Qu’est-ce qu’un grand modèle de langage (LLM) ? Un guide simple

Points clés à retenir

• Un grand modèle de langage (LLM) est un système d’IA qui apprend des régularités dans le langage et les utilise pour générer des réponses.
• Un chatbot est une interface avec laquelle vous interagissez ; un LLM peut être la technologie qui produit ses réponses.
• Les LLM peuvent accélérer la rédaction, la programmation et le traitement de l’information, mais leurs réponses doivent être vérifiées.

Un grand modèle de langage (LLM) est un type d’intelligence artificielle entraîné sur de grandes quantités de texte pour reconnaître des régularités et générer du langage. Il peut suivre des instructions, répondre à des questions, résumer des documents et aider à accomplir des tâches comme rédiger des e-mails ou expliquer du code.

Comment ça fonctionne

Un LLM apprend au cours d’un processus appelé entraînement. Les développeurs alimentent un modèle avec de vastes ensembles de textes, qui peuvent comprendre des livres, des sites web, des articles et du code, selon le modèle et ses données d’entraînement.

Le modèle décompose le texte en unités plus petites appelées tokens. Un token peut être un mot, une partie de mot ou un signe de ponctuation. Pendant l’entraînement, le modèle ajuste des valeurs numériques internes, appelées paramètres, pour améliorer ses prédictions sur les tokens qui vont ensemble.

Le terme « grand » désigne généralement l’échelle du modèle, notamment son nombre de paramètres. La taille ne détermine pas à elle seule la qualité : les données d’entraînement, la conception et la tâche comptent aussi.

De la prédiction à une réponse utile

Lorsque vous saisissez une requête, le modèle traite vos instructions et le contexte disponible. Il génère ensuite une réponse un token à la fois, en s’appuyant sur les régularités apprises pendant l’entraînement.

Un entraînement supplémentaire peut aider les modèles à suivre les instructions et à produire des réponses plus utiles. Prédire des tokens peut sembler simple, mais à grande échelle, cela permet de traduire, de résumer, de programmer et de résoudre des problèmes en plusieurs étapes.

Toutefois, un langage fluide n’est pas une preuve d’exactitude. Un modèle peut produire une réponse convaincante sans disposer d’éléments fiables pour l’étayer.

Ce que le modèle peut voir

La fenêtre de contexte correspond à la quantité d’informations qu’un modèle peut traiter à la fois, notamment votre requête, l’historique de la conversation et les éléments fournis. Elle est limitée : un document ou une conversation longs peuvent donc devoir être raccourcis ou découpés en sections.

Un LLM ne recherche pas automatiquement sur Internet et n’accède pas spontanément aux fichiers de votre entreprise. Une application doit lui fournir ces informations ou le connecter aux outils pertinents.

Certains modèles plus récents traitent également des images, du son ou d’autres types d’entrées. On les appelle souvent des modèles multimodaux.

Exemples concrets

Les LLM sont utiles partout où l’on a besoin de créer, de transformer ou d’interpréter du langage.

Rédaction et révision : Un professionnel peut utiliser ChatGPT pour transformer des notes de réunion en e-mail de suivi, simplifier une explication technique ou rédiger un plan de projet. Préciser le public visé, l’objectif et le format souhaité améliore généralement le résultat.

Assistance client : Une entreprise peut utiliser Chatbase pour créer un chatbot à partir du contenu de son site web et de ses documents. Cela peut aider les clients à trouver des réponses aux questions courantes, mais les cas sensibles ou non résolus doivent toujours pouvoir être transmis à une personne.

Aide à la programmation : Un développeur peut demander à un LLM d’expliquer du code qu’il ne connaît pas, de suggérer des tests ou d’ébaucher une fonction. Qwen (Alibaba) propose une gamme de modèles multilingues pour la programmation et les tâches générales. Le code généré doit toujours être relu et testé.

Recherche dans les connaissances internes : Une organisation peut connecter une application utilisant un LLM à des documents approuvés pour permettre aux employés de poser des questions en langage courant. Une approche fréquente est la génération augmentée par récupération (RAG) : le système récupère des passages pertinents et les fournit au modèle comme contexte.

Ces exemples illustrent également la différence entre un modèle et un produit. Le modèle génère du langage ; le produit qui l’entoure gère des fonctionnalités comme le téléversement de fichiers, la recherche, les autorisations et l’interface de conversation.

