. Pratiquement n’importe quel sujet ou domaine auquel vous pouvez penser. Par exemple, une entreprise appelée Spark Stylist a créé un assistant de mode avec MindStudio. Elle combine des directives astucieuses et des prompts destinés au robot avec de nombreuses questions personnelles posées à l’utilisateur, dont les réponses sont ensuite intégrées aux connaissances du robot. Vous pouvez alors lui poser n’importe quelle question sur votre façon de vous habiller ou sur la mode, et il vous répondra en fonction de votre personnalité.
L’utilisation de telles données personnalisées est extrêmement importante pour rendre votre système plus intelligent et robuste. C’est aussi une bonne idée de définir ses limites, son comportement et les moments où il ne devrait pas répondre si vous voulez un assistant sécuritaire et robuste.
3. Créer des robots conversationnels interactifs avec une personnalité détaillée et des connaissances précises
Vous pouvez reproduire pratiquement n’importe quelle personnalité ou source de connaissances si vous y avez accès. Par exemple, vous pouvez donner tous les livres de Platon à un modèle de langage et obtenir votre propre Platon. Ce n’est peut-être pas très utile dans le monde réel, mais amener votre modèle à se comporter d’une façon précise peut être très puissant pour une marque. Par exemple, une entreprise a utilisé MindStudio afin de bâtir un robot conversationnel capable d’élaborer une stratégie d’affaires en suivant précisément les tactiques de « L’Art de la guerre » ! Le tout repose sur ce livre. Alors oui, vous pouvez téléverser des textes complets et non seulement demander un résumé limité par un nombre maximal de jetons ! Vous pouvez ensuite utiliser leur système pour appliquer les apprentissages et les conseils d’affaires directement inspirés de L’Art de la guerre !
Ce n’est qu’un exemple concret parmi tant d’autres. Vous pourriez donner à un modèle de langage n’importe quel livre, balado ou transcription vidéo, puis le faire agir et répondre en suivant ces personnalités ou ces incroyables sources de connaissances ! Par exemple, l’un de mes amis bâtit actuellement un tel système à partir de tous les épisodes du balado d’Andrew Hubberman, et j’ai vraiment hâte de l’essayer.
4. Des correcteurs, pour l’écriture et le code !
Mon utilisation préférée des LLM concerne l’écriture et la programmation. Comme l’anglais n’est pas ma langue maternelle, ChatGPT est extrêmement utile pour corriger ma grammaire, m’aider à améliorer certaines parties de mes textes ou, à tout le moins, réfléchir avec moi. C’est comme toujours avoir un ami aux idées infinies. Même si ces idées sont souvent plutôt mauvaises, certaines sont excellentes ou faciles à adapter. Maintenant que j’y pense, c’est un peu comme avoir un ami extrêmement créatif, ou sous l’effet d’une certaine substance, qui peut vous inonder d’idées plus ou moins liées à ce que vous voulez écrire. Une idée sur dix finira sûrement par fonctionner.
De la même façon, les LLM pour programmer sont tout simplement incroyables. Ils peuvent vous générer des fonctions ou du code très utiles en une fraction de seconde, au lieu de vous obliger à tout écrire vous-même ou à chercher une approche semblable sur Google pour l’adapter. Le seul détail, c’est qu’il faut travailler un peu pour décrire exactement ce dont vous avez besoin, mais cela en vaut vraiment la peine. Si vous programmez sans l’aide de l’IA, comme je le faisais encore il y a deux mois, je vous encourage fortement à l’essayer et à persévérer pendant au moins une semaine. Vous deviendrez accro, je vous le promets.
Personnellement, je le fais dans l’interface de ChatGPT avec GPT-4, dont les résultats sont bien meilleurs que ceux de GPT 3.5.
5. Bâtir pour vous un programmeur, ou même un créateur d’entreprise !
Les LLM peuvent également servir à bâtir une équipe de programmeurs ou une entreprise complète à partir de rien. C’est le cas de MetaGPT, qui vous permet d’enchaîner des modèles de langage appelés agents afin de reproduire les rôles d’une industrie et de créer des applications basées sur du code, comme des jeux vidéo, et bien plus encore. De façon semblable, BabyAGI et AutoGPT peuvent gérer des tâches de complexités variées. MetaGPT se démarque en intégrant des procédures opérationnelles normalisées humaines, ou SOP, pour contourner le problème courant des « hallucinations », où l’IA produit des informations absurdes ou inexactes.
Le modèle MetaGPT emploie plusieurs agents, chacun affecté à une tâche spécialisée et guidé par des SOP afin d’assurer la précision et la cohérence. Cette approche stratégique ressemble à une équipe de professionnels qui travaillent ensemble, chacun maîtrisant son rôle précis afin de créer un produit final complet et peaufiné. Les objectifs et les contraintes définis par l’utilisateur précisent encore davantage le processus et veillent à ce que le résultat de l’IA corresponde étroitement aux attentes et aux normes humaines.
Dans ce cadre innovant, chaque agent d’IA contribue à un flux de travail harmonieux. Leurs interactions et leurs résultats sont documentés méticuleusement afin d’améliorer la cohérence et de réduire les erreurs. Nous obtenons ainsi un processus efficace et simplifié qui transforme la requête initiale d’un utilisateur en un projet terminé et peaufiné, qu’il s’agisse d’un jeu vidéo sophistiqué ou d’un modèle d’affaires complet. Cette utilisation très avancée des LLM est plutôt récente et connaît une véritable explosion, avec une tonne de nouvelles approches en développement. En passant, vous pouvez déjà toutes les essayer et les utiliser avec une clé OpenAI ou un modèle à code source ouvert comme Llama-2 comme modèle de langage pour les agents. Vous n’avez qu’à demander ce que vous voulez, et les agents le feront pour vous !
En bref, nous avons vu que les modèles de langage peuvent accomplir une grande variété de tâches. Ils ne sont pas seulement intéressants à comprendre, ils sont aussi vraiment géniaux à utiliser et à apprendre à mieux contrôler. Les maîtriser est vraiment un art, et cela demande de la pratique. Ils ne sont toutefois pas généralistes. Même si ChatGPT est lui-même extrêmement puissant, ces modèles sont beaucoup plus sécuritaires lorsque vous contrôlez leur environnement et tous les cas possibles. Pour l’instant, jusqu’à ce que les modèles deviennent réellement intelligents, plus votre application est précise, plus vous pouvez l’héberger et la partager de façon sécuritaire, et plus elle peut être puissante !
J’aimerais vraiment savoir si vous connaissez d’autres applications bâties avec des LLM que je n’ai pas présentées ici !
Merci d’avoir lu l’article au complet. Je vous retrouve la prochaine fois avec d’autres nouvelles et approches en IA !
FAQ
Ces applications de GPT-4 exigent-elles de l’expérience en programmation ?
Non. Les exemples se concentrent sur des outils et des flux de travail que les gens peuvent bâtir autour d’un modèle de langage sans devoir d’abord apprendre à programmer.
Comment un LLM peut-il travailler avec des documents privés ou d’autres sources de données ?
Un robot conversationnel de documentation peut relier un modèle à certains livres, transcriptions, fichiers ou sources de connaissances et les utiliser pour répondre aux questions.
Pourquoi une marque donnerait-elle une personnalité précise à un modèle de langage ?
Une personnalité bien définie peut rendre la voix et les sources des réponses plus cohérentes, même si une révision humaine demeure nécessaire.
Que démontre un outil multiagent comme MetaGPT ?
Il enchaîne des agents fondés sur des modèles de langage et leur attribue des rôles reconnaissables afin qu’ils coordonnent les parties d’une tâche plus vaste, notamment la création d’applications basées sur du code.
Que faut-il garder en tête avant d’utiliser l’une de ces applications ?
Une démonstration soignée ne garantit pas des résultats fiables. Testez donc le flux de travail sur de vraies entrées et vérifiez vous-même les affirmations importantes ou le contenu généré.