Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Chain of Thought
Technique de prompting qui encourage le modèle à expliciter son raisonnement étape par étape avant de fournir la réponse finale. Cette approche améliore la précision des réponses sur des tâches complexes nécessitant un raisonnement logique séquentiel.
Top-p Sampling
Méthode d'échantillonnage nucléaire qui limite la sélection des tokens aux plus probables cumulant une probabilité totale p. Cette technique équilibre entre cohérence et créativité en évitant les choix de mots très improbables tout en maintenant une certaine diversité.
Prompt Chaining
Technique consistant à utiliser la sortie d'un prompt comme entrée pour le prompt suivant, créant ainsi une séquence logique d'interactions. Cette approche permet de décomposer des tâches complexes en étapes plus simples et gérables pour le modèle.
Instruction Following
Capacité d'un modèle de langage à comprendre et exécuter précisément des instructions complexes données en langage naturel. Cette compétence est fondamentale pour l'interaction efficace entre humains et systèmes d'IA dans des applications pratiques.
Role Prompting
Technique consistant à assigner un rôle ou une persona spécifique au modèle pour orienter son style de réponse et son perspective. Cette approche permet d'obtenir des réponses plus cohérentes avec le contexte ou le domaine d'expertise souhaité.
System Prompt
Instruction initiale qui définit le comportement, les contraintes et les directives générales du modèle pour toute la conversation. Ce prompt établit le cadre de référence dans lequel le modèle opérera lors des interactions ultérieures.
Prompt Injection
Vulnérabilité où des utilisateurs malveillants manipulent les prompts pour contourner les restrictions ou modifier le comportement attendu du modèle. Cette technique représente un défi majeur de sécurité dans les applications basées sur les modèles de langage.
In-Context Learning
Capacité d'un modèle à apprendre et s'adapter à de nouvelles tâches directement à partir des exemples fournis dans le prompt, sans modification de ses poids. Cette propriété permet une flexibilité remarquable dans l'utilisation des modèles de langage.
Prompt Decomposition
Technique consistant à diviser une requête complexe en sous-prompts plus simples et gérables pour le modèle. Cette approche améliore la précision et la fiabilité des réponses sur des tâches multifacétées.
Prompt Templates
Structures pré-définies de prompts avec des espaces réservés variables, permettant une génération cohérente et efficace d'instructions similaires. Ces templates standardisent les interactions et facilitent l'automatisation des tâches répétitives.
Prompt Validation
Processus de vérification de la qualité, la cohérence et l'efficacité d'un prompt avant son déploiement ou son utilisation à grande échelle. Cette étape cruciale garantit des performances fiables et prévisibles du modèle.
Prompt Optimization
Ensemble de techniques visant à améliorer systématiquement l'efficacité des prompts pour maximiser la qualité des réponses du modèle. Cette optimisation peut inclure des ajustements de formulation, de structure et de paramètres.
Prompt Versioning
Pratique de suivi et gestion des différentes versions d'un prompt pour maintenir un historique des modifications et faciliter les comparaisons de performance. Cette approche est essentielle pour l'amélioration continue des systèmes basés sur l'IA.
Token Limit Management
Stratégie de gestion des contraintes de tokens pour optimiser l'utilisation de la fenêtre de contexte du modèle. Cette technique inclut la résumé automatique, la compression d'information et la sélection pertinente des données à inclure.