Avantages et limites

Le principal avantage est la rapidité. Un LLM peut rapidement produire un premier jet, condenser un long passage ou expliquer un sujet peu familier. Il peut aussi adapter les mêmes informations à différents publics.

Pour les équipes très sollicitées, les avantages utiles comprennent :

• Moins de tâches répétitives : Rédiger des messages courants, classer des retours ou remettre des notes en forme.
• Un accès plus facile à l’information : Poser des questions plutôt que de parcourir manuellement des documents.
• Un apprentissage plus rapide : Demander des exemples, des explications plus simples ou des questions pour s’exercer.
• Une exploration plus large : Générer plusieurs approches avant d’en choisir une.

Les limites sont tout aussi importantes.

Réponses incorrectes : Les LLM peuvent inventer des faits, des références ou des explications. C’est ce qu’on appelle souvent une hallucination. Vérifiez les affirmations importantes auprès de sources fiables.

Connaissances incomplètes ou obsolètes : Les données d’entraînement ont leurs limites. Même une application dotée d’une fonction de recherche peut récupérer des sources peu fiables ou mal les interpréter.

Biais : Les modèles peuvent refléter les biais de leurs données d’entraînement ou répondre différemment selon la formulation d’une question.

Risques pour la confidentialité : Ne collez pas d’informations professionnelles confidentielles ni de données personnelles dans un service non approuvé. Examinez ses pratiques de gestion des données et les politiques de votre organisation.

Exécution peu fiable : Un plan clair ou un exemple de code plausible peut tout de même échouer en pratique. Maintenez une validation humaine pour les actions aux conséquences importantes, en particulier celles qui concernent l’argent, la santé, les questions juridiques ou l’accès aux systèmes.

Comment débuter

1. Choisissez une tâche à faible risque

Commencez par quelque chose de facile à vérifier, comme reformuler une annonce publique ou résumer vos propres notes non sensibles. Évitez de faire d’une décision à fort enjeu votre première expérience.

Un outil conversationnel comme ChatGPT constitue un point de départ simple. Vous n’avez pas besoin de créer ni d’entraîner un modèle.

2. Donnez des instructions claires

Précisez la tâche, le contexte pertinent et le résultat souhaité. Par exemple :

Transforme ces notes en e-mail de suivi destiné à un client. Utilise un anglais simple, reste sous les 150 mots et énumère les prochaines actions. N’ajoute pas de faits absents des notes.

Examinez le résultat, puis demandez des modifications précises.

3. Adaptez la configuration à vos besoins

Pour une utilisation locale, Ollama fournit un environnement permettant d’exécuter des modèles ouverts compatibles sur des ordinateurs personnels. Les exigences matérielles varient, et une utilisation locale nécessite tout de même des pratiques de sécurité adaptées.

Pour des projets plus techniques, Mistral AI propose des modèles à poids ouverts. Vérifiez la licence et les exigences de chaque modèle avant de l’utiliser.

Les développeurs peuvent utiliser LangChain pour créer des applications utilisant des LLM ou LlamaIndex pour les connecter aux données de leur organisation. vLLM est un moteur d’inférence et de mise à disposition de modèles qui permet d’exécuter efficacement les modèles compatibles. Il s’agit de choix d’infrastructure, et non de prérequis pour les débutants.

4. Vérifiez si cela vous aide réellement

Comparez le temps gagné au temps passé à relire et à corriger le résultat. Continuez à utiliser le modèle là où il améliore l’ensemble du processus de travail, et pas seulement le premier jet.

FAQ

Un LLM est-il la même chose qu’un chatbot ?

Non. Un LLM est un modèle qui génère du langage. Un chatbot est une interface conversationnelle qui peut utiliser un LLM, des règles fixes ou une combinaison de systèmes. Les LLM peuvent aussi alimenter des applications dépourvues d’interface de conversation.

Un LLM apprend-il de chaque conversation ?

Pas automatiquement. Un modèle peut utiliser vos messages comme contexte pendant une conversation sans modifier ses paramètres sous-jacents. L’utilisation ultérieure des conversations par un fournisseur pour l’entraînement dépend du service, des paramètres du compte et des politiques en vigueur.

Puis-je exécuter un LLM sur mon propre ordinateur ?

Oui, si votre matériel peut prendre en charge le modèle choisi. Des outils comme Ollama rendent l’installation locale plus accessible. Les modèles plus petits nécessitent généralement moins de ressources, mais la vitesse et l’utilité varient selon le modèle, le matériel et la tâche.