April 2024

"Prompting": Interagir avec les IA

Comment dialoguer efficacement avec une intelligence artificielle ? Depuis l'avènement de ChatGPT, qui a rapidement conquis plus de 100 millions d'utilisateurs en quelques mois seulement, cette question intrigue de nombreux experts et passionnés, tous désireux de tirer le meilleur parti des capacités offertes par la machine.

Un nouveau terme a émergé pour décrire les requêtes adressées aux IA génératives : le "prompt". Issu de l'anglais, "prompt" signifie inciter ou entraîner, et désigne un début de texte, une question ou une situation posée à la machine en langage naturel afin qu'elle génère une réponse. Un bon prompt est censé permettre à la machine de produire n'importe quel type de contenu textuel, visuel ou audio. Cependant, cette perspective suscite également des inquiétudