Les mauvaises habitudes à proscrire avec l'IA

L’industrie de l’intelligence artificielle évolue tellement vite qu’il n’y a pas vraiment de stratégie toute faite pour l’utiliser à son plein potentiel.

Malgré tout, si la stratégie idéale n’existe pas, il est beaucoup plus facile de savoir ce qu’il ne faut pas faire.

Pour l’édition de cette semaine, nous allons présenter les mauvaises habitudes à proscrire lorsqu’on utilise l’IA.

Formuler des requêtes n'importe comment

C’est la raison principale pour laquelle l’IA est moquée à l’heure actuelle.Beaucoup d’utilisateurs font des requêtes sans détails, sans contexte, et sans savoir quelles sont les capacités réelles du modèle qu’ils utilisent.

Ce faisant, beaucoup d’utilisateurs formulent des requêtes (ou “prompts”) de mauvaise qualité, ne comprennent pas pourquoi ils reçoivent des réponses de mauvaise qualité et préfèrent pointer du doigt les défaillances de l’IA plutôt que d’apprendre à s’en servir.

En règle générale, la qualité de la réponse dépend de la qualité de la question.Plus la requête est détaillée, meilleures seront les réponses et il y a de nombreuses façons d'ajouter des détails:

• Donner le contexte nécessaire. Par exemple, donner la situation initiale d’un problème ou le type d’expertise que le modèle va adopter
• Utiliser un langage simple. Il faut formuler aussi clairement que possible notre requête. Ainsi, il faut éviter autant que possible les jargons inutiles et les phrases trop longues et/ou complexes car cela apporte de la confusion.
• Décomposer les tâches. Si notre requête consiste à réaliser plusieurs tâches d’un coup, nous devons les diviser en plusieurs tâches simples pour gagner en clarté.
• Définir les contraintes. Par exemple, on peut demander de nommer des auteurs de science-fiction sans mentionner les plus connus.
• Spécifier le format souhaité. Les modèles d’IA sont capables de donner leurs réponses sous différentes formes comme des paragraphes, listes, tableaux, ou du code.

Même en ajoutant ces détails, il est tout de même nécessaire de tester différentes formulations, mais cela augmente considérablement nos chances d’obtenir des résultats satisfaisants.

N'utiliser qu'un seul modèle d'IA

À l’inverse des supporters de foot qui choisissent une seule équipe et qui la soutiennent envers et contre tout, il faut être prêt à changer de modèle d’IA à tout moment.

L’IA est un secteur extrêmement compétitif où de nouveaux modèles sont créés régulièrement et où les innovations se multiplient. Par conséquent l’adaptation est essentielle pour tirer le meilleur de cette technologie, et ça passe notamment par le fait d’utiliser plusieurs modèles d’IA différents.

Pour se faire une idée des modèles à utiliser, nous avons le classement “Chatbot Arena” qui évalue les modèles d’IA selon différents critères. Cela permet de savoir quels sont les modèles de référence et rester à l’affût des nouveautés.

Toutefois, ce classement ne donne qu’un aperçu général, car chaque modèle possède ses propres qualités et défauts qui seront plus ou moins adaptés à chaque utilisateur.

Par exemple, le modèle GPT-4o-latest d’OpenAI est le modèle le plus polyvalent à ce jour, c’est-à-dire qu’il est efficace peu importe la tâche. Cependant, le modèle Claude d’Anthropic est plus efficace pour traiter du texte.

Il peut même arriver que des modèles considérés comme “plus faibles” soient plus performants que d’autres sur des tâches très spécifiques. À ce compte-là, on peut citer le modèle Claude 3 Haiku qui excelle pour résumer des textes courts (jusqu'à 500 mots), et qui demande beaucoup moins de ressources que Claude 3.5 Sonnet, un modèle supposé plus performant.

Tout cela pour dire qu’il faut être prêt à changer de modèle d’IA à tout moment pour s’en servir au mieux.

