Invite de tir zéro
Dans certains cas, les exemples ne sont ni nécessaires ni réalisables. Demander à un modèle de traduire, par exemple, un paragraphe en français ou en russe n’est pas une situation où les exemples ont du sens. Si le modèle est à la hauteur, les différents mots de l’autre langue devraient faire partie de l’ensemble de formation. Dans ces cas-là, l’utilisateur ne peut pas dire grand-chose car le travail acharné a été effectué lors de la construction du modèle.
Format questions-réponses
Au lieu de traiter le LLM comme un serviteur, l’approche Q&A le traite comme un sage doté d’une profonde capacité à répondre aux questions. Une série de questions courtes suivies de réponses directes peuvent souvent trianguler sur la réponse, fournissant ainsi des connaissances à l’utilisateur. Cela ne fonctionne cependant que lorsque le LLM est un outil permettant d’acquérir des connaissances et, peut-être, d’enseigner. Cela ne fonctionne pas aussi bien lorsque l’IA est censée générer un bloc d’écriture. Certaines personnes pensent qu’un entretien ou un interrogatoire construit à partir d’une série de questions courtes et directes réduit les hallucinations, mais ce n’est pas mon expérience. Les LLM sont conçus pour nous plaire et ils hallucinent lorsqu’ils cherchent une réponse. Plus de questions signifie plus de réponses et plus d’occasions d’halluciner.
incitation socratique
Les LLM sont réputés pour leur désinvolture. Certains utilisateurs ne veulent pas de réponse simple, ils demandent donc au LLM de répondre non pas par une réponse, mais par une série de questions sur la tâche ou l’objectif de l’utilisateur. En d’autres termes, il est demandé au modèle d’interroger l’humain à titre de test. Cette approche est particulièrement populaire pour les modèles déployés dans les écoles, mais elle est utile dans tout contexte où l’utilisateur souhaite mieux comprendre ou forcer le modèle à réfléchir plus profondément à un problème.
