Introduction

Que désigne l’intelligence artificielle ? Et comment pouvez-vous

l’utiliser

• 00 :13dans votre vie quotidienne ?

• 00 :17Vous pouvez utiliser la reconnaissance vocale pour convertir la

parole en texte.

• 00 :22Vous pouvez utiliser la vision par ordinateur pour détecter et

identifier des

• 00 :27objets dans des images et pour effacer des objets dans une
image ou flouter

• 00 :32l’arrière-plan de vos photos ou copier du texte directement à

partir de photographies.

• 00 :40Vous pouvez également utiliser la traduction automatique pour

convertir

• 00 :43une langue en une autre.

• 00 :48Vous utiliserez des chatbots pour discuter de choses.

• 00 :54Vous irez au-delà du chat et utiliserez des chatbots pour

apprendre à écrire et plus
• 01 :00encore dans ce cours gratuit. Vous en apprendrez davantage
sur l’IA en utilisant

• 01 :06des applications d’IA disponibles gratuitement

1.2 Ce que vous serez capable de faire

00 :05

Merci d’avoir voyagé avec la Metropolitan Time Travel Authority.

00 :08

Le prochain arrêt est une semaine dans l’avenir.

00 :15

Félicitations pour avoir terminé ce cours.

00 :18

Vous savez maintenant comment l’IA est utilisée pour flouter

00 :21

L’arrière-plan de cette photo.

00 :22

Vous savez maintenant pourquoi une phrase comme celle-ci peut être
traduite en ceci,

00 :27

Un gâteau, alors que cette même phrase pourrait également être

traduite

00 :32

En ceci, un jeu pour enfants.

00 :34
Vous pouvez maintenant également expliquer pourquoi demander à un
chatbot de résoudre

00 :38

Un problème avec cette formulation peut conduire à une réponse

incorrecte. Alors que

00 :42

Faire ce petit changement à la dernière phrase comme ceci peut

00 :45

Conduire à la bonne réponse.

00 :47

Vous savez maintenant comment utiliser les chatbots pour effectuer un

large éventail de

00 :51

Tâches, et vous vous êtes entraîné avec tous ces chatbots, y compris
ceux que vous pouvez

00 :56

Télécharger sur votre ordinateur personnel. Vous vous êtes entraîné

pour un entretien

01 :01

D’embauche en demandant à un chatbot de jouer le rôle de

l’intervieweur, et vous

01 :05

Avez guidé deux chatbots pour qu’ils collaborent, l’un pour jouer le rôle
d’un

01 :09

Écrivain et l’autre pour jouer le rôle d’un éditeur pendant que les deux
discutent

01 :14

Et révisent pour écrire un article.

01 :16

Et vous savez aussi comment l’IA peut vous aider à répondre à l’une
des

01 :19

Questions séculaires de la vie.

01 :21

Puis-je me garer ici ? Vous avez terminé avec un mini-projet ouvert où

vous avez

01 :24

Combiné les différents outils d’IA pour effectuer certaines tâches

quotidiennes et

01 :28

Réalisé une courte vidéo pour documenter votre projet.

01 :31

Eh bien, au moins, c’est un avant-goût de ce que vous pourrez faire

une fois

01 :33

Que vous aurez terminé ce cours.

01 :35

Revenons au début.

01 :37

Merci d’avoir voyagé avec la Metropolitan Time Travel Authority.

01 :40

Le prochain arrêt est le présent.

01 :44

Salut, content de te revoir.

01 :45

Vous êtes sur le point d’avoir un aperçu de l’intelligence artificielle et

01 :48

De l’apprentissage automatique.

01 :49

Ensuite, examinez les cas d’utilisation personnels pour la vision par

ordinateur, la

01 :53

Traduction automatique, puis obtenez un regard approfondi sur les

chatbots. Comment

01 :57

Ils se comportent et comment vous pouvez tirer le meilleur parti de

leur utilisation.

02 :00

Il y a plus d’une façon de suivre ce cours, selon le temps dont vous

disposez.

02 :04

Si vous voulez obtenir un aperçu rapide, vous pouvez simplement

02 :06

Regarder toutes les vidéos.

02 :07

Vous pouvez toujours revenir et faire une partie des exercices

pratiques

02 :10

Facultatifs plus tard.

02 :11

Lorsque vous avez le temps de vous entraîner davantage, après

chaque vidéo, vous verrez

02 :15

Un texte qui passe en revue certains points clés de la vidéo et fournit

également une
02 :19

Pratique facultative que vous pouvez essayer. La pratique concrète

vous aidera

02 :22

Vraiment à explorer et peut-être même à découvrir quelque chose de

02 :25

Nouveau de manière autonome.

02 :26

Donc, avant de commencer, j’aimerais que vous vous réchauffiez un

02 :29

Peu en sortant la main.

02 :31

Et maintenant, remuez vos doigts, levez le bras, pliez le coude et

tapotez-vous dans le

02 :37

Dos pour vous féliciter d’avoir commencé ce voyage dans l’IA.

02 :41

Votre futur moi vous remerciera.

02 :45

C’était génial, vraiment bien, cela semble bien.

02 :47

Merci.

1.1.1 Détection d’objets

12px
Français
00 :04
Si vous voulez savoir quel type de fleur c’est, une chose que
vous pouvez faire est
00 :08
De la prendre en photo, puis de demander à votre application
photo de
00 :10
Vous dire ce que c’est.
00 :11
Dans ce cas, il dit que c’est une pivoine.
00 :13
Alors, comment l’application fait-elle cela ?
00 :15
Jetons un coup d’œil à la vision par ordinateur et en particulier à
la
00 :18
Détection d’objets pour en savoir plus.
00 :21
Voici donc une photo que je regarde dans l’application Google
Photos en bas.
00 :25
Ici, vous pouvez cliquer sur Lens et vous verrez qu’il crée un
rectangle autour d’un
00 :30
Objet qu’il a détecté. Et dans ce cas, c’est moi. Une tâche
courante en vision par
00 :35
Ordinateur est d’identifier une sous-section d’une image qui
contient un objet d’intérêt.
00 :41
Pour ce faire, il définit un rectangle appelé cadre de sélection
00 :45
Qui entoure cet objet.
00 :46
Et théoriquement, il pourrait également créer un cadre de
sélection autour d’autres
00 :50
Objets d’intérêt. Par exemple, peut-être ici, ou peut-être là-bas,
ou peut-être même
00 :55
De retour ici. Cette tâche de définition des cadres de délimitation
autour des objets
00 :59
D’intérêt est appelée localisation d’objets.
01 :02
Quelque chose que je voudrais mentionner est que ces cadres de
sélection sont
01 :06
Généralement des rectangles et non d’autres formes comme des
cercles, des triangles ou
01 :10
Même des parallélogrammes parce que les rectangles sont assez
efficaces à définir et
01 :14
À travailler. Une autre chose que je voudrais noter est que la
localisation
01 :18
D’objets identifie simplement une région avec quelque chose
d’intéressant, mais
01 :22
N’inclut pas encore l’étape d’identification de ce qui se trouve
dans
01 :25
Ce cadre de délimitation.
01 :27
En d’autres termes, il vous indique où se trouve un objet dans
une image, mais pas ce
01 :31
Qu’est cet objet. Voici une autre photographie.
01 :34
Si je clique sur l’objectif ici, puis que je fais défiler un peu vers le
bas, vous pouvez
01 :39
Voir qu’il a classé cette image comme étant soit un chien
maltais, soit un terrier. Et
01 :44
Au fait, il s’appelle Tofu. Il s’agit d’une autre tâche courante en
vision par
01 :48
Ordinateur appelée classification d’images. Une chose à noter ici
est que la tâche de
01 :53
Classification n’inclut pas la création du cadre de sélection,
même si dans cette
01 :57
Démonstration, l’application a également créé une boîte
englobante autour du chien.
02 :02
La tâche de classification est uniquement axée sur l’identification
du nom
02 :06
Ou de l’étiquette d’une image.
02 :07
L’ensemble possible de sorties d’un classificateur d’images est
appelées classes.
02 :11
Quelques exemples de classes pourraient être une personne, une
fleur, un chien ou un
02 :17
Oiseau, par exemple pour identifier où se trouve un objet et ce
qu’il est.
02 :22
Vous pouvez combiner ces deux tâches. Ainsi, la localisation
d’objets nous permet
02 :25
D’obtenir ces cadres englobants où se trouvent ces objets.
Ensuite, vous pouvez
02 :29
Appliquer la classification de l’image sur la sous-image au lieu de
l’image qui se
02 :33
Trouve dans chaque cadre de sélection.
02 :35
Ainsi, vous obtenez personne, lunettes, fleur, arbre, par exemple,
cette combinaison
02 :41
De localisation d’objets et de classification d’image est
02 :44
Appelée détection d’objets.
02 :46
Notez que pour une seule photographie, la détection d’objets
peut
02 :50
Détecter plusieurs objets.
02 :51
Il y a certaines choses qui méritent d’être notées. Lorsque vous
utilisez une
02 :54
Application de détection d’objets, vous pouvez obtenir une
précision différente au
02 :58
Niveau de la classe. Par exemple, la classe sera probablement
plus
03 :01
Spécifique qu’une simple fleur.
03 :02
Mais ici, vous pouvez voir que cette fleur jaune est identifiée
comme un Dahlia.
03 :06
Et ici, vous pouvez voir que cette classe est légèrement plus
spécifique.
03 :11
C’est une *Dahlia pinata*. J’ai fait quelques recherches en ligne
et je pense que
03 :15
Ce dahlia jaune s’appelle un dahlia ‘Golden Torch’. Une autre
chose que je pense qu’il
03 :19
Est utile de savoir, c’est que l’angle ou le point de vue de la
caméra
03 :22
Peut affecter les résultats.
03 :23
Par exemple, cette photo de ce chiot mignon est prise de face.
03 :28
Le classificateur d’image suggère qu’il peut s’agir d’un feist, d’un
potcake, d’un cur,
03 :33
D’un Hound Aspen ou même d’un pit-bull. Si j’utilise une photo
du même chien sous un
03 :37
Angle différent. Dans ce cas, cela montre son corps un peu plus,
et le classificateur
03 :42
D’image suggère qu’il pourrait s’agir d’un mountain view cur,
d’un Cajun squirrel dog
03 :47
Ou d’un black mouth cur. Et au fait, le nom de ce chiot est Neo.
Vous pouvez également
03 :52
Voir des résultats différents ou meilleurs si vous ajustez le cadre
de sélection
03 :56
Manuellement, par exemple ici, étant donné le cadre de sélection
par défaut, vous ne
04 :01
Voyez aucun texte qui suggère de quel type d’oiseau il s’agit.
04 :05
Vous ne voyez que quelques images similaires et vous en
apprendrez plus sur ces résultats
04 :08
De recherche dans la vidéo suivante. Mais si vous ajustez
manuellement le cadre de
04 :12
Sélection, généralement en l’ajustant plus étroitement autour de
l’objet,
04 :15
Vous pourriez obtenir de meilleurs résultats.
04 :16
Alors maintenant, le classificateur d’image donne quelques
classes suggérées, manchot de
04 :21
Humboldt, manchot africain et manchot. Vous avez donc
probablement remarqué qu’en
04 :26
Dessous des résultats du classificateur d’image, vous pouvez voir
des images
04 :30
 Similaires. L’application photo effectue un autre type de tâche
appelée recherche de
04 :34
Similarité. Examinons la recherche de similarité dans la vidéo
suivante.

1.1.2 Recherche de similarité

01 :56
Apparaître quelque part en bas à gauche et ce chien pourrait
apparaître ici en bas, à
02 :00
Droite. Notez que les chiens avec une quantité similaire de
fourrure brune
02 :03
Apparaissent plus proches les uns des autres et que les chiens à
fourrure blanche
02 :07
Apparaissent également plus proches les uns des autres dans cet
espace. Maintenant,
02 :10
Dans la pratique, en tant qu’humains, nous ne choisissons pas
ces caractéristiques
02 :14
Spécifiques pour ces lignes numériques. Au lieu de cela, nous
avons des modèles
02 :17
D’apprentissage automatique qui le font pour nous, car nous
obtenons alors de meilleurs
02 :21
Résultats. Chaque fois que vous entraînez un modèle
d’apprentissage automatique à
02 :25
Effectuer une tâche sur une image, vous obtenez un sous-produit
assez
02 :28
Utile à partir de cela.
02 :29
Par exemple, si vous avez un modèle de classification d’image,
vous pouvez lui
02 :33
Donner une entrée comme celle-ci et il génère une classe telle
que chien mignon.
02 :38
Pour que le modèle puisse effectuer cette tâche de classification
d’image, il crée une
02 :42
Représentation des caractéristiques importantes qui l’aident à
décider qu’il
02 :46
S’agit d’un chien mignon. Cette représentation est en fait une
liste de
02 :50
Nombres, peut-être quelques centaines à quelques milliers de
nombres.
02 :53
Et c’est encore assez petit.
02 :55
Si vous considérez qu’une photo peut contenir 9 millions de
pixels qui sont
02 :59
9 millions de nombres fois trois parce qu’il y a du rouge, du vert
et du
03 :02
Bleu pour chaque pixel.
03 :04
Cette liste de nombres qu’un modèle crée afin de représenter
l’image de manière
03 :08
Compacte est appelée un embedding. Donc, si vous utilisez ces
embeddings et les traitez
03 :12
Comme des coordonnées dans l’espace, vous pouvez placer
chaque image quelque part dans
03 :17
Cet espace. Ici, je montre juste un espace bidimensionnel afin
que nous puissions le
03 :21
Voir sur une diapositive bidimensionnelle.
03 :23
Il ne s’agirait donc que de deux nombres représentant une
image, mais avec des
03 :27
Embeddings de 200 à 300 nombres, le calcul est similaire. Si
vous tracez une ligne de
03 :31
L’emplacement de cette image à l’emplacement de cette autre
image, cette ligne montre à
03 :36
Quelle distance ces deux images se trouvent.
03 :38
Si vous tracez une ligne entre ces deux images, cette ligne
montre également à
03 :42
Quelle distance elles se trouvent.
03 :44
Et dans ce cas, ils sont plus éloignés par rapport à la première
ligne, vous pouvez
03 :48
Mesurer la distance entre deux images quelconques en mesurant
la distance entre
03 :52
Leurs deux embeddings. Et ce cours est plus axé sur l’obtention
d’une compréhension
03 :56
Conceptuelle ainsi que sur l’utilisation pratique de l’IA.
03 :59
Donc, je n’entre pas dans le calcul ici, mais c’est probablement
des mathématiques
04 :03
Que vous avez vues à un moment donné à l’école. Et puisque
vous pouvez ou non
04 :06
Vouloir raviver vos souvenirs de cours de mathématiques, je
n’aborderai pas cela ici.
04 :10
Clarifions donc simplement la différence entre la classification
des images et la
04 :15
Recherche de similarité avec les images. Si vous lui donnez
l’image d’un chien, il
04 :20
Produira une classe comme le texte ‘chien mignon’.
04 :24
En revanche, si vous donnez une image à une base de données
de recherche de similarité,
04 :28
Elle créera d’abord un embedding qui représente cette image
avec une petite liste
04 :33
De nombres. Et puis il peut rechercher dans une base de
données d’autres chiens où
04 :37
Chaque chien dans la base de données a un embedding généré
pour le représenter, basé
04 :42
Sur la distance entre l’embedding du chien d’entrée et
l’embedding de chaque chien dans
04 :47
La base de données. La base de données de recherche de
similarité peut récupérer une
04 :52
Liste de chiens qui ont la distance la plus courte entre eux et le
chien recherché.
04 :56
Voici donc un quiz rapide : qui a donné un nom au chien, le
classificateur d’image, et
05 :01
Qui a laissé les chiens sortir de la base de données de recherche
de similarité ?
05 :05
Suivant. Que faire si vous voulez aller au-delà d’un cadre de
délimitation et
05 :10
Identifier chaque pixel qui appartient à ce chien ou chaque pixel
qui appartient à ce
05 :14
 Chien. Pour en savoir plus sur le sujet, jetons un coup d’œil à la
segmentation
05 :19
Des images dans la prochaine vidéo.

1.1.3 Segmentation de l’image

00 :05
Si vous avez des amis qui aiment la photographie, ils aimeront
peut-être vous
00 :08
Dire comment ils peuvent utiliser leur appareil photo
professionnel pour
00 :10
Flouter l’arrière-plan sur les photos.
00 :12
Si vous n’avez pas d’appareil photo professionnel vous-même,
vous pouvez
00 :15
Toujours le faire avec votre téléphone habituel. Et l’IA, voyons
voir comment cela
00 :18
Fonctionne avec quelque chose appelé segmentation d’image.
00 :21
Dans la plupart des applications photo, vous pouvez créer un
effet portrait
00 :24
En floutant l’arrière-plan.
00 :26
Par exemple, dans Google photos, vous pouvez cliquer sur
modifier, puis sur portrait.
00 :31
Remarquez que cela floute l’image, mais pas toute l’image,
seulement
00 :35
L’arrière-plan derrière moi.
00 :37
Donc, encore une fois, voici l’image originale et voici l’image
00 :40
Avec l’arrière-plan flou.
00 :42
C’est ce qu’on appelle l’effet bokeh et les gens aiment ça, car
cela aide le spectateur
00 :46
À concentrer son attention sur le sujet de la photo. Ne vous
inquiétez pas, l’effet
00 :50
Bokeh n’est pas un terme lié à l’IA que vous devez retenir. Les
photographes
00 :54
Adorent parler de l’effet bokeh.
00 :55
C’est donc juste un bon mot à savoir au cas où vous seriez ami
avec un photographe.
01 :00
L’application photo est capable d’identifier spécifiquement
quelles parties d’une image
01 :05
Représentent la personne au premier plan, par opposition à tout
le reste en
01 :09
Arrière-plan, au niveau pixel par pixel. Par « pixel », je fais
référence à tous les
01 :13
Minuscules petits points qui composent une photo numérique.
Voici ce que je veux dire :
01 :18
Si vous regardez juste une petite section de la photo et ensuite
zoomez, imaginez que
01 :22
Nous zoomons suffisamment pour que nous regardions
réellement tous les pixels qui
01 :27
Composent une image. C’est essentiellement comme une feuille
de calcul où chaque
01 :31
Cellule de la feuille de calcul a un nombre qui définit combien de
rouge, combien de
01 :36
Vert et combien de bleu est dans ce pixel particulier.
01 :39
Et afin de générer cet effet photo portrait, le logiciel tente
d’identifier pour chaque
01 :47
Pixel si ce pixel fait partie de l’objet au premier plan ou fait
01 :54
Partie de l’arrière-plan.
02 :01
Ainsi, la possibilité de déterminer quel pixel représente la
personne et quel pixel
02 :06
Représente l’arrière-plan est une tâche de vision par ordinateur
appelée
02 :10
Segmentation d’image.
02 :12
Remarquez, je passe sur un traitement supplémentaire qui est
nécessaire afin
02 :15
D’identifier le premier plan par rapport à l’arrière-plan. Et c’est
ce qu’on appelle la
02 :19
Perception de la profondeur, mais il est possible de simplement
compter sur la
02 :22
Segmentation de l’image pour créer cet effet de portrait.
02 :25
Donc, pour l’instant, ne vous inquiétez pas de vous rappeler que
la perception de la
02 :28
Profondeur est le résultat de la segmentation d’image. Ce sera
en fait
02 :32
Quelque chose qui ressemblera à une image avec la même
hauteur et la même
02 :35
Largeur que la photo originale.
02 :36
Mais où chaque pixel reçoit une valeur de zéro ou un.
02 :39
Dans ce cas, je représente les valeurs une avec la couleur
blanche et les valeurs zéro
02 :44
Avec la couleur noire. Mais ceux-ci peuvent être de n’importe
quelle couleur à des fins
02 :48
De visualisation. L’ordinateur lui-même ne voit qu’une feuille de
calcul comme une
02 :53
Grille de zéros et de uns. Ainsi, une valeur de un indique qu’un
pixel de l’image
02 :57
D’origine fait partie des objets segmentés.
03 :00
Dans ce cas, une valeur de zéro représente tout ce qui ne faisait
pas partie de l’objet
03 :05
Segmenté. Dans ce cas, c’est l’arrière-plan, cette image de zéros
et de
03 :10
Uns s’appelle un masque.
03 :11
Vous pouvez y penser de la même manière qu’à un masque que
vous portez pour un costume :
03 :15
Il délimite des zones particulières de l’image, tout comme un
masque que vous
03 :18
Pourriez porter si vous êtes un super-héros ou si vous assistez
simplement à une fête
03 :22
Costumée, délimite une certaine zone de votre visage.
03 :24
Et ce masque peut ensuite être utilisé en aval pour d’autres
étapes de l’application
03 :29
Logicielle, afin de traiter uniquement les pixels représentant la
personne ou
03 :34
Ceux qui sont en arrière-plan.
03 :36
Voici donc ce que vous pouvez faire pour obtenir l’effet de flou.
03 :38
Voici donc l’image originale, voici le masque, et voici où nous
voulons stocker
03 :43
Uniquement les pixels de la personne au premier plan.
03 :47
Disons que la valeur est 125 et que dans le masque, la valeur au
même endroit est nulle.
03 :53
Donc, 125 fois zéro, c’est zéro. Et mettons un zéro ici.
03 :59
Essayons un autre pixel ici. Disons que c’est 150 dans le masque.
04 :04
La valeur au même endroit est 1, 150 fois un est 150.
04 :10
Alors disons-le ainsi. Et si vous faites cela pour tous les pixels,
vous obtiendrez
04 :14
Une image qui a les mêmes pixels que le sujet comme ceci.
04 :17
Et je simplifie un peu par souci de clarté.
04 :20
Normalement, pour les photos couleur, chaque pixel stocke trois
valeurs, une pour la
04 :24
Quantité de rouge, la quantité de vert et la quantité de bleu, et
cela se
04 :28
Mélange pour produire la couleur.
04 :30
L’étape suivante consiste à revenir à l’image d’origine et à
flouter le tout.
04 :34
Oui, l’arrière-plan et même le sujet au premier plan.
04 :37
Je vais tout expliquer dans un instant, puis prenez le sujet que
vous avez découpé à
04 :42
L’aide du masque de segmentation et superposez-le sur l’image
floue.
04 :46
Et c’est ainsi que vous obtenez le bel effet bokeh portrait avec un
arrière-plan flou en
04 :50
Utilisant la segmentation d’image. Maintenant, vous vous
demandez peut-être
04 :54
Pourquoi nous adoptons cette approche quelque peu indirecte
consistant à obtenir
04 :58
Le masque du sujet, à flouter toute la photo, puis à ajouter le
sujet par-dessus.
05 :02
Par exemple, que se passerait-il si vous utilisiez simplement le
masque de
05 :06
Segmentation d’image pour identifier toute l’image de l’arrière-
plan derrière le
05 :10
Sujet ? Et il suffit de flouter directement ces pixels.
05 :12
Eh bien, zoomons un peu pour voir ce qui pourrait arriver.
05 :15
Le problème, c’est la façon dont l’effet de flou fonctionne. C’est
un peu comme tremper
05 :18
Votre doigt dans l’eau, puis le déplacer sur une peinture à
l’aquarelle pour
05 :22
Que les pixels se mélangent.
05 :23
Donc, si vous appliquez le flou quelque part ici, c’est bien.
05 :26
Mais lorsque vous essayez de flouter les parties de l’arrière-plan
qui bordent le
05 :30
Sujet, que vous ne voulez pas qu’elles soient floues, vous finirez
par flouter
05 :34
Également les pixels du sujet. Donc, si vous faites la méthode
recommandée que vous avez
05 :39
Vue plus tôt, cela vous aide à vous assurer que la personne sur la
photo n’a pas un
05 :43
Contour flou autour d’elle. Oh, et encore une chose que vous
pouvez réellement essayer
05 :47
Dans cette segmentation vous-même en allant sur le site Web de
meta AI.
05 :51
Si vous commencez à partir du site de chatbot meta AI, vous
pouvez cliquer sur le
05 :55
Menu de gauche, puis cliquer sur démonstrations d’IA. La page
des
05 :58
Démonstrations d’IA comprend une section appelée segmenter
n’importe quoi,
06 :02
Actuellement en version deux au moment où je filme ceci.
06 :04
Alors cliquons dessus. Ensuite, je cliquerai sur le bouton,
essayez. Maintenant, il
06 :08
Commence avec une vidéo par défaut d’environ 10 secondes,
mais je vais aller ici et
06 :12
Cliquer sur le bouton intitulé ‘changer de vidéo’ et il y a d’autres
vidéos à choisir.
06 :16
Mais je vais glisser-déposer une vidéo personnelle, notez que
pour toute vidéo que
06 :19
Vous téléchargez, il montrera environ les 9 à 10 premières
secondes de celle-ci.
06 :23
Je vais donc aller de l’avant et cliquer sur jouer et jeter un coup
d’œil à la vidéo.
06 :26
Maintenant, je vais mettre la vidéo en pause afin de pouvoir
cliquer sur
06 :29
Un objet à segmenter.
06 :30
Et dans ce cas, je cliquerai sur cette boule emoji dans ma main.
06 :33
Cela me donne la possibilité d’ajouter plus de clics de souris pour
définir
06 :36
L’objet qui m’intéresse.
06 :37
Mais cela a l’air plutôt bien. Donc, je vais juste aller de l’avant et
cliquer sur le
06 :41
Bouton ici sur lequel il est écrit suivre les objets. Après quelques
secondes, il
06 :45
Recommence à lire la vidéo et vous pouvez voir que la boule
emo est délimitée par une
06 :48
Ligne bleue. Donc, si vous cliquez sur le bouton intitulé ‘suivant’,
cela vous donne
06 :52
Quelques options pour ce que vous pouvez faire avec l’objet que
vous avez maintenant
06 :56
Segmenté. Par exemple, vous pouvez cliquer sur effacer puis sur
dégradé et vous pouvez
07 :00
Également cliquer sur pixel huit. Si vous cliquez sur projecteur, il
semble qu’il
07 :03
Contourne la boule emo. Si vous cliquez sur rafale, cela
ressemble à ceci et vous
07 :07
Pouvez réellement cliquer sur emoji.
07 :08
Donc, dans cette vidéo, il remplace en fait cette boule d’emoji
par un emoji réel et
07 :14
Vous pouvez parcourir différents émojis, ce qui est plutôt cool.
07 :18
Vous pouvez également mettre à jour l’arrière-plan et cela
n’affecterait que
07 :21
L’arrière-plan et non les objets segmentés. Je vous encourage
donc à l’essayer par
07 :25
Vous-même. Peut-être que vous pouvez trouver une vidéo
amusante que vous aimeriez
07 :28
Utiliser pour pratiquer à venir ensuite la segmentation d’image.
07 :31
Que se passerait-il si vous preniez une photo de quelque chose
qui contient du
07 :34
Texte, comme une enseigne extérieure ou un reçu de restaurant,
et que vous souhaitiez
07 :38
Copier ce texte dans un message ? Par exemple, regardons
comment le faire ensuite.

1.2.1 Traduction automatique : mots et ordre des mots

Parlez-vous anglais ?
00 :07
Parlez-vous anglais ? Ne serait-ce pas bien si vous aviez un
traducteur quand vous en
00 :11
Avez besoin ? Eh bien, heureusement, si vous avez un téléphone
ou un ordinateur, vous en
00 :15
Avez effectivement un. Où est la salle de bain ?
00 :20
Examinons de plus près la traduction automatique.
00 :23
Si vous envoyez un mot espagnol « llamas » à un service de
traduction comme Google
00 :28
Translate, vous pourriez obtenir ceci, « llamas » en espagnol
signifie
00 :32
« flammes » en anglais.
00 :33
Et si vous ajoutez cela « llamas adorables » est traduit par
« adorable llamas » en anglais.
00 :40
Les « flammes » ont été remplacées par « llamas » et si vous
enlevez cela et ajoutez
00 :45
Ceci, vous obtenez « como te llamas » en espagnol, qui signifie
« quel
00 :49
Est votre nom » en anglais.
00 :50
Donc pas de « llamas » et pas de « flammes » non plus. Alors,
que se passe-t-il ici ?
00 :55
Examinons de plus près comment la traduction automatique
interprète les mots individuels.
01 :00
Pour beaucoup de mots, vous n’auriez pas vraiment besoin de
traduction automatique.
01 :03
Vous pouvez simplement le chercher dans un dictionnaire
bilingue.
01 :05
« Salade » en anglais est « salade » en espagnol. « Eat » en
anglais est « comer » en
01 :11
Espagnol et « fresh » en anglais est « fresco » ou « fresca ». Mais
regardons ce mot « light ».
01 :17
Vous pouvez le traduire par « La luz » comme dans la lumière du
soleil ou la lumière
01 :21
D’une ampoule. Mais vous pourriez aussi traduire cela par
« ligera » comme dans « léger
01 :26
Comme une plume ». Et comme vous l’avez vu plus tôt,
« llamas » peut être traduit par
01 :30
« flammes » comme dans les flammes à un feu de camp.
01 :33
Ou il pourrait aussi être traduit par « llamas ». Les animaux
mignons avec de longs
01 :38
Cous, ou « llamas » peuvent faire partie de cette phrase « como
te llamas » où
01 :43
« llamas » signifie s’appeler.
01 :45
Donc, « como te llamas » est espagnol pour « comment vous
appelez-vous ».
01 :50
Il y a donc des mots qui se ressemblent et sonnent de la même
façon.
01 :54
Voici un autre exemple, le mot « banco » en anglais pourrait être
traduit par « banco »
01 :58
Comme dans une institution financière où vous pouvez déposer
votre argent.
02 :02
Il pourrait également être traduit par « orilla », qui est la terre à
côté d’une
02 :05
Rivière. Et pour rendre les choses encore plus amusantes, le mot
espagnol pour « banco »
02 :09
Peut être une banque où vous déposez votre argent mais peut
aussi être un banc sur
02 :13
Lequel vous vous asseyez dans un parc.
02 :15
Ces mots « lumière », « llamas », « banque », « banco », sont
des exemples de deux ou
02 :19
Plusieurs mots distincts avec leurs propres significations
distinctes qui se ressemblent
02 :23
Et sonnent également de la même manière.
02 :26
Si deux mots distincts ont la même orthographe et la même
prononciation,
02 :29
Ils sont appelés homonymes.
02 :31
Il y a aussi des mots qui se ressemblent mais qui ne sonnent pas
02 :34
Nécessairement de la même façon.
02 :35
Voici un exemple, ce mot pourrait être prononcé déchirer comme
dans il déchire mon
02 :40
Cœur quand je suis avec toi. Et cela pourrait se traduire par « se
me parte ».
02 :45
Bien qu’apparemment, il y ait beaucoup de mots que vous
pouvez utiliser
02 :48
Pour décrire un cœur brisé.
02 :50
Ce mot pourrait aussi être prononcé larme comme dans garde
tes larmes
02 :55
Pour un autre jour.
02 :56
Et l’espagnol pour cela est « lágrima ». Dans ce cas, il y a deux
mots distincts,
03 :00
Déchirer et déchirure avec des significations différentes et ils se
ressemblent, mais dans
03 :05
Ce cas, ne sonnent pas de la même manière. Lorsque deux mots
distincts ont la même
03 :09
Orthographe et peuvent ou non avoir la même prononciation.
C’est ce qu’on
03 :13
Appelle des homographes.
03 :14
Les homonymes sont donc un cas particulier d’homographes qui
non seulement se
03 :17
Ressemblent, mais sonnent de la même manière.
03 :19
Vous n’avez pas besoin de vous souvenir de ces termes
spécifiques lorsque
03 :22
Vous vous renseignez sur l’IA.
03 :23
Mais il est utile de se rappeler que lorsque deux mots distincts se
ressemblent au moins,
03 :28
Cela peut être une tâche difficile pour un service de traduction
automatique.
03 :32
Maintenant, allons au-delà des mots simples et regardons une
phrase. En anglais, « I ate
03 :37
The salad » se traduit en hindi. Si nous ne savons rien de l’hindi,
nous pourrions
03 :42
Deviner que chacun de ces trois mots signifie « je », « mangé »,
« la
03 :47
Salade ». Mais jouons l’audio.
03 :48
En fait, on dirait que le mot du milieu est « salade » au lieu de
« mangé ». Donc, « J’ai
03 :55
Mangé la salade » est traduit par , Si vous alignez les mots « je »
est :
04 :02
Hindi>, « la salade », « mangé » . Donc, c’est littéralement
04 :08
« I the salad mangé » en anglais.
04 :10
Les phrases suivent le modèle : Sujet, verbe, puis l’objet sur
lequel le verbe agit.
04 :17
« मैंने सलाद खाया » en hindi, le schéma est : Sujet, objet, verbe.
Comme dans « Je la
04 :23
Salade ai mangé ». Le japonais est également similaire en ce
sens que le
04 :28
Verbe vient après l’objet.
04 :32
L’ordre des mots varie donc en fonction de la langue à partir de
laquelle et vers
04 :36
Laquelle vous traduisez. Regardons ce qu’on appelle les pronoms
omis.
04 :39
« I ate » en anglais est « Yo comí » en espagnol. « I ate the
salad »
04 :44
Est « Comí la ensalada ».
04 :46
Notez que le mot « Yo » vient de disparaître. Yo, qu’est-ce qui se
passe avec ça ?
04 :51
« Comí la ensalada fresca » est « Comí la ensalada fresca ».
Regardons
04 :55
Cela de plus près.
04 :57
En anglais, « I ate the fresh salad » se traduit en espagnol par
« Yo comí la ensalada
05 :02
Fresca ». C’est donc « J’ai mangé la salade fraîche ».
05 :06
C’est donc un autre exemple de différences d’ordre des mots en
anglais.
05 :10
L’adjectif passe en premier, suivi du nom. C’est la même chose
pour d’autres langues
05 :15
Comme le chinois, le japonais et le coréen. En espagnol, le nom
vient en premier
05 :20
Suivi de l’adjectif « fraîche salade ».
05 :22
C’est la même chose pour d’autres langues comme le français,
l’arabe et l’hindi.
05 :26
Encore une fois, l’ordre des mots dépend de la langue à partir de
laquelle vous
05 :31
Traduisez ou traduisez. Et vous avez peut-être remarqué que le
mot « Yo » a disparu
05 :35
Plus tôt. En espagnol, vous pouvez laisser tomber le pronom
« Yo » et il se lirait très
05 :40
Bien comme « Comí la ensalada fresca ». Des langues comme
l’espagnol, le chinois et le
05 :45
Japonais qui vous permettent d’omettre le pronom dans des
phrases sont
05 :49
Appelées langues pro-drop.
05 :50
Maintenant, vous n’avez pas besoin de vous souvenir du terme
pro-drop.
05 :52
Mais le but de ces exemples est de vous montrer comment
l’ordre des mots et même si
05 :57
Un mot doit apparaître ou non rend la tâche de traduction à la
fois
06 :01
Intéressante et compliquée.
06 :03
Ce sont donc des choses à surveiller chaque fois que vous
utilisez un
06 :06
Service de traduction.
06 :07
Ensuite, le contexte entourant un mot peut affecter la façon dont
il est traduit.
06 :12
Pour avoir plus de contexte sur ce dont je parle. Veuillez passer à
la vidéo suivante.

1.3. Vue d’ensemble des chatbots

1.3.1 Ce que vous pouvez faire avec les chatbots
Voici des liens vers des chatbots que vous verrez dans ce cours.
Beaucoup permettent une utilisation limitée gratuite. Certains
peuvent nécessiter la création d’un compte gratuit. La plupart
offrent également une utilisation ou un accès supplémentaire à
des modèles plus avancés moyennant des frais. La disponibilité
de ces services peut dépendre du pays ou de la région dans
laquelle vous vivez, vous devrez donc peut-être choisir des
chatbots disponibles dans votre région.

[Link]

[Link]

[Link]

[Link]

[Link]

[Link]

[Link]

D’autres chatbots librement accessibles à essayer :

[Link]

Vous pouvez télécharger des versions réduites de chatbots

gratuits en utilisant LM Studio. Une conférence ultérieure,
« Utiliser plusieurs chatbots » expliquera cela plus en détail.

[Link]

Réviser :

Expand : Répondre aux questions, générer des idées

Synthétiser : résumer, étiqueter

Transformer : traduire, reformuler ou réécrire

Évaluer : vérification des faits, noter

Chat : dialogue avec un chatbot

Agir : définir un événement de calendrier, effectuer une

recherche sur Internet

Saisir des images et du texte : poser une question sur une image

Exercice suggéré :

Quelques suggestions pour commencer :

Qui est BTS ?

Donnez-moi des suggestions de destinations de vacances.

Saviez-vous que si vous mangez une salade chaque fois que

vous mangeriez autrement un
00 :09
Morceau de gâteau, vous pourriez voir une réduction d’environ
10 % de
00 :12
Votre satisfaction de vivre.
00 :14
Sur cette note, l’IA a-t-elle le sens de l’humour ?
00 :18
Vous le découvrirez en explorant les chatbots ensemble avec
nous. En
00 :20
Commençant à apprendre sur les chatbots.
00 :22
Je voudrais vous donner juste deux mots de vocabulaire à
l’avance car vous les
00 :26
Entendrez beaucoup. L’entrée que vous donnez à un chatbot est
appelée « prompt » et sa
00 :30
Sortie est appelée « complétion ». Mais vous pourriez aussi
entendre cela comme une
00 :34
« réponse ». Vous en apprendrez un peu plus sur les raisons pour
lesquelles l’entrée est
00 :38
Appelée « prompt » et la sortie appelée « complétion » un peu
plus tard dans le cours.
00 :42
Mais pour l’instant, lorsque vous entendez « instruction », pensez
simplement à l’entrée
00 :46
Et lorsque vous entendez « complétion » ou « réponse », pensez
à la sortie.
00 :50
Vous avez peut-être déjà utilisé des chatbots auparavant et
réalisé que vous pouvez leur
00 :54
Demander des informations, comme avec un moteur de
recherche.
00 :57
Il y a en fait beaucoup de choses que vous pouvez faire avec les
chatbots.
01 :00
J’aimerais donc regrouper ces types de tâches en sept
catégories.
01 :04
Vous pouvez développer, vous pouvez synthétiser, vous pouvez
transformer,
01 :08
Évaluer, vous pouvez discuter, prendre des mesures et vous
pouvez également saisir non
01 :13
Seulement du texte, mais aussi des images avec du texte dans le
chatbot. Jetons un
01 :18
Coup d’œil aux exemples pour chacune de ces sept catégories
afin de voir ce qu’ils
01 :22
Signifient. Par Expand, je veux dire que vous pouvez poser une
question simple telle
01 :27
Que : Qui est BTS ? Et le chatbot développera cela en fournissant
beaucoup
01 :31
D’informations sur ce que vous avez demandé.
01 :34
Et une autre façon d’élargir est de lui demander de vous aider à
générer des idées.
01 :38
Par exemple, vous pouvez lui demander de vous donner des
suggestions de blagues ou
01 :42
Des suggestions d’endroits où partir en vacances en fonction de
01 :45
Vos intérêts personnels.
01 :47
Donc, développer n’est pas une définition scientifique formelle,
mais je l’utilise
01 :50
Pour décrire des cas où vous pouvez lui donner une courte invite
et le chatbot
01 :54
Génère ensuite plusieurs paragraphes d’informations ou une liste
de suggestions
01 :57
Parmi lesquelles vous pouvez choisir. Donc, il développe en
quelque sorte votre invite.
02 :01
Voici un exemple de demande d’information. Vous pouvez lui
demander : Quelle est la
02 :05
Différence entre un Golden Retriever et un Labrador Retriever ?
Et vous pouvez voir
02 :09
Qu’il répertorie les différences en fonction de différentes
catégories telles que la
02 :13
Personnalité, la santé et le toilettage.
02 :15
Et d’ailleurs, dans le traitement du langage naturel, ce type de
tâche est appelé
02 :19
« réponse aux questions » parce que vous lui posez une question
et qu’il essaie
02 :24
De répondre à cette question.
02 :25
Et voici un exemple de génération d’idées. Je vais lui demander
de suggérer quelques
02 :29
Blagues sur les chiots et j’ai pensé que c’était plutôt bien.
02 :32
Pourquoi le chiot était-il si bon à l’école ?
02 :34
Parce qu’il était le chouchou du professeur. Une autre catégorie
est Synthèse.
02 :39
Par exemple, vous pouvez dire « résumez ceci », puis collez le
texte d’un article ou
02 :44
D’un document que vous lisez. Une autre tâche de synthèse
consiste
02 :47
À étiqueter le texte.
02 :49
Vous avez donc beaucoup de petits morceaux de texte comme
des réponses à un message sur
02 :53
Les réseaux sociaux ou quelques critiques de clients en ligne
d’un produit. Vous pouvez
02 :58
Demander à un chatbot de les étiqueter par sujet ou de les
étiqueter comme ayant
03 :02
Un sentiment positif ou négatif.
03 :04
Et encore une fois, Synthétiser n’est pas un terme scientifique
officiel, mais je
03 :08
L’utilise par opposition à la tâche Développer pour décrire des
scénarios où
03 :12
Vous introduisez beaucoup d’informations dans l’invite de
commande, comme un article
03 :17
Ou plusieurs publications sur les réseaux sociaux, et demandez
au chatbot de distiller
03 :22
Ou de synthétiser ces informations en quelque chose de plus
concis et digeste.
03 :26
Voici donc un exemple de demander à un chatbot de résumer un
article
03 :30
Sur les Labrador Retrievers.
03 :42
Et voici un exemple de l’autre tâche de synthèse : Étiquetage.
03 :46
Vous pouvez lui demander de donner des étiquettes de sujet aux
trois
03 :49
Articles suivants sur Paris.
04 :06
La catégorie suivante est Transformation. Par exemple, vous
pouvez traduire d’une
04 :11
Langue à une autre, qui est la tâche de traduction automatique
que vous avez vue
04 :15
Précédemment. Et vous pouvez également reformuler ou réviser
un morceau de
04 :20
Texte. Voyons ce que cela signifie.
04 :22
Voici un exemple où vous pouvez traduire une phrase « À
quelque chose malheur est bon »
04 :27
De l’anglais en plusieurs langues en même temps.
04 :32
Plutôt cool, hein ?
04 :33
Et voici un exemple de tâche de réécriture. Vous pouvez
demander à un chatbot de
04 :37
Réécrire un article pour utiliser un vocabulaire simple que la
plupart
04 :41
Des gens peuvent comprendre.
04 :43
Voici donc un article sur les corgis qui utilise des mots
compliqués et le chatbot le
04 :48
Réécrit ou le transforme en utilisant un vocabulaire plus courant.
04 :53
Une autre catégorie de tâches est Évaluer. Par exemple, vous
pouvez évaluer si une
04 :57
Déclaration est factuellement correcte ou évaluer un essai en lui
05 :01
Attribuant un score qualitatif.
05 :03
Voici un exemple de tâche d’évaluation, la vérification des faits.
05 :06
Je demande donc s’il s’agit d’une déclaration exacte : Comme
nous n’utilisons
05 :10
Que 10 % de notre cerveau, seulement 10 % de moi disait que
les Corgis sont plus mignons
05 :15
Que les bouledogues. Et le chatbot répond qu’en fait nous
utilisons beaucoup
05 :19
Plus de 10 % de notre cerveau.
05 :21
Et c’est une idée fausse commune selon laquelle nous n’utilisons
05 :23
Que 10 % de notre cerveau.
05 :25
Il n’a aucun commentaire sur la question de savoir s’il est correct
de dire que les
05 :28
Corgis sont plus mignons que les bouledogues. Je tiens à
mentionner dès le
05 :31
Début que la vérification des faits va dans les deux sens. Vous
pouvez demander à un
05 :35
Chatbot de vous aider à vérifier ce que les humains disent être
juste.
05 :38
Et il est également très important pour vous, en tant qu’humain,
de vérifier ce
05 :42
Qu’un chatbot produit. Vous en apprendrez plus sur pourquoi
cela plus tard dans ce
05 :46
Cours. Voici l’autre type de tâche d’évaluation qui est la notation
qualitative
05 :49
De quelque chose de subjectif comme un essai.
05 :52
Je demande donc ici au chatbot d’évaluer les courts essais
suivants avec un score de 0 à
05 :57
10 où 10 est le plus élevé et de partager également pourquoi il a
donné ces scores.
06 :01
Il y a donc un paragraphe qui tente de démontrer que les chiens
sont meilleurs que
06 :04
Les chats en tant qu’animaux de compagnie.
06 :06
Et puis il y a un autre paragraphe qui essaie de faire valoir que
les chats
06 :09
Sont meilleurs que les chiens.
06 :11
Et puis enfin un paragraphe qui dit que ni les chiens ni les chats
ne sont meilleurs,
06 :14
Ils sont tous les deux géniaux. Et le chatbot génère un score pour
chaque
06 :18
Paragraphe ainsi qu’une explication pour chaque score.
06 :20
Vous pouvez également discuter avec un chatbot et par là, je
veux dire que vous
06 :24
Pouvez avoir une conversation en cours et il existe des moyens
de commencer ces
06 :28
Conversations afin que vous ne soyez pas le seul à faire avancer
la conversation.
06 :32
Mais le chatbot peut en fait poser des questions de suivi ou
prendre l’initiative
06 :36
De mener la conversation. Vous en apprendrez plus à ce sujet
plus tard dans ce cours.
06 :40
Voici un exemple où j’initie une conversation en parlant de ma
journée. Et ce
06 :44
N’est pas grave si vous ne pouvez pas lire tout ce qui se passe
ici. Mais le chatbot
06 :49
Pose également des questions de suivi et fait des suggestions
sur ce que je
06 :52
Peux penser ou parler ensuite.
06 :54
Vous pouvez également utiliser les chatbots pour effectuer des
actions allant au-delà de
06 :58
La simple sortie de texte. Et une fonctionnalité activée par l’IA
qui est très
07 :01
Liée aux chatbots d’aujourd’hui est un assistant personnel.
07 :04
Vous pouvez utiliser un assistant personnel sur votre téléphone
pour définir un
07 :08
Événement de calendrier ou envoyer un message texte à un ami.
Et beaucoup de
07 :11
Chatbots sont maintenant également capables de se connecter à
d’autres logiciels afin
07 :15
Qu’ils puissent, par exemple, rechercher sur Internet pour les
aider à répondre à votre
07 :19
Question. Voici un exemple de prendre des mesures à l’aide d’un
assistant personnel.
07 :23
J’utilise Google Assistant sur un téléphone Android et vous
pourriez faire quelque chose
07 :27
De similaire avec Siri sur un iPhone.
07 :29
Donc, d’abord, je lui demande de créer un événement de
calendrier. Il me pose des
07 :33
Questions supplémentaires sur le titre de l’événement et sur
l’heure
07 :36
Et la date de l’événement.
07 :38
Et vous pouvez voir qu’il a ajouté cet événement à mon
calendrier.
07 :41
Voici un autre exemple d’action où un chatbot recherche sur
Internet afin de
07 :45
Répondre à ma question. Je pose donc une question sur les pluies
de météores à venir,
07 :49
Qui est un exemple d’événement actuel ou futur qui nécessitera
probablement que le
07 :53
Chatbot trouve cette information sur Internet. Une autre
fonctionnalité très
07 :56
Utile dans ce cas est qu’il génère également des liens vers les
sites Web qu’il a
08 :00
Recherchés afin que vous puissiez lire vous-même le contenu
source original.
08 :04
Et assez récemment, les chatbots ont également été conçus pour
qu’ils puissent
08 :08
Non seulement prendre du texte, mais aussi traiter des images
et du texte
08 :12
Ensemble comme une entrée combinée.
08 :14
Par exemple, vous pourriez prendre quelque chose en photo et
demander :
08 :17
Qu’est-ce que c’est ?
08 :19
Voici donc une image et je vais demander : Est-ce un panda ?
08 :23
Le chatbot comprend donc que ma question concerne l’image
que je fournis également
08 :28
Dans le cadre de la saisie. Et il explique qu’il ne s’agit en fait pas
d’un panda, mais
08 :32
D’un petit pain cuit à la vapeur ou d’une boulette qui ressemble
à un panda.
08 :37
Avant de plonger dans les catégories spécifiques de tâches, les
deux prochaines
08 :41
Vidéos vous aideront à explorer les caractéristiques intéressantes
des chatbots,
08 :45
Y compris la façon dont ils se comportent et parfois comment ils
ne se comportent pas. La
08 :49
Prochaine étape est la prédiction du prochain mot.
08 :52
Je vous verrai dans la prochaine vidéo.