Accumuler les abonnements

Bien qu’il soit recommandé d’utiliser plusieurs modèles d’IA différents, accumuler des abonnements est une mauvaise habitude pour de multiples raisons:

• Les abonnements peuvent s’additionner très vite et devenir une dépense importante tous les mois.
• Il y aura forcément des abonnements que nous utiliserons plus que d’autres, ce qui rend nos dépenses sous-optimales
• Comme n’importe quel autre système d’abonnement, il est facile de commencer mais extrêmement difficile d’arrêter par paresse ou par crainte de manquer des opportunités.

Rien qu’en France, 40% de la population continue de dépenser pour des abonnements qu’ils n’utilisent pas ou très peu, d’où la nécessité de trouver la bonne façon de dépenser.

Mais comment faire pour optimiser ses dépenses dans un environnement qui évolue tout le temps ? La meilleure réponse à cette question est d’utiliser un agrégateur de modèles d’IA.

Les agrégateurs de modèles d’IA tels que Poe ou BlueGPT présentent trois avantages décisifs.

Le premier avantage est que nous avons accès à des dizaines de modèles différents via un seul et même site web, ainsi il est beaucoup plus facile de s’y retrouver.

Le deuxième est que nous n’avons besoin que d’un seul abonnement pour accéder à tous les modèles. Même si la capacité de requête reste limitée en version payante (2000 requêtes/mois pour GPT-4o), elle reste largement suffisante pour une utilisation quotidienne peu importe le modèle.

Le dernier avantage est qu’il est possible de solliciter plusieurs modèles différents pour une même requête via la même interface. De cette manière, il est beaucoup plus simple de comparer plusieurs modèles entre eux, et connaître celui qui est le mieux adapté à nos besoins.

Croire les réponses sur parole

Quand bien même les modèles continuent de monter en performance, les dérapages peuvent toujours survenir.

La réponse ci-dessus est une hallucination, c’est-à-dire une réponse qui contient des informations erronées ou invente des faits et des analogies qui sont incorrects. Pour cette hallucination, nous avons la certitude que la réponse est fausse, et certaines réponses peuvent être vraiment drôles.

Cependant, il peut aussi arriver que certaines réponses donnent l’impression d’être vraies alors qu’elles sont objectivement fausses, et il arrive beaucoup plus souvent que les réponses données par les modèles d’IA soient incomplètes.

Plus les sujets sont nichés et/ou récents, plus les modèles d’IA seront susceptibles de donner des réponses incorrectes. C’est particulièrement vrai dans le sujet de la blockchain où les modèles d’IA peinent à formuler des réponses pertinentes sur des sujets précis.

Pour limiter les risques, il est nécessaire de croiser les sources d’informations, voire d’utiliser plusieurs modèles d’IA différents. Même si cette méthode fait perdre du temps, l’intégration de l’IA reste un net positif pour la productivité en général.

Transférer des données sensibles

Vu que l’IA est perçue comme un assistant personnel, on peut être tenté de demander tout et n’importe quoi, quitte à intégrer des données sensibles (données d’entreprise, données de santé…)

Le problème est que pour les modèles propriétaires tels que GPT-4, Claude ou Gemini, il y a une véritable opacité sur la façon dont les données sont utilisées. Plus inquiétant, il est possible d’effectuer certaines attaques pour extraire des données sur lesquelles ces modèles ont été entraînés.

Ceci est une véritable problématique qui soulève énormément de questions, en particulier pour les entreprises en Europe qui se doivent de protéger les données de leurs clients.

Certaines solutions ont été mises en place pour mitiger ce problème, comme par exemple l’utilisation de modèles d’IA en local, ou encore certaines entreprises qui conçoivent leur propre modèle d’IA pour garder la souveraineté de leurs données.

Quoi qu’il en soit, les données représentent un enjeu majeur et la prudence est de mise lorsqu’on utilise l’IA.

‍