Qualité de l'information et techniques avancées

Le développement des nouveaux modèles basés sur le traitement du langage naturel (TLN, ou NLP en anglais), y compris les modèles génératifs, progresse à une vitesse impressionnante. En aroma-phytothérapie, il a fallu attendre des modèles récents pour obtenir des résultats crédibles. La concurrence est féroce : Mistral par le Parisien Mistral AI, GPT-4o par OpenAI (San Francisco, Californie, États-Unis), Claude 3.7 par Anthropic (idem), Grok 3 par xAI (idem) et DeepSeek V3 par DeepSeek AI (Pékin, Chine).

Pour se donner toutes les chances d’obtenir des informations de qualité, il faudra alimenter les modèles de base avec des informations spécialisées et les guider avec des instructions précises et souvent très élaborées.

Malgré leurs performances, ces modèles font des erreurs. En aroma-phytothérapie, la sécurité et la précision sont primordiales. Pour se donner toutes les chances d’obtenir des informations de qualité, il faudra alimenter les modèles de base avec des informations spécialisées (voir : le RAG) et les guider avec des instructions précises et souvent très élaborées (voir : prompt engineering).

La génération augmentée de récupération

Le choix d’un de ces modèles généralistes constitue le point de départ du développement d’une application IA spécialisée. Ces modèles sont entrainés sur des données généralisées. Il faudra donc soit les adapter à un domaine d’expertise précis, tel que l’aroma-phytothérapie, soit intégrer des données spécifiques au domaine dans le dialogue avec le modèle de base. Adapter un modèle de base avec des données spécifiques à un domaine exige des ressources informatiques et donc financières importantes. Dans un domaine niche tel que l’aroma-phytothérapie, une telle approche semble démesurée par rapport aux moyens financiers disponibles dans le secteur.

En revanche, la génération augmentée de récupération (anglais : Retrieval-Augmented Generation, RAG) permet au modèle de base d’accéder à des sources externes spécifiques, comme une base de données d’huiles essentielles ou de toxicité, pour répondre avec plus de précision. La RAG offre donc une alternative plus économique en intégrant des données spécifiques sans nécessiter d’entraînement, rendant l’IA générative plus accessible, plus efficace et plus juste.

Parmi les méthodes déployées dans le RAG, les appels de fonction sont permettent au modèle d’accéder à des informations spécialisées et fiables, issues de data sets spécialisés et de publications scientifiques. Le principe est simple : dans le dialogue avec l’IA, des fonctions sont proposées. Le modèle décide si oui ou non il fera appel à ces fonctions. Si une fonction est appelée à l’aide, l’application IA fournira des informations spécifiques au modèle, qui reprendra ensuite le cours de son travail.

Le prompt engineering

Les appels de fonction seront complétés par le prompt engineering, littéralement : ingénierie de prompt, une technique qui consiste à formuler des instructions précises et optimisées pour guider le modèle d’IA dans la génération de réponses pertinentes et précises. En pratique, le prompt engineering va structurer les demandes adressées au modèle de manière à orienter sa réponse vers les informations souhaitées, et cela aussi bien au niveau contenu que dans la forme. Parmi les principales techniques : l’attribution d’un personnage, la description d’un contexte spécifique et d’une action souhaitée précise, la décomposition d’une question complexe en plusieurs étapes plus simples (prompt chaining), l’inclusion des exemples pertinents (few-shot prompting), la spécification du format de réponse attendu…

Par exemple : une réponse IA qui parle d’une Lavande n’est d’aucune utilité. Pour s’assurer que la réponse cite l’espèce botanique et la forme galénique, il suffit de montrer l’exemple (du contenu et du format) :

• Exemple incorrect : Lavende ; exemple incorrect : Lavandula.
• Exemple correct : HE Lavandula angustifolia subsp. angustifolia (sommité fleurie).

Le prompt engineering permet également d’adapter les requêtes aux préférences individuelles des l’utilisateur·rices. Tout comme dans le RAG, des data sets spécialisés seront appelées pour proposer des choix multiples, qui permettent d’affiner les requêtes et donc de rendre les réponses de l’IA plus pertinentes. C’est la tâche de l’application spécialisée IA.

Cette inscription n’affecte pas votre abonnement à la newsletter mensuelle.