1.3.2 Prédire le mot suivant

Les chatbots prédisent un mot à la fois et utilisent leurs mots

précédemment prédits pour décider quel mot prédire ensuite.

Recommandations :

Instruisez le modèle d’exécuter certaines tâches plus tôt si les

résultats de ces tâches peuvent l’aider à effectuer les autres
tâches d’une séquence.
Exemples :

“Donnez d’abord votre raisonnement, puis donnez votre

réponse.”

“Passez en revue ce que vous savez sur un sujet, écrivez un plan,

puis écrivez un article.”

Vocabulaire :

Modélisation du langage : La tâche de prédire le mot suivant.

Modèle de langage de grande taille : Modèles formés sur de

nombreuses données textuelles et pouvant effectuer une grande
variété de tâches impliquant du texte et du langage.

Disons que vous avez un problème de logique que vous

souhaitez que le chatbot résolve.
236388888 :53 :27
Et vous pouvez choisir deux façons légèrement différentes
d’écrire la
00 :12
Dernière phrase de votre prompt.
00 :13
Donnez votre réponse, puis donnez votre raisonnement. Sinon,
donnez votre
00 :17
Raisonnement, puis donnez votre réponse. Voici un problème de
logique.
00 :21
Et ne vous inquiétez pas, je parlerai des détails un peu plus tard.
00 :25
Donc, pour l’instant, tout ce que vous devez savoir, c’est que la
bonne réponse est Non.
00 :31
Voyons maintenant comment un chatbot réagit lorsque je lui
donne ce problème de logique
00 :36
Où la dernière phrase est écrite de l’une de ces deux manières.
Je vais donc montrer ce
00 :41
Texte plus clairement dans un instant, mais à gauche, il répond
Oui,
00 :44
Ce qui est incorrect.
00 :46
Sur la droite, il répond Non, ce qui est correct. Pourquoi ? La
façon dont les
00 :51
Chatbots produisent leur réponse est de prédire le mot suivant
un mot à la fois.
00 :56
Examinons cela plus en détail et voyons comment vous pouvez
adapter vos invites pour
01 :01
Tirer le meilleur parti de ce comportement. Voyons ce que cela
signifie pour un chatbot
01 :05
De prédire le mot suivant. Ici, j’utilise HuggingChat pour utiliser
01 :09
Un modèle de Mistral AI.
01 :10
Mon invite de saisie sera la suivante : Scintille, scintille, petite. Et
la
01 :14
Complétion est : étoile, comme je me demande ce que tu es, et
ainsi de suite. C’est
01 :19
Pourquoi la sortie est appelée une complétion.
01 :22
Parce que les premières versions des chatbots apprenaient à
prendre un début
01 :26
Incomplet d’une phrase et à prédire les mots suivants qui
compléteraient
01 :30
Le reste de cette phrase.
01 :32
Ainsi, un chatbot prend votre entrée, l’invite, et il ne sort pas
toute
01 :36
Sa complétion en même temps.
01 :37
Il produit en fait un mot ou une partie d’un mot à la fois. Donc,
étant donné l’entrée
01 :43
« scintille scintille petit », il sort : étoile, puis il ajoute sa propre
01 :48
Sortie à l’invite initiale.
01 :50
Alors maintenant, l’entrée qu’il voit est : Scintille, scintille, petite
étoile.
01 :54
Et sur cette base, il produit un autre mot ou une partie d’un mot.
01 :58
Dans ce cas, le mot : comment. Et il répète ce processus, en
ajoutant sa propre sortie
02 :03
Au texte accumulé qui est maintenant : Scintille, scintille, petite
étoile,
02 :08
Comment. Et il utilise toute cette entrée pour l’aider à prédire le
mot suivant
02 :13
Qui est : I. Et ainsi de suite.
02 :15
Donc, vous remarquerez peut-être que vous n’êtes probablement
pas habitué à écrire des
02 :20
Invites de cette façon parce que vous avez l’habitude de les
rédiger sous forme
02 :23
D’instructions, par exemple : veuillez me donner des
informations ou résumer ce texte.
02 :28
Mais avant, les chatbots étaient explicitement formés pour suivre
des
02 :31
Instructions humaines telles que l’exécution de cette tâche. La
façon dont ils
02 :34
Fonctionneraient normalement, c’est qu’ils essaieraient
simplement de compléter un
02 :38
Texte. Par exemple, étant donné : Twinkle twinkle little, il essaie
de comprendre que
02 :42
Le mot suivant est probablement : étoile.
02 :44
Et puis les autres mots suivants seront : Que je me demande ce
que tu es.
02 :49
Cela a des implications sur la façon dont un chatbot effectue une
tâche.
02 :53
Revenons sur ce problème de logique plus en détail. Voici le
problème de logique.
02 :58
Mon ami et moi avons huit autres amis qui souhaitent aller au
restaurant.
03 :02
Ma voiture peut accueillir quatre personnes. La voiture de mon
ami peut
03 :05
Accueillir cinq personnes.
03 :06
Personne d’autre n’a de voiture. Il faut 20 minutes pour aller au
restaurant en voiture.
03 :10
Pouvons-nous tous nous rendre au restaurant avec nos voitures
en 20 minutes ?
03 :14
Donc, le nombre de personnes à transporter, c’est moi plus mon
ami plus
03 :18
Huit, soit 10 personnes.
03 :20
Le nombre de sièges dans les voitures est de quatre plus cinq ou
neuf.
03 :24
La bonne réponse devrait être non.
03 :27
Examinons maintenant les deux sorties du même modèle
lorsqu’on leur donne
03 :31
Le même problème logique.
03 :32
Mais avec la dernière instruction formulée différemment. À
gauche où on a demandé,
03 :36
Donnez votre réponse, puis votre raisonnement.
03 :39
Il dit oui, nous pouvons tous arriver au restaurant en 20 minutes.
03 :43
Il passe par un raisonnement qui, jusqu’à présent, semble
correct.
03 :47
Ensuite, il dit ceci, cela laisse une personne qui peut vous
accompagner ou
03 :51
Accompagner votre ami dans leur voiture respective. C’est donc
là que le
03 :55
Raisonnement se trompe pour justifier sa réponse de oui.
Maintenant, regardons la
04 :00
Réponse sur le côté droit où le Chatbot a été invité à donner
votre raisonnement, puis
04 :05
Votre réponse. Il commence par calculer qu’il y a un total de 10
personnes et
04 :10
Continue en laissant une personne sans trajet.
04 :13
Il indique également à juste titre qu’il n’est pas possible de
transporter les 10
04 :18
Personnes au restaurant en 20 minutes. Ensuite, il donne la
réponse :
04 :22
Non. Maintenant que vous savez que le chatbot prédit un mot à
la fois et qu’il peut
04 :27
Revenir sur tous les mots qu’il a prédits précédemment pour
prédire le suivant. Vous
04 :33
Pourrez peut-être voir ce qui se passe.
04 :35
S’il donne d’abord la réponse, puis réfléchit au problème logique,
il ne sera
04 :39
Pas en mesure d’utiliser tout son raisonnement pour l’aider à
donner cette
04 :43
Réponse parce qu’il a déjà donné la réponse. En fait, dans ce cas,
il ne s’agit pas
04 :47
Seulement de justifier sa réponse initiale, même si le
raisonnement est faux.
04 :51
D’autre part, si vous lui demandez de passer d’abord par son
raisonnement, il peut
04 :55
Utiliser tout son raisonnement comme information
supplémentaire afin de mieux
04 :59
Répondre à la question. Alors, comment pouvez-vous utiliser ce
comportement lorsque
05 :03
Vous sollicitez un chatbot ? Eh bien, si certaines tâches que vous
pouvez demander à
05 :07
Un chatbot de faire peuvent l’aider à effectuer une autre tâche,
demandez-lui
05 :11
D’effectuer ces tâches utiles en premier.
05 :13
Par exemple, vous pouvez inciter à donner d’abord votre
raisonnement, puis votre
05 :18
Réponse. Un autre exemple consiste à revoir ce que vous savez
sur ce sujet, à rédiger
05 :23
Un plan, puis à écrire un article.
05 :25
Pouvez-vous penser à d’autres exemples ? Et une dernière chose
dans le domaine du
05 :29
Traitement du langage naturel, la tâche de prédire le mot suivant
s’appelle
05 :33
La modélisation du langage.
05 :34
Que signifie modéliser une langue ? Si vous pouvez prédire de
manière itérative le mot
05 :39
Suivant dans un morceau de texte et le faire ressembler à du
texte produit par l’homme,
05 :43
Alors vous modélisez ce langage. Et si vous obtenez un modèle
pour apprendre à prédire
05 :48
Le mot suivant, alors c’est un modèle de langage. Très
récemment, les chercheurs en
05 :52
IA ont découvert que s’ils utilisaient de très grands modèles avec
beaucoup de données
05 :57
Textuelles et les amènent à apprendre le langage en prédisant le
mot suivant, alors
06 :01
Ces modèles pourraient apprendre non seulement à prédire le
mot suivant, mais
06 :05
Aussi à effectuer de nombreuses autres tâches. De la traduction
dans d’autres
06 :09
Langues au résumé de texte, et plus encore. C’est pourquoi ces
choses sont appelées
06 :14
Grands modèles de langage ou GML en abrégé.
06 :16
Et vous pouvez donner au grand modèle de langage un indice
sur la tâche que vous
06 :20
Souhaitez effectuer directement dans l’entrée. Si vous vous
souvenez, lorsque
06 :24
Vous utilisez un outil de traduction automatique, vous lui donnez
simplement un
06 :28
Morceau de texte et il le traduit dans une autre langue en
fonction de la langue que
06 :32
Vous avez choisie dans un menu déroulant. Avec un modèle de
langage, dans le texte
06 :36
Lui-même, vous pouvez lui donner une instruction comme :
Traduisez
06 :39
En français, suivi d’un texte.
06 :41
Et le modèle déterminera alors que vous souhaitez effectuer une
tâche de traduction.
06 :45
Et si vous voulez faire une autre tâche, comme résumer un long
script de film, vous
06 :49
Pouvez inclure l’instruction : Résumez ce script de film, dans le
cadre
06 :53
De votre contribution.
06 :54
Il s’agit de diriger ou d’inviter le modèle à effectuer une certaine
tâche.
06 :59
Et c’est pourquoi les entrées des grands modèles de langage
sont
07 :02
Appelées instructions.
07 :04
Ensuite, regardons ce qui se passe lorsque les grands modèles
de langage inventent
07 :08
Des choses qui ne sont pas vraies.
07 :10
Vous en apprendrez plus sur les hallucinations ensuite.

1.3.3 Hallucinations
Applications utilisées :

Open AI playground (vous pouvez y accéder avec un compte

gratuit)

[Link]

La partie spécifique d’OpenAI Playground affichée est la section

« Complétions » :

[Link]

LM Studio : Télécharger de petits modèles de grands langages

locaux

[Link]

(Remarque, un cours ultérieur « Utiliser plusieurs chatbots »,

expliquera plus en détail comment utiliser cette application pour
télécharger des modèles)

Recommandation :

Vérifiez l’exactitude factuelle des résultats du modèle. Vous

pouvez rechercher sur le Web pour plus d’informations et donner
la même tâche à d’autres chatbots pour comparer les résultats.
Pratique suggérée :

Interrogez le chatbot sur vous-même ou interrogez le chatbot sur

un sujet sur lequel il n’a peut-être pas beaucoup d’informations.

Le chatbot admet-il qu’il ne sait pas ? Ou répond-il par une

déclaration qui n’est pas correcte ?

