Le workflow, clé des résultats avec l’IA

OOndine

Des utilisateurs de modèles d’intelligence artificielle similaires peuvent obtenir des résultats très différents, selon Brief IA. L’écart dépend notamment de la façon dont ils cadrent les tâches, du contexte qu’ils conservent et des tâches qu’ils délèguent au modèle. Il dépend aussi de leur manière de réagir lorsque les réponses obtenues ne leur conviennent pas. Autrement dit, plusieurs choix de méthode interviennent dans le travail avec un même type de modèle, depuis la formulation de la tâche jusqu’aux ajustements demandés. Le contexte conservé permet de préciser les éléments disponibles pour la suite du travail, tandis que la délégation détermine ce que l’utilisateur confie au modèle. Amanda Askell illustre une approche pédagogique qui consiste à demander à l’intelligence artificielle d’expliquer une idée complexe sous la forme d’une fable, avant de lui donner son nom. La fable présente donc l’idée avant son intitulé, dans une démarche où l’explication vient en premier. Andrej Karpathy intègre, lui, les modèles de langage à un flux de travail combinant recherche sur le web, analyse de fichiers, utilisation de Python, création d’artefacts et codage. Son exemple associe plusieurs activités et outils, au-delà d’une demande isolée au modèle. Ces exemples présentent deux manières de travailler avec les modèles : demander une explication sous forme de fable, ou intégrer le modèle à un ensemble d’activités et d’outils. Les résultats peuvent donc varier selon le cadrage des tâches, le contexte conservé, les tâches déléguées et la façon de réagir aux réponses insatisfaisantes. Le modèle compte, mais la façon de l’utiliser contribue aussi aux différences observées entre utilisateurs.