Si on vous posait la question dont vous ne connaissez pas tout à

fait la réponse, que
00 :08
Diriez-vous si vous deviez donner une réponse ?
00 :10
Par exemple, de quel côté avez-vous vu la boule d’emoji
violette ?
00 :14
Était-ce sur votre côté gauche ou sur le côté droit ?
00 :18
Maintenant, vous n’avez peut-être pas assez d’informations pour
répondre à cette
00 :21
Question, mais vous pouvez essayer de donner une réponse
raisonnable.
00 :24
De même, les modèles d’apprentissage automatique et les
chatbots font de leur
00 :28
Mieux pour effectuer une tâche et se trompent parfois. Quand un
chatbot invente
00 :32
Quelque chose qui n’est pas tout à fait correct.
00 :34
C’est ce qu’on appelle une hallucination.
00 :36
Voyons davantage d’exemples d’hallucinations. Oh, et au fait, il
n’y
00 :41
Avait pas de boule emoji violette. En août 2024, les Jeux
Olympiques ont eu lieu à
00 :46
Paris. Au moment de filmer ce cours, j’utilise des modèles qui ont
été formés sur
00 :51
Des informations qui avaient un point de coupure avant les Jeux
Olympiques.
00 :55
Ce qui signifie que ces modèles n’ont pas été formés sur des
informations qui se sont
01 :00
Produites lors de ces épreuves olympiques. Ici, je vais utiliser
Meta AI.
01 :03
Je vais poser quelques questions sur les Jeux Olympiques et sur
qui a remporté des
01 :07
Médailles aux Jeux Olympiques de Paris.
01 :12
Qui sont quelques-unes des personnes qui ont remporté des
médailles aux
01 :15
Jeux olympiques de Paris ?
01 :16
Je remarque ici qu’il est dit que Noah Lyles est mentionné pour
les médaillés d’argent au
01 :22
200m masculin. Je vais poser une autre question, qui a remporté
des
01 :26
Médailles au 200m masculin.
01 :29
On dit qu’Erriyon Knighton a remporté l’or, Noah Lyles a
remporté l’argent et Letsile
01 :34
Tebogo a remporté le bronze dans les épreuves masculines du
200 m
01 :37
Aux Jeux olympiques de Paris.
01 :39
Regardons une rediffusion de cette course. Je regarde une vidéo
youtube fournie par NBC
01 :45
Sports. L’événement final 200 est loin mais a maintenant très
bien répondu à l’arme
01 :51
Qu’il a maintenant, eh bien, mais maintenant voici Noah Lyles.
Lyles au milieu de la
01 :57
Piste, Tebogo y va avec [inaudible]. Noah Lyles dit que c’est là
qu’il
02 :01
Reçoit l’opportunité.
02 :08
Il semble donc que Letsile Tebogo ait remporté l’or, pas le
bronze.
02 :12
Kenneth Bednarek a remporté l’argent et Noah Lyles a remporté
le bronze, pas l’argent.
02 :17
Erriyon Knighton s’est classé quatrième et non premier. Alors
pourquoi
02 :20
Cela s’est-il produit ?
02 :21
Les grands modèles de langage ont un certain caractère
aléatoire intégré.
02 :24
Donc, pour la même invite, la complétion de la sortie est un peu
02 :27
Différente à chaque fois.
02 :28
Jetons un coup d’œil à un exemple de ceci dans le Playground
d’Open AI.
02 :32
Je vais entrer l’invite ici, qui est : Une ville que je veux visiter
est : Ensuite, le
02 :37
Modèle continuera à produire l’achèvement directement après
l’invite.
02 :41
D’abord, il dit San Diego. Et si je clique sur San Diego, un menu
déroulant apparaît,
02 :46
Montrant d’autres mots possibles. Le modèle envisageait
d’utiliser toutes ces autres
02 :52
Villes, ainsi qu’un pourcentage indiquant la probabilité que
chaque mot soit le suivant.
02 :57
Si je recommence, il dit Tokyo, puis il dit Rome, puis Seattle, puis
Amsterdam et enfin
03 :02
Paris. Notez qu’il n’y a aucun moyen pour le modèle de lire dans
mes pensées et de savoir
03 :07
Quelle ville je veux visiter. Et donc, il fait une supposition éclairée
basée sur
03 :11
D’autres textes dont il a appris que les villes qu’il propose sont
des endroits que
03 :16
Beaucoup de gens ont dit vouloir visiter. Ce terrain de jeu OpenAI
affiche également le
03 :21
Pourcentage de probabilité attribué à chaque mot. Ce qui est
l’estimation du modèle de la
03 :26
Probabilité que ce mot apparaisse ensuite.
03 :28
Mais il ne choisit pas toujours le mot qui a la probabilité la plus
élevée.
03 :32
Regardons de plus près.
03 :33
L’entrée est la suivante : Une ville que je veux visiter est : Le
modèle rassemble une
03 :37
Liste d’options possibles pour le mot suivant. Et puis il
échantillonne au hasard
03 :41
De cette liste en donnant un certain poids ou considération à la
probabilité attribuée
03 :45
À chaque mot ou partie de mot. Pour Tok, c’est probablement le
début du mot pour
03 :49
Tokyo. Bar est probablement le début du mot pour Barcelone.
D’après ce que vous avez vu
03 :53
Il y a un instant, le modèle a échantillonné au hasard le mot
Paris, puis l’a ajouté à la
03 :58
Fin de l’invite initiale. Et cela lui permet de passer à
l’échantillonnage aléatoire du
04 :02
Mot suivant après cela. Vous pouvez donc voir que le chatbot fait
de son mieux pour
04 :06
Essayer de regarder quel texte il lui a été donné, puis essayer de
prédire le prochain
04 :10
Mot qui a une probabilité raisonnable de faire sens. C’est bien
quand vous ne vous
04 :14
Attendez pas à ce qu’il fasse une affirmation factuellement
correcte. Par
04 :17
Exemple, toutes ces villes qu’il mentionne ressemblent à des
villes
04 :21
Que j’aimerais visiter.
04 :22
Mais lorsque le modèle fait une déclaration qui est une
affirmation factuelle et que ce
04 :26
Qu’il dit n’est pas factuellement correct, alors cela s’appelle une
hallucination.
04 :29
Il est plus facile de remarquer quand un chatbot dit quelque
chose d’incorrect
04 :33
Lorsque vous lui posez une question sur un sujet que vous
connaissez bien, et quand
04 :36
C’est aussi un sujet sur lequel le chatbot peut ne pas avoir
beaucoup d’informations.
04 :40
Donc, dans ce cas, je vais lui poser une question sur moi-même :
Qui est Eddy Shyu ?
04 :44
Donc, il dit que je suis un youtuber qui parle de smartphones et
d’ordinateurs
04 :47
Portables et d’autres gadgets technologiques.
04 :49
Et il dit aussi que je suis très populaire.
04 :52
Oh, et au fait, je suis très flatté, mais aucune de ces choses n’est
vraie.
04 :56
Maintenant, il est plus facile pour moi de vérifier cela parce que
j’ai fait des
04 :59
Recherches sur le Web de mon nom et des personnes qui ont
mon nom, y compris
05 :03
Moi-même et personne ne correspond à cette description très
flatteuse. Bien que ce soit
05 :06
Peut-être quelque chose à laquelle aspirer un jour. Si vous
voulez, vous pouvez essayer
05 :10
De demander à un chatbot de décrire qui vous êtes et de voir ce
qu’il dit. Il y a encore
05 :14
Une chose que je voudrais noter, à savoir que si un chatbot dit
quelque chose qui est
05 :18
Hors sujet et ne répond pas à votre question, alors même si c’est
factuellement
05 :21
Correct, cette complétion est également considérée comme une
sorte d’hallucination.
05 :25
Une façon de penser à cela est qu’un chatbot pourrait halluciner
une question
05 :28
Que vous n’avez même pas posée.
05 :29
Et donc il répond à cette question au lieu de répondre à votre
question.
05 :33
En voici un exemple.
05 :35
J’utilise l’application téléchargeable LM Studio et je l’utilise pour
télécharger une
05 :39
Version compressée du modèle NeMo Mistral. Et ne vous
inquiétez pas, vous apprendrez
05 :43
Bientôt comment télécharger des modèles sur votre propre
ordinateur ainsi que
05 :46
Ce qu’est un modèle compressé.
05 :48
Alors je vais lui demander, quels sont les moments forts des Jeux
Olympiques de Paris ?
05 :52
Il mentionne d’abord les Jeux olympiques de 2024, mais le reste
de l’achèvement concerne
05 :56
Les Jeux olympiques de 1900 et 1924, qui ont également eu lieu
à Paris. Il peut donc être
06 :01
Un peu discutable de savoir si cela est considéré comme une
réponse hors sujet parce
06 :05
Que je n’ai pas spécifié les Jeux olympiques de 2024 dans
l’invite.
06 :09
Mais si vous utilisez un chatbot assez souvent, vous remarquerez
peut-être qu’il
06 :13
Semble parfois répondre à une question différente et non à celle
que vous posiez.
06 :17
Je vous encourage donc à essayer de tester les instructions qui,
selon vous, peuvent
06 :21
Amener un chatbot à halluciner, puis à vérifier régulièrement
l’exactitude de sa
06 :25
Réponse, car cela vous aidera à développer la bonne habitude
d’anticiper et
06 :29
D’identifier quand la sortie du chatbot n’est pas tout à fait
correcte.
06 :33
Ensuite, voyons comment la mémoire affecte les réponses les
plus récentes du chatbot.
06 :37
Je vous verrai dans la prochaine vidéo.

1.3.4 Mémoire

Applications utilisées dans les conférences :

Mistral téléchargé avec LM Studio : [Link]

WhatsApp (application sur un smartphone)

Recommandation :
Démarrez une nouvelle discussion (pour effacer la mémoire)
lorsque vous ne voulez pas que votre historique de discussion
affecte les résultats de votre demande actuelle.
Parfois, vous pouvez avoir une conversation avec votre ami
lorsque vous réalisez que
00 :09
Vous avez quelque chose à ajouter à une conversation
précédente.
00 :12
Donc, vous revenez à parler de cela.
00 :14
Les chatbots peuvent aussi parfois faire référence à des
conversations précédentes,
00 :17
Car ils ont un code supplémentaire construit autour d’eux appelé
mémoire.
00 :21
Voyons comment la mémoire des conversations précédentes
affecte la façon dont les
00 :25
Chatbots répondent à votre question la plus récente. Je vais
poser deux
00 :29
Questions à un chatbot.
00 :30
Tout d’abord, je vais demander qui est Steve Jobs, et il répondra.
00 :34
Ensuite, je vais lui demander qui est Eddy Shyu.
00 :37
Je vais utiliser LM Studio et télécharger un modèle de Mistral AI.
00 :41
Voyons ce qu’il dit, et ne vous inquiétez pas si vous ne pouvez
pas lire tout le texte.
00 :45
Je vais vous montrer les points saillants pertinents de la sortie
dans un instant.
00 :49
Voici donc un aperçu de ce qui vient de se passer. En réponse à :
Qui est Steve Jobs,
00 :53
Le modèle a répondu que Steve Jobs est un entrepreneur et a
donné plus de détails sur
00 :58
La vie et le travail de Steve Jobs dans la technologie.
01 :01
Puis, en réponse à qui est Eddy Shyu, il a répondu qu’Eddy Shyu
est un entrepreneur.
01 :06
Il mentionne plusieurs autres choses, dont aucune n’est vraie,
mais le fait est
01 :10
Qu’elles concernent toutes l’ingénierie et les affaires.
01 :13
Alors ensuite, je vais commencer une nouvelle conversation avec
le même modèle.
01 :16
Je vais lui demander : Qui est Taylor Swift ? Ensuite, après qu’il
aura répondu,
01 :21
Je lui demanderai qui est Eddy Shyu ?
01 :23
J’utiliserai le même modèle et je mentionnerai qu’avant cela, j’ai
commencé
01 :26
Une nouvelle conversation en cliquant sur le bouton Nouvelle
discussion dans
01 :30
Le coin supérieur gauche.
01 :31
Voyons ce qui se passe, puis passons en revue les résultats.
01 :34
Donc, en réponse à : Qui est Taylor Swift, le modèle répond que
Taylor Swift est une
01 :39
Auteure-compositrice-interprète et mentionne sa vie et son
travail dans la musique.
01 :43
Puis, en réponse à : Qui est Eddy Shyu ?
01 :46
Il répond qu’Eddy est violoniste, compositeur et chef d’orchestre.
01 :50
Encore une fois, ce n’est pas vrai, mais le fait est que la réponse
concerne la musique.
01 :54
Alors, que se passe-t-il ici ? Pour comprendre pourquoi cela se
produit,
01 :58
Examinons une fonctionnalité des chatbots appelée Mémoire.
02 :01
Si vous donnez une invite comme qui est Steve Jobs et que le
grand modèle de langage
02 :06
Donne sa complétion, un logiciel enregistre à la fois votre invite
et la complétion du
02 :11
Modèle dans le cadre d’une conversation en cours. Ainsi, lorsque
vous lui donnez une
02 :15
Autre invite, telle que : Qui est Eddy Shyu, ce n’est pas la seule
information envoyée au
02 :21
Grand modèle de langage. Cette invite actuelle est ajoutée à la
conversation en
02 :25
Cours et toute cette conversation devient l’entrée réelle qui est
envoyée au modèle,
02 :30
Et qui détermine la réponse du modèle.
02 :32
Ainsi, si la conversation précédente mentionne un entrepreneur,
l’achèvement
02 :37
Actuel peut être influencé par cette conversation et également le
mentionner.
02 :42
Cette fonctionnalité des chatbots, qui enregistre l’historique des
conversations en
02 :46
Cours et l’intègre dans le grand modèle de langage, est une
fonctionnalité que
02 :50
Nous appelons la mémoire d’un chatbot.
02 :52
Et j’aime juste souligner que la mémoire est un logiciel qui est
construit indépendamment
02 :57
Du grand modèle de langage lui-même. Le modèle lui-même ne
se souviendra pas
03 :01
Réellement de vos invites précédentes ou de ses réponses
antérieures dans une
03 :05
Conversation en cours. La même chose se produit lorsque vous
demandez
03 :09
D’abord, qui est Taylor Swift.
03 :10
Cette invite et sa réponse sont enregistrées en mémoire.
03 :14
La deuxième invite est ajoutée à cette conversation et le modèle
utilise toute
03 :18
Cette conversation sur l’auteur-compositeur-interprète et la
03 :22
Musique pour déterminer sa réponse actuelle, qui finit par parler
également de musique.
03 :26
Et l’influence de l’histoire peut apparaître dans des situations
moins évidentes que
03 :31
Celle-ci. Par exemple, j’utilisais Meta AI dans WhatsApp et j’ai
posé quelques
03 :35
Questions sur les Jeux olympiques.
03 :37
Puis je lui ai demandé qui est Eddy Shyu ? Il a répondu qu’Eddy
est un joueur de tennis
03 :41
De table qui a participé aux Jeux olympiques. Encore une fois,
03 :44
C’est une hallucination.
03 :46
Mais le fait est qu’il a halluciné à propos des Jeux olympiques
parce que l’histoire de
03 :49
La conversation précédente portait sur le même sujet.
03 :52
Maintenant, cela a des implications parce que vous pourriez
utiliser le chatbot
03 :56
Pendant une longue période de temps et pour différentes tâches.
Et les complétions que
04 :00
Le chatbot vous donne peuvent commencer à être influencées
par des conversations
04 :04
Précédentes que vous ne pensez pas être liées à ce que vous
demandez actuellement
04 :08
Dans votre dernière invite.
04 :10
Par exemple, peut-être qu’une conversation précédente
mentionne les ananas.
04 :13
Ensuite, lorsque vous demandez des recommandations de
garniture de pizza, il
04 :17
Peut suggérer des ananas en partie parce qu’il a été influencé
par la
04 :21
Conversation précédente.
04 :22
Je vous recommande donc de commencer une nouvelle
conversation chaque fois que vous
04 :26
Souhaitez passer à un nouveau sujet pour effacer toutes les
invites et complétions
04 :29
Précédentes qui pourraient affecter la complétion actuelle. Ainsi,
la complétion du
04 :33
Modèle sera basée sur votre invite actuelle et non sur les invites
et
04 :36
Les complétions passées.
04 :37
Donc, si vous demandez des recommandations de garniture de
pizza, il ne sera pas
04 :41
Nécessairement influencé de suggérer des ananas. La plupart
des chatbots vous
04 :44
Permettent de cliquer sur un bouton pour démarrer une nouvelle
conversation
04 :47
Ou une nouvelle discussion.
04 :49
Cela efface la mémoire des conversations précédentes.
04 :52
J’aimerais ajouter une dernière chose sur la raison pour laquelle
la mémoire est un
04 :57
Logiciel séparé qui se distingue du modèle de langage large lui-
même.
05 :00
Une fois la formation d’un modèle terminée, les paramètres du
modèle ne sont plus mis à
05 :04
Jour lorsqu’il est utilisé par des utilisateurs finaux tels que vous
et moi.
05 :08
Ainsi, lorsque vous envoyez une invite à un modèle de langage
de grande taille et
05 :12
Qu’elle donne sa réponse, les paramètres de ce modèle ne
seront pas affectés ou modifiés
05 :16
Par la réception de votre invite. Ce qui va changer, c’est la
mémoire, qui prend la
05 :20
Réponse, l’ajoute à l’historique des conversations et prend
également l’invite
05 :23
Suivante afin qu’elle puisse envoyer l’historique des
conversations et l’invite
05 :27
Actuelle au modèle de langage de grande taille.
05 :30
Pour des raisons pratiques, il serait vraiment difficile pour toute
entreprise qui
05 :33
Héberge un modèle de langage de grande taille d’essayer de
modifier les paramètres
05 :37
D’un modèle en fonction de l’entrée de chaque utilisateur dans
ce modèle. Et ce ne
05 :40
Serait probablement pas quelque chose que vous voudriez de
toute façon, car si un
05 :44
Modèle partagé modifie ses paramètres après chaque interaction
avec ses utilisateurs,
05 :48
Les conversations d’autres utilisateurs avec le chatbot
affecteraient alors vos propres
05 :51
Interactions avec ce même chatbot.
05 :53
Donc, si une personne parle d’ananas au chatbot et que vous
demandez au chatbot des
05 :57
Recommandations de garniture de pizza, il pourrait
recommander des ananas.
06 :01
Mais la façon dont les chatbots sont conçus, la mémoire d’un
chatbot est spécifique à
06 :05
Vous, l’utilisateur, même si le grand modèle de langage est
partagé entre
06 :09
De nombreux utilisateurs.
06 :10
Donc, si quelqu’un parle d’ananas à un chatbot et que vous
demandez au même chatbot
06 :14
De recommander des garnitures de pizza, sa réponse ne sera pas
influencée par les
06 :18
Conversations de l’autre personne sur les ananas. Ensuite,
certaines tâches sont plus
06 :23
Faciles et d’autres sont plus difficiles à réaliser pour un grand
modèle de langage.
06 :27
Regardons ensuite le niveau de difficulté des différentes tâches.

1.3.5 Niveau de difficulté

Certaines tâches sont plus faciles et d’autres sont plus difficiles.
00 :08
Il est donc bon de garder cela à l’esprit lorsque vous demandez à
un
00 :10
Chatbot d’effectuer une tâche.
00 :17
Voici quelques paires de tâches, l’une plus facile et l’autre plus
difficile. Vous
00 :22
Pouvez demander au chatbot de suggérer des façons de dire « je
t’aime ».
00 :26
Ou vous pourriez lui demander d’écrire un scénario de film
convaincant sur deux
00 :29
Personnes qui tombent amoureuses sur un grand bateau.
Lorsque l’on compare les deux,
00 :33
L’une est une tâche plus restreinte.
00 :35
Alors que l’autre est une tâche en plusieurs étapes plus
complexe, ce qui la
00 :38
Rend plus difficile à faire aussi.
00 :40
Comparons deux autres types d’instructions. L’une d’elles est la
suivante : Suggérez
00 :44
Une recette de gâteau, et l’autre est :
00 :46
Résolvez ce problème mathématique. Le premier peut avoir plus
d’une réponse
00 :50
Acceptable, tandis que l’autre nécessite un raisonnement et n’a
probablement qu’une
00 :53
Seule réponse correcte. Il est donc plus difficile d’obtenir la
bonne réponse.
00 :57
Comparons les deux suivants. Vous pouvez demander à un
chatbot de traduire de
01 :01
L’anglais vers l’espagnol, ou vous pouvez lui demander de
traduire du
01 :05
Letton vers le népalais.
01 :06
Pour la première tâche, le modèle de langage de grande taille
avait probablement plus
01 :10
Accès à des données textuelles en anglais et en espagnol, ainsi
qu’à des textes
01 :14
Comprenant à la fois l’anglais et l’espagnol, comme un site Web
touristique.
01 :17
En comparaison, le modèle de langage de grande taille avait
probablement moins de
01 :21
Données d’entraînement liées au letton et au népalais qu’à
l’anglais et à l’espagnol.
01 :25
Parfois, lorsqu’ils utilisent des services de traduction, les gens
préfèrent même
01 :29
Traduire d’abord vers l’anglais comme étape intermédiaire, puis
traduire de l’anglais
01 :33
Vers la langue de leur choix, car ces modèles ont plus accès aux
données
01 :36
Textuelles en anglais et sont donc plus susceptibles d’avoir de
meilleures
01 :39
Performances lorsque la tâche implique l’anglais. Qu’est-ce que
01 :42
Cela signifie pour vous ?
01 :43
Eh bien, il est également utile de faire très attention à vérifier la
sortie du
01 :47
Modèle lorsque vous lui demandez d’effectuer une tâche plus
difficile. Il est également
01 :50
Utile d’utiliser des modèles plus puissants pour des tâches plus
difficiles. Et comme
01 :54
Vous le verrez bientôt dans la prochaine vidéo, il y a aussi des
avantages à
01 :57
Utiliser les modèles moins puissants.
01 :59
Ensuite, vous découvrirez différents groupes de grands modèles
de langage qui sont
02 :03
Disponibles gratuitement et vous comprendrez mieux quand
vous pourriez vouloir utiliser
02 :07
L’un ou l’autre ou peut-être même plus d’un. Examinons
l’utilisation de plusieurs
02 :11
Chatbots dans la vidéo suivante

1.3.6 Utiliser plusieurs chatbots

Chatbots propriétaires auxquels vous pouvez accéder via un site
Web :
[Link]
[Link]
[Link]
[Link]
[Link]

Modèles ouverts auxquels vous pouvez accéder via un site Web :

[Link]
[Link]

Modèles téléchargeables compressés :

[Link]

Lorsque vous recevez une recommandation d’un médecin, il est

assez normal
00 :08
De demander un deuxième avis.
00 :10
De même avec les chatbots, au lieu de compter sur un seul
chatbot, vous pouvez
00 :13
Utiliser de nombreux autres chatbots pour obtenir un 2 ème, 3ème
ou 4ème avis.
00 :16
Jetons un coup d’œil à tous les chatbots que vous pouvez utiliser
gratuitement
00 :19
Et en quoi ils sont différents.
00 :21
Vous connaissez peut-être ChatGPT car il est sorti plus tôt et
fonctionne assez bien.
00 :26
ChatGPT est l’un des chatbots propriétaires auxquels vous
pouvez accéder en ligne.
00 :30
Et d’autres incluent Gemini par Google, Claude par Anthropic,
Copilot par Microsoft
00 :36
Et Mistral par Mistral AI. Ceux-ci sont propriétaires car personne
en dehors de
00 :41
L’entreprise ne peut télécharger le modèle réel et ses
paramètres.
00 :45
Il est propre à l’entreprise qui l’a construit. Vous pouvez l’utiliser
00 :48
Gratuitement avec certaines limites sur la quantité par jour. Et
vous pouvez payer pour
00 :52
Plus d’utilisation ou pour accéder aux modèles les plus
performants de
00 :55
L’entreprise. Ce sont des modèles hébergés, ce qui signifie que
vous envoyez votre
00 :58
Invite sur Internet à un centre de données qui exécute
réellement le modèle, la sortie
01 :02
Du modèle vous est ensuite renvoyée via Internet.
01 :04
La raison pour laquelle ces modèles sont stockés dans des
centres de données est
01 :08
Qu’ils sont tout d’abord propriétaires, mais aussi qu’ils sont si
grands qu’un ordinateur
01 :12
Personnel ne serait pas en mesure de les exécuter. En revanche,
il existe également
01 :16
De nombreux grands modèles de langage qui sont entièrement
open source ou ont
01 :20
Une licence commerciale ouverte.
01 :21
Deux exemples incluent Meta AI de Meta et Command R+ de la
société Cohere.
01 :27
Ces deux modèles ouverts sont également hébergés comme les
modèles propriétaires et
01 :32
Vous pouvez y accéder facilement en allant sur un site Web.
L’open source signifie que
01 :36
N’importe qui peut télécharger l’architecture du modèle et ses
01 :39
Paramètres et en tirer parti.
01 :41
Ils peuvent modifier le modèle, l’entraîner avec plus de données
et l’utiliser pour la
01 :45
Recherche, pour construire un produit pour une entreprise, ou
simplement pour un usage
01 :49
Personnel. La communauté de recherche et la communauté des
start-ups, par exemple,
01 :52
Aiment vraiment les modèles open source parce que ces
modèles sont généralement trop
01 :56
Chers pour eux de construire et d’entraîner à partir de zéro. Les
modèles open source
02 :00
Leur permettent de contribuer au domaine de la recherche ou
même de construire des
02 :04
Produits en s’appuyant sur ces modèles ouverts.
02 :06
Les modèles open source jouent donc un rôle important pour
s’assurer que les nouvelles
02 :10
Technologies sont accessibles à tous. Non seulement quelques
grandes entreprises, mais
02 :15
Une licence commerciale ouverte, dans le cas du modèle Llama
de Meta, est similaire à
02 :19
L’open source. Cependant, selon les conditions d’utilisation de
Meta,
02 :23
Si une entreprise compte plus de 700 millions d’utilisateurs
actifs, elle devra demander
02 :27
Une licence à Meta pour continuer à l’utiliser.
02 :32
Il existe un autre site Web appelé HuggingChat par la société
Hugging Face qui
02 :37
Héberge plusieurs modèles open source créés par d’autres
sociétés.
02 :41
Ceux-ci incluent Llama par Meta, Command R + par Cohere,
Mixtral par Mixtral AI, et notez
02 :47
L’orthographe de Mixtral avec un x, et aussi Phi par Microsoft.
02 :52
Et il existe de nombreux autres modèles open source.
02 :55
La plupart sont trop volumineux pour tenir sur un ordinateur
classique. La mémoire vive
03 :00
De votre ordinateur, ou RAM, parfois simplement appelée
mémoire, peut
03 :03
Être de huit gigaoctets environ.
03 :05
Ou si vous avez mis à niveau votre ordinateur, il peut avoir 16
gigaoctets.
03 :08
La quantité de mémoire vive détermine la taille d’un modèle en
cours d’exécution sur
03 :12
Votre ordinateur, car le modèle doit tenir dans la mémoire vive
de l’ordinateur tout en
03 :16
Laissant de l’espace pour le système d’exploitation de
l’ordinateur
03 :20
Et d’autres applications.
03 :21
Et il convient de noter que la mémoire matérielle n’est pas la
même chose que le
03 :25
Concept de mémoire chatbot que vous avez appris plus tôt. Ici,
nous parlons du
03 :28
Matériel physique de votre ordinateur. Mais les membres de la
communauté des
03 :32
Développeurs open source ont téléchargé des copies de ces
modèles open source. Et parce
03 :36
Qu’ils sont open source, ils peuvent leur faire des choses, comme
les compresser en
03 :40
Versions plus petites qui peuvent fonctionner sur un ordinateur
personnel. Et
03 :43
Ils rendent ensuite ces modèles compressées disponibles au
téléchargement et à
03 :47
L’utilisation par tout le monde. Par exemple, Llama version 3.1
de Meta a
03 :50
Des versions de différentes tailles.
03 :51
Le plus petit est de 8 milliards de paramètres pour la petite
version
03 :55
De 8 milliards de paramètres.
03 :56
Il nécessiterait 16 gigaoctets de mémoire vive.
03 :59
Une version compressée de celui-ci prendrait quatre gigaoctets
de mémoire à la place.
04 :04
Donc, il pourrait en fait fonctionner sur un ordinateur personnel
typique.
04 :07
Il existe une application que vous pouvez télécharger appelée LM
Studio qui vous
04 :10
Permet de rechercher des versions compressées disponibles de
modèles de grands
04 :14
Langages open source et de les télécharger afin que vous
puissiez les exécuter sur
04 :18
Votre propre ordinateur. Voici à quoi ressemble le site Web pour
LM Studio. Et
04 :22
Vous pouvez voir qu’il a beaucoup de modèles populaires, y
compris Llama par Meta. Et
04 :26
Donc je vais aller de l’avant et télécharger Llama 3.1 8B, ce qui
signifie 8 milliards
04 :30
De paramètres, la plus petite version.
04 :32
Mais vous pouvez voir qu’il existe beaucoup, beaucoup de
modèles open source, y compris,
04 :37
Par exemple, Gemma par Google, Phi par Microsoft et Mistral 7B,
ce qui signifie
04 :42
7 milliards de paramètres, par Mistral AI. Et juste au cas où vous
vous poseriez la
04 :47
Question, Mistral AI a publié plus d’un modèle de grand langage
open source. Vous
04 :51
Avez vu plus tôt qu’il y en avait un appelé Mixtral avec un x. Et il
ya
04 :55
Aussi Mistral avec un s.
04 :57
Si vous débutez, vous pouvez simplement vous en tenir à ces
modèles répertoriés sur la
05 :00
Page d’accueil de l’application. Au cas où vous auriez entendu
parler d’autres modèles
05 :04
Qui vous intéressent, vous pouvez les explorer davantage. Vous
pouvez effectuer
05 :07
Une recherche dans toute la liste des modèles compressés. Si
vous cliquez sur la
05 :10
Loupe, juste à titre d’exemple, vous pouvez rechercher le modèle
Llama de Meta.
05 :13
Et le dernier en date au moment de mon tournage est Llama 3.1.
05 :18
Voici les résultats de la recherche. Ils sont légèrement différents
en fonction de la
05 :21
Façon dont ils sont compressés, mais vous pouvez voir leur taille,
05 :24
Environ 4 à 5 gigaoctets.
05 :25
Et celui que je suis en train de télécharger est celui-ci qui fait
05 :29
Environ 4,92 gigaoctets.
05 :30
Et si vous recherchez Mistral, vous verrez également plusieurs
options pour télécharger
05 :33
Ces versions compressées des modèles Mistral. Maintenant, si
vous cliquez sur
05 :36
Cette icône de chat à gauche, c’est là que vous pouvez
commencer à discuter. En haut,
05 :40
Vous pouvez cliquer sur le bouton qui indique sélectionner un
modèle à charger et
05 :43
Le menu déroulant affichera tous les modèles que vous avez
actuellement téléchargés sur
05 :47
Le disque dur de votre ordinateur. Lorsque vous en choisissez un,
il chargera ensuite
05 :50
Ce modèle dans la mémoire vive de votre ordinateur afin que
vous puissiez réellement
05 :53
L’utiliser. Et je vais simplement lui donner une invite pour le
tester.
05 :56
Certains chatbots fonctionnent mieux dans les tâches complexes,
soit parce qu’ils sont
06 :00
Plus grands, soit parce qu’ils sont plus récents.
06 :02
Vous pouvez consulter ce classement sur le site Web de Hugging
Face pour voir certains
06 :06
Des grands modèles de langage les plus performants. Ces
classements sont basés sur
06 :10
Des volontaires humains qui examinent la sortie de deux
modèles qui reçoivent la même
06 :14
Entrée, puis les humains votent pour lequel des deux résultats ils
préfèrent. Et
06 :17
D’ailleurs, les classements sur ces tableaux de classement
changent
06 :20
Presque chaque semaine.
06 :21
Cela est dû au fait que de nombreuses entreprises forment et
fournissent de
06 :24
Nouveaux modèles ou des versions plus récentes de leur modèle.
06 :27
Vous vous demandez peut-être pourquoi je n’utilise pas
simplement l’un de ces
06 :30
Chatbots les plus performants ?
06 :31
Eh bien, ce sera vraiment bénéfique pour vous si vous pouvez
prendre l’habitude
06 :35
D’utiliser plus d’un chatbot pour un certain nombre de raisons.
La première est que les
06 :38
Classements de ces modèles changent à peu près chaque
semaine et ces entreprises
06 :41
Proposent également des versions mises à jour des modèles
avec des fonctionnalités
06 :45
Différentes des autres. Vous pourrez donc bénéficier davantage
de toutes les
06 :48
Innovations disponibles si vous êtes familiarisé avec l’utilisation
06 :51
De bon nombre de ces chatbots.
06 :52
Une autre raison pratique d’en utiliser plus d’un est que les
versions gratuites de ces
06 :56
Modèles propriétaires hébergés limitent généralement le nombre
d’invites que vous
07 :00
Pouvez lui donner par jour ou limitent votre utilisation en fonction
de la quantité de
07 :04
Texte que vous introduisez dans le chatbot en une journée.
07 :07
Si vous préférez ne pas payer de frais d’abonnement mensuels
ou payer pour
07 :10
L’utilisation, il est utile d’utiliser à tour de rôle différents
chatbots.
07 :14
L’autre raison d’utiliser plusieurs chatbots est que cela vous aide
vraiment à avoir une
07 :18
Idée des différents comportements et personnalités de ces
modèles, car ils
07 :21
Fonctionnent tous un peu différemment.
07 :22
Certains d’entre eux ont certaines caractéristiques que d’autres
n’ont pas et
07 :26
Certains d’entre eux sont plus verbeux et certains d’entre eux
sont plus
07 :29
Brefs dans leurs réponses.
07 :30
Cela peut donc dépendre de ce que vous recherchez dans une
tâche particulière, mais
07 :34
Il est bon pour vous d’avoir une idée de la performance de ces
différents chatbots.
07 :37
Donc, une autre question raisonnable que vous pouvez vous
poser est pourquoi utiliser
07 :40
Ces modèles plus petits qui ne sont généralement pas aussi
puissants que
07 :44
Les grands modèles les mieux classés.
07 :45
Eh bien, il y a aussi une empreinte carbone associée à
l’utilisation de ces modèles.
07 :50
Lorsque vous utilisez un modèle hébergé, la société qui les
héberge utilise un tas
07 :53
D’ordinateurs qui se trouvent dans de grands centres de données
qui utilisent beaucoup
07 :57
De matériel pour exécuter ces modèles.
07 :58
L’entraînement de ces modèles et leur utilisation consomment
beaucoup
08 :01
D’électricité et cette électricité pourrait être produite peut-être à
partir de
08 :05
L’énergie éolienne, solaire et hydroélectrique, mais aussi du gaz
naturel,
08 :08
Du pétrole et du charbon. Donc, si vous souhaitez minimiser
votre empreinte carbone,
08 :11
L’utilisation d’un modèle téléchargé sur votre ordinateur
personnel pour des tâches
08 :15
Plus simples peut vous aider à minimiser votre impact
environnemental. Et si vous
08 :18
Vous rappelez ce qui a été dit plus tôt, certaines tâches sont plus
faciles que
08 :21
D’autres. Certaines sont plus difficiles.
08 :23
Si vous pouvez vous débrouiller avec l’utilisation d’un modèle
téléchargé plus
08 :26
Petit pour effectuer une tâche, vous pourriez aussi bien utiliser
un modèle plus
08 :29
Petit. Vous pouvez toujours choisir de passer à un modèle plus
grand et plus
08 :32
Puissant lorsque vous en avez vraiment besoin pour une tâche
plus
08 :35
Complexe ou plus difficile.
08 :36
Et une autre question raisonnable que vous pouvez vous poser
est pourquoi utiliser
08 :39
Des modèles téléchargeables ?
08 :40
Un avantage important de l’utilisation d’un modèle
téléchargeable sur votre ordinateur
08 :44
Personnel est la confidentialité.
08 :46
Par exemple, je veux peut-être poser une question personnelle à
un chatbot sur la
08 :49
Raison pour laquelle mes amis me donnent le même cadeau
d’anniversaire chaque année.
08 :53
Et je préfère garder cela pour moi.
08 :55
Lorsque vous utilisez ces puissants modèles hébergés, vous
devez envoyer votre invite
08 :59
Sur Internet et à la société qui héberge le modèle, généralement
ces entreprises
09 :02
Divulgueront si elles prévoient d’utiliser vos entrées à l’avenir
pour
09 :06
Améliorer encore leurs produits.
09 :07
Il est donc utile de garder à l’esprit que le fait de garder vos
invites et vos modèles
09 :11
Sur votre propre ordinateur vous donnera probablement plus de
confidentialité que
09 :15
D’envoyer vos invites sur Internet.
09 :17
Un autre avantage d’un modèle téléchargeable est que vous
pouvez utiliser le modèle sur
09 :20
Votre ordinateur même lorsque vous n’avez pas de connexion
Internet. Donc, si vous
09 :24
Êtes coincé sur une île déserte, vous serez heureux d’avoir
téléchargé un grand modèle
09 :27
De langue sur votre ordinateur portable.
09 :29
Et encore une fois, ces versions compressées des petits modèles
exécutés sur votre
09 :33
Ordinateur personnel consommeront probablement moins
d’énergie qu’un grand
09 :37
Modèle hébergé haute performance.
09 :39
Il aura donc une empreinte carbone plus faible. Dans la vidéo
suivante, vous
09 :43
Étudierez l’habitude utile de tester un modèle sur une tâche
avant de vous y fier
09 :48
Pour ce type de tâche. Vérifions cela ensuite.

1.3.7 Testez-le avant de vous y fier

Si vous avez fait un gâteau, avant de le servir à vos amis,

vous voudrez peut-être le
00 :10
Tester juste pour vous assurer qu’il est bon. De même,
avec les chatbots, vous
00 :14
Voudrez peut-être le tester pour vous assurer qu’il fait ce
que vous attendez
00 :19
Avant de compter dessus. Je pense que nous allons devoir
prendre quatre ou
00 :24
Cinq autres prises de cela.
00 :28
Voici un article web sur une sorte de chien appelé Shih-
Tzu.
00 :31
Que se passe-t-il si vous demandez à un chatbot
d’extraire un texte pertinent
00 :36
Sur l’apparence de ce chien ?
00 :38
Et si vous donniez le lien web vers cet article ?
00 :40
Idéalement, il serait utile que le chatbot tire des citations
directes mot à mot de
00 :45
L’article afin que vous puissiez, par exemple, citer la
source originale lors de
00 :49
La rédaction d’un essai sur les chiens. Essayons cela et
voyons ce qui se passe. À
00 :53
Première vue, il semble qu’il s’agisse de citations
directes extraites,
00 :57
Mais vérifions simplement cela.
00 :59
Je vais chercher quelques mots clés que je peux
rechercher dans l’article Web lui-même.
01 :04
Par exemple, je vais chercher l’expression « double
couche ». De retour dans l’article
01 :09
Web, je cherche le mot « double » et je ne trouve pas « à
double couche ».
01 :13
Le plus proche que je trouve est « double pelage ».
Permettez-moi de revenir à la
01 :17
Sortie des chatbots et de vérifier s’il y a un autre mot. Il
décrit les yeux de ce chien
01 :21
En forme d’amande. Je vais donc chercher le mot
« amande » dans l’article original pour
01 :26
Vérifier s’il cite directement l’article. Dans la source
originale, je cherche le mot
01 :30
« amande » et ce mot n’apparaît pas du tout dans
l’article.
01 :33
Alors, le chatbot fait-il ce que je lui ai demandé de faire
dans ce cas ?
01 :36
Pas tout à fait même si le chatbot répond qu’il s’agit d’un
texte pertinent extrait de
01 :40
Cet article. On dirait que ce n’est pas ce qu’il fait
réellement.
01 :43
Il se peut qu’il paraphrase cet article ou qu’il utilise ses
propres connaissances
01 :47
Pour générer sa réponse.
01 :48
Essayons un autre hôte de chatbot. Vous pouvez utiliser
le site Web HuggingChat et
01 :52
Également choisir le modèle Llama de Meta. HuggingChat
vous permet également
01 :56
De choisir certaines options.
01 :58
L’un est Récupérer URL et l’autre est Recherche Web.
Celui que je veux vraiment
02 :03
Utiliser ici est Fetch URL parce qu’il va regarder une page
Web spécifique
02 :08
Que je spécifie avec un lien Web.
02 :10
Je vais aller de l’avant et lui donner la même invite.
02 :12
Et quand j’exécute, remarquez qu’il affiche ce message,
« Outil appelé Récupérer URL ».
02 :19
Vous en apprendrez plus sur les outils plus tard dans ce
cours, mais ce message indique
02 :24
Que HuggingChat va au lien Web que j’ai donné dans
l’invite et lit le texte sur ce
02 :28
Site afin d’effectuer la tâche que j’ai demandée.
02 :31
Maintenant, le résultat du chatbot dit « Voici le texte
pertinent » et il affiche
02 :36
Également un paragraphe de texte entouré de guillemets.
02 :39
Vous pouvez vérifier certains mots-clés pour voir s’ils
proviennent
02 :42
De l’article d’origine.
02 :42
Par exemple, je vais vérifier si « tête de hibou » apparaît
dans l’article original.
02 :47
Et on dirait que c’est le cas.
02 :49
Ensuite, je peux vérifier si « double pelage » est une
phrase dans l’article original.
02 :56
Et c’est le cas, donc le chatbot fait-il ce que je lui ai
demandé de faire dans ce cas ?
03 :00
Oui, on dirait que c’est le cas. Il est donc utile de garder à
l’esprit qu’avant de faire
03 :04
Confiance au chatbot pour effectuer un type de tâche, il
peut être utile de lui donner
03 :07
D’abord une version légèrement plus simple de cette
tâche. C’est assez facile pour vous
03 :11
De vérifier et de contrôler en premier.
03 :13
Ce n’est pas parce qu’il indique qu’il exécute une tâche
que vous avez demandée
03 :17
Qu’il le fait nécessairement correctement.
03 :20
Ensuite, vous obtiendrez un aperçu des conseils généraux
sur la façon d’écrire vos
03 :24
Invites que vous pouvez appliquer à tous les cas
d’utilisation que vous
03 :28
Verrez dans le reste du cours.
03 :30
Vérifions cela ensuite

1.3.8 Comment rédiger vos commandes

Relecture :

Écrivez plus que ce à quoi vous êtes habitué.

Diviser en sous-tâches

Définir les attentes (« si vous n’êtes pas sûr, dites-le »)

Format de sortie (tableau, liste, puces)

Ajouter une structure dans l’invite (sous-en-têtes, listes

numérotées, délimiteurs)

Donnez au chatbot un personnage (un rôle, un style de

communication)

Donnez des exemples (apprentissage par quelques exemples)

Demandez à un chatbot de revoir son travail (réfléchir à sa

production précédente)

Chatbots utilisés :

Gémeaux : [Link]

Mistral : [Link]

Mistral Nemo : [Link]

Meta AI : [Link]

Pratique suggérée :

Essayez de demander à un chatbot de raconter une blague, en

vous basant sur une autre blague que vous pensez être une
bonne blague. Essayez d’utiliser un personnage et de donner des
exemples.

05
Si vous apprenez vraiment à écrire une lettre d’amour à votre
partenaire, cela
00 :09
Rendra la vie vraiment belle. Si vous apprenez vraiment à bien
rédiger une invite
00 :13
Pour un chatbot, alors la vie sera aussi plutôt agréable.
00 :16
Jetons un coup d’œil à quelques conseils sur la façon d’écrire vos
invites.
00 :19
La première chose que vous pourriez trouver utile est que vous
pouvez inviter
00 :22
Dans la langue de votre choix.
00 :24
Il n’est pas nécessaire que ce soit en anglais.
00 :26
Par exemple, vous pouvez inviter en chinois, quelle est la
différence entre un Shih Tzu
00 :31
Et un chien havanais ? [s’exprimant en chinois]
00 :34
Vous pouvez demander en français, quelle est la différence entre
un Shih
00 :37
Tzu et un chien havanais ?
00 :39
[s’exprimant en français]
00 :43
Certains modèles mettent davantage l’accent sur certaines
langues.
00 :47
Mistral AI, par exemple, est basé en France et concentre sa
formation de modèle pour
00 :51
Qu’il fonctionne bien dans plusieurs langues européennes, dont
le français, l’allemand,
00 :56
L’italien et l’espagnol. Un autre conseil général que je
recommanderais est d’écrire
01 :00
Plus de texte que vous ne le feriez normalement par rapport à
01 :03
Une recherche sur le Web.
01 :05
Beaucoup d’entre nous sont passés de recherches sur le Web à
des recherches et
01 :09
Des demandes d’informations auprès de chatbots. Ainsi, par
exemple, vous pourriez
01 :12
Initialement avoir une invite comme celle-ci.
01 :15
Quelle est la différence entre un Shih Tzu et un chien havanais ?
01 :18
Voyons ce que vous obtenez de cette invite.
01 :20
Donc, il répond à la question et c’est assez concis, mais vous
pouvez réfléchir à ce que
01 :25
Vous cherchez et à la réponse. Peut-être lui demander quelques
étapes intermédiaires qui
01 :29
Pourraient l’aider à donner une réponse plus complète. Tels
qu’énumérer les
01 :33
Similitudes et les différences.
01 :34
Et peut-être pouvez-vous partager ce que vous prévoyez de faire
avec les
01 :37
Informations que vous obtenez.
01 :37
Par exemple, demandez-lui des conseils sur la façon de
distinguer une chose d’une autre.
01 :43
Laissez-nous voir ce que vous pourriez obtenir avec une invite
plus détaillée.
01 :45
Ainsi, vous pouvez voir qu’il suit les conseils de l’invite plus
détaillée et
01 :50
Répertorie les similitudes et les différences, puis explique
01 :53
Comment les distinguer.
01 :55
Donc, si vous pouvez être plus détaillé dans ce que vous
demandez, alors le chatbot
01 :59
Comprendra mieux ce que vous recherchez et essaiera de
répondre en conséquence. Une
02 :02
Autre suggestion générale est de décomposer votre tâche en une
séquence de sous-tâches.
02 :06
Par exemple, vous pouvez demander quelle est la différence
entre ces deux types de chiens
02 :10
Et lui donner une liste de mesures que vous auriez pu prendre
pour répondre
02 :14
Vous-même à cette question.
02 :15
Passez d’abord en revue les documents de référence, puis
énumérez les similitudes et
02 :19
Les différences et enfin suggérez comment les distinguer.
02 :26
Et voyons ce que vous pourriez obtenir.
02 :31
Et vous pouvez voir en haut qu’il est écrit « Recherché sur 2
sites », ce qui signifie
02 :35
Qu’il a pris ces deux liens Web qui ont été fournis et les a
parcourus pour répondre à
02 :40
La question. Et notez qu’il existe une séquence logique pour les
sous-tâches.
02 :44
Les tâches antérieures impliquent la recherche et la collecte
d’informations.
02 :48
Ceux-ci viennent avant les tâches ultérieures qui impliquent
l’utilisation de
02 :51
Ces informations pour tirer des conclusions.
02 :53
Et vous pouvez également décrire comment vous souhaitez que
la sortie soit organisée
02 :58
Ou formatée, qu’il s’agisse d’un tableau, de puces ou d’une liste
numérotée.
03 :01
Par exemple, vous pouvez demander de formater votre réponse
dans un tableau avec
03 :06
Ces lignes et ces colonnes et de répondre à cette partie de la
question
03 :10
Avec une liste de puces.
03 :12
C’est donc très utile car par défaut, vous obtiendrez
probablement des
03 :16
Paragraphes ou parfois des puces.
03 :19
Mais si vous voulez quelque chose de différent, alors vous
pouvez
03 :21
Simplement demander cela.
03 :21
Voyons ce que vous pourriez obtenir avec une invite comme
celle-ci.
03 :24
Donc, Gemini produit une belle table et en plus de cela, vous
remarquerez peut-être
03 :28
Qu’il vous donne une option pour exporter dans Google Sheets.
03 :31
Ensuite, il fournit une liste de puces comme demandé.
03 :35
En plus du format de la sortie, vous pouvez également définir
des attentes pour ce que
03 :39
Vous considérez comme une bonne réponse ou un bon résultat.
La plupart des chatbots par
03 :43
Défaut ont tendance à répondre sur un ton quelque peu confiant
et feront de
03 :47
Leur mieux pour donner une réponse.
03 :48
Mais vous pouvez définir des attentes que vous préféreriez qu’il
admette quand il
03 :52
N’est pas sûr ou n’a pas assez d’informations. En d’autres
termes, ce que
03 :55
Vous considérez comme une bonne réponse est parfois de dire je
ne sais pas. Voyons
03 :59
D’abord ce qui se passe lorsque vous ne définissez pas l’attente
et voyons en quoi
04 :03
Elle diffère lorsque vous définissez l’attente.
04 :06
Je vais donc simplement lui donner la moitié supérieure de
l’invite et non la moitié
04 :09
Inférieure. Voici ce que vous pourriez obtenir si vous lui
demandez de décrire les
04 :13
Similitudes et les différences pour les catégories suivantes. Vous
pensez peut-être
04 :16
Que la question sur l’odorat et le goût n’est pas aussi courante
que la catégorie
04 :20
Sur l’apparence et qu’il y a probablement moins d’informations
sur l’odeur des chiens
04 :23
Ou sur le type de nourriture qu’ils préfèrent aux autres.
04 :26
Mais un chatbot peut toujours faire de son mieux pour donner
une réponse raisonnable.
04 :30
Maintenant, voyons comment le même chatbot réagira si vous
incluez vos attentes, quand
04 :35
Il n’est pas sûr, il devrait le dire.
04 :42
Vous pouvez donc voir que dans le cas du goût, il admet qu’il
n’est pas sûr à
04 :46
100 % des différences spécifiques.
04 :48
Une autre recommandation consiste à ajouter une structure à
vos invites.
04 :52
Par exemple, vous pouvez ajouter des sous-en-têtes à vos invites
telles
04 :56
Que des références et des étapes.
04 :58
Vous pouvez également inclure la numérotation et les puces.
05 :00
Vous pouvez également utiliser des caractères spéciaux autour
du texte qui,
05 :04
Selon vous, doivent être traités différemment du texte
environnant. Par
05 :07
Exemple, vous pouvez indiquer clairement quand un lien Web
commence et se termine.
05 :12
Et donc vous pouvez mettre des crochets d’angle autour d’eux et
vous pouvez choisir
05 :14
N’importe quel caractère spécial pour le faire.
05 :16
Une recommandation courante est d’utiliser trois guillemets
doubles au début et à la
05 :21
Fin ou d’utiliser trois hashtags au début et à la fin, ces caractères
spéciaux qui
05 :25
Définissent le début et la fin d’un morceau de texte spécifique
sont appelés délimiteurs.
05 :32
Essayons cette invite. Et ici, par exemple, l’interface du chatbot
de Cohere vous permet
05 :36
De choisir des outils tels que le scraper web qui permet au
chatbot de rechercher des
05 :40
Pages Web pour lesquels vous fournissez des liens.
05 :43
Ne vous inquiétez pas pour les autres outils pour le moment,
vous en apprendrez plus sur
05 :46
Les outils plus tard dans le cours. Je vais donc aller de l’avant et
entrer l’invite.
05 :50
Remarquez comment il indique qu’il utilise le scraper d’URL deux
fois, une pour chaque
05 :53
Lien Web donné dans l’invite. Une fonctionnalité intéressante de
l’interface
05 :56
Web de Cohere est que vous pouvez mettre en évidence
différentes parties de sa sortie,
06 :00
Et il peut vous donner la référence de l’article où il a obtenu
l’information. Il
06 :03
Peut vous aider à vérifier que la sortie est fondée sur les
références que
06 :06
Vous lui avez demandées de lire.
06 :08
Une autre caractéristique intéressante des chatbots est que vous
pouvez leur donner un
06 :12
Rôle temporaire ou un personnage qui affecte la façon dont ils
effectuent la tâche.
06 :17
Vous pouvez dire que vous êtes vétérinaire et ensuite poser cette
question.
06 :20
Ou vous pouvez dire que vous êtes un comédien et poser la
même question.
06 :24
Allons de l’avant et utilisons un modèle appelé Nemo par la
société NVIDIA.
06 :28
Voyons donc si nous pouvons trouver Nemo.
06 :32
Voici donc le site de Mistral AI. Mistral AI s’est en fait associé à
NVIDIA pour former
06 :37
Un modèle appelé Mistral Nemo, basé sur le grand modèle de
langage de Nvidia, Nemo. Si
06 :42
Je clique sur le modèle actuel, qui s’appelle Mistral Large 2, il
affiche les
06 :47
Modèles disponibles. Et regardez, j’ai trouvé Mistral Nemo ici.
06 :51
Je vais donc d’abord lui donner une personnalité de vétérinaire.
06 :54
Et voyons ce qu’il dit.
06 :56
Il donne une réponse assez structurée avec différents sous-titres
qui incluent sa santé
07 :00
Et sa durée de vie. Maintenant, essayons à nouveau en lui
donnant le personnage d’un
07 :05
Comédien qui aime raconter des blagues. Maintenant, avec le
personnage d’un comédien
07 :09
Au lieu d’une réponse structurée et formelle, cela donne un court
paragraphe
07 :13
Qui semble plus décontracté.
07 :15
Maintenant, je dois admettre que j’espérais qu’il raconterait une
07 :18
Blague basée sur l’invite.
07 :20
Quelle est la différence entre un Shih Tzu et un chien havanais ?
07 :23
Si donner un personnage ne suffit pas, vous pouvez lui donner
des instructions
07 :27
Explicites pour raconter une blague. Et vous pouvez aussi
essayer autre chose.
07 :31
Vous pouvez lui donner des exemples d’invites et de réponses
pour lui montrer
07 :34
Comment vous souhaitez effectuer une tâche. Je lui pose donc
une question.
07 :38
Quelle est la différence entre une guitare et un poisson ?
07 :41
Et je lui donne aussi la réponse, qui est une blague, vous ne
pouvez
07 :44
Pas thon-er un poisson.
07 :45
Et puis je lui donne un autre exemple de la question, quelle est la
différence entre un
07 :51
Chien bien habillé sur un vélo et un chien mal habillé sur un
monocycle ?
07 :55
Et je lui donne aussi une réponse qui est la tenue (jeu de mots
avec ‘un pneu’).
07 :59
Et enfin, je lui donne la question à laquelle je veux qu’il réponde,
à savoir quelle est
08 :03
La différence entre un Shih Tzu et un chien havanais. Ce modèle
consistant à donner des
08 :07
Exemples de l’entrée et de la sortie souhaitée dans une invite est
ce que les
08 :11
Chercheurs appellent incitation par quelques exemples.
08 :14
À l’inverse, si vous ne donnez pas d’exemples et que vous lui
donnez simplement
08 :18
Une tâche, cela s’appelle une incitation sans exemple.
08 :21
Maintenant, la méthode classique pour réaliser une incitation
avec quelques
08 :24
Exemples est de donner les exemples, puis la question suivante.
Mais en pratique, vous
08 :28
Trouverez peut-être plus utile de donner un peu plus
d’instructions sur ce que
08 :31
Vous demandez au chatbot de faire.
08 :33
Je vais donc également commencer cette incitation par cette
instruction. Étudiez
08 :37
Comment on répond à ces questions. Et je vais également faire
précéder la
08 :41
Dernière question de l’instruction.
08 :44
Répondez maintenant à la question suivante.
08 :46
Essayons cela en utilisant Meta AI. OK, donc c’est OK.
08 :52
Certaines réponses sont plus drôles que d’autres, mais vous
pouvez voir qu’il tente
08 :56
De répondre à la question comme s’il donnait la chute à une
blague, dans une structure
09 :00
Similaire à celle des exemples précédents donnés dans la
consigne. Peut-être que vous
09 :05
Pouvez jouer avec votre propre commande et voir si vous pouvez
obtenir du modèle qu’il
09 :09
Raconte de bonnes blagues. La prochaine vidéo optionnelle
prendra une pause de l’IA
09 :13
Et discutera de certaines interprétations de l’expression :
09 :16
Après la pluie, le beau temps. Après cela, les prochaines vidéos
plongeront dans les
09 :21
Différentes catégories de tâches que vous avez vues dans la vue
d’ensemble.
09 :25
Rendez-vous dans la prochaine vidéo ou celle d’après.

1.3.9 Bons côtés

L’expression : Après la pluie, le beau temps.
00 :09
Voyons ce que cela signifie et aussi ce que cela ne signifie pas.
De loin,
00 :15
Cette œuvre ressemble à un nuage.
00 :19
Mais si vous changez un peu votre perspective et regardez de
près, il semble
00 :24
Qu’il soit en fait composé de nombreuses lignes argentées.
00 :28
C’est plutôt cool, non ?
00 :29
Cela me rappelle une expression courante : Après la pluie, le
beau temps.
00 :33
Les gens utilisent ce dicton pour remonter le moral de quelqu’un
quand quelque chose de
00 :37
Mauvais arrive et pour lui dire que peut-être quelque chose de
bon sort de
00 :41
Quelque chose de mauvais. Jetons un coup d’œil à ce que c’est
et aussi à ce que ce
00 :45
N’est pas. Motivons cela avec un exemple.
00 :47
Disons que vous avez un ami nommé Steve. Il a lancé sa propre
entreprise, une entreprise
00 :51
Fruitière, et il a mis beaucoup de travail dans cette entreprise.
00 :54
Malheureusement, un jour, il a été congédié de son emploi de
dirigeant de
00 :58
Cette entreprise fruitière.
00 :59
Il est donc vraiment triste maintenant et vous vous demandez
peut-être ce que
01 :02
Vous pouvez faire pour l’aider.
01 :03
Eh bien, tout d’abord, vous voudrez peut-être donner à Steve
l’espace nécessaire
01 :07
Pour reconnaître et ressentir ces émotions tristes. Vous vous
souvenez peut-être avoir
01 :11
Vécu des émotions similaires à un moment donné de votre vie.
Peut-être avez-vous
01 :15
Postulé à un emploi que vous aimiez vraiment, mais vous ne
l’avez pas obtenu.
01 :19
Ou peut-être avez-vous essayé de faire partie d’une équipe de
danse et n’avez pas été
01 :23
Retenu. Donc, vous vous souvenez peut-être vous être senti
triste, stressé, peut-être
01 :27
Même en colère ou effrayé à cause de l’incertitude de ce à quoi
ressemblera votre
01 :31
Avenir. À ce stade, il est important de reconnaître qu’il est normal
de ressentir
01 :35
Ces émotions. Et lorsque votre ami traverse cette situation, il est
également important
01 :39
De lui faire savoir qu’il peut ressentir et exprimer ses émotions.
En psychologie, c’est
01 :43
Ce qu’on appelle la validation émotionnelle. Il y a aussi une envie
alternative et
01 :47
Quelque peu instinctive de faire quelque chose de différent, qui
est d’essayer de
01 :51
Réparer les choses en disant à votre ami, regarde le bon côté des
choses, ou vous
01 :55
Devriez apprécier toutes les choses que vous avez, ou peut-être
même dire que vous êtes
01 :59
Mieux ainsi. Même si cela vient de bonnes intentions, le
problème avec le fait de dire
02 :03
Ces choses est que cela ne permet pas à votre ami de ressentir
d’abord ses émotions
02 :07
Et ne vous permet pas de démontrer que vous reconnaissez et
voyez que votre ami traverse
02 :11
Une situation vraiment difficile. En psychologie, c’est ce qu’on
appelle la
02 :15
Positivité toxique, qui tente d’amener quelqu’un à penser
positivement sans d’abord
02 :19
Reconnaître les véritables aspects négatifs qu’il traverse.
02 :21
Il y a donc une ligne fine quand vous dites que chaque nuage a
une lueur d’espoir.
02 :26
Vous voulez également reconnaître que le cloud est là aussi.
02 :29
Que quelque chose de mal s’est passé et vous voulez donner à
votre ami cet espace pour le
02 :33
Reconnaître aussi. Après cela, vous pouvez commencer à penser
à la partie positive.
02 :37
Alors, comment se fait-il que parfois, lorsque les gens regardent
en arrière sur
02 :41
Une situation difficile, ils pensent en fait que cette situation s’est
avérée être une
02 :45
Bonne chose ? Eh bien, l’une des raisons est le temps, nous
avons tous un temps limité
02 :49
Dans une journée pour poursuivre un emploi, un projet ou un
passe-temps.
02 :52
Parfois, lorsque vous êtes refusé pour un emploi ou refusé pour
une opportunité de
02 :57
Participer à un projet, cela signifie que vous avez maintenant le
temps et l’énergie à
03 :01
Consacrer à un autre travail ou à un autre passe-temps ou projet.
Une autre raison pour
03 :05
Laquelle être rejeté de votre travail ou de votre équipe existante
pourrait être une
03 :10
Lueur d’espoir est un changement dans votre environnement.
03 :13
Vous pouvez vraiment aimer votre environnement actuel, les
03 :15
Gens et les projets.
03 :17
Mais si vous êtes obligé de sortir de cet environnement, par
exemple en prenant un
03 :21
Nouvel emploi, en déménageant dans une nouvelle ville ou en
rejoignant un nouveau
03 :24
Groupe de coéquipiers, vous pouvez vous ouvrir à de nouvelles
opportunités qui
03 :28
Existent dans cet environnement différent. Un dicton connexe est
que lorsqu’une porte
03 :32
Se ferme, une autre s’ouvre. En Économie, il existe un concept
connexe
03 :36
Appelé coût d’opportunité.
03 :37
Il dit que l’emploi que vous avez maintenant a un coût qui lui est
associé parce que
03 :42
C’est le coût de ne pas avoir le temps et l’énergie à consacrer à
un
03 :46
Autre travail ou projet.
03 :47
Écoutons Steve dans ses propres mots, alors qu’il se remémore
ce moment où il a été
03 :51
Licencié de sa propre entreprise. Je ne l’ai pas vu à l’époque,
mais il s’est avéré que
03 :55
Me faire virer d’Apple était la meilleure chose qui aurait pu
m’arriver.
03 :59
La lourdeur du succès a été remplacée par la légèreté d’être à
nouveau débutant.
04 :05
Moins sûr de tout. Cela m’a libéré pour entrer dans l’une des
périodes les plus
04 :10
Créatives de ma vie. Pour contextualiser, après que Steve ait été
renvoyé de sa propre
04 :14
Société, il a fondé d’autres sociétés, l’une appelée NeXT, l’autre
appelée Pixar.
04 :19
Lorsque NeXT a été acquis par sa société d’origine, Steve est
retourné à sa société
04 :25
D’origine, Apple. Et c’est Steve. À suivre prochainement. Vous
aurez l’occasion de
04 :30
Pratiquer différentes façons d’utiliser les chatbots. Pour cette
prochaine série de
04 :35
Vidéos, n’hésitez pas à sauter et à choisir la tâche qui vous
semble intéressante ou la
04 :40
Plus pertinente pour vous en ce moment. La vidéo suivante
portera sur
04 :45
La tâche Développer.
04 :46
Au plaisir de vous y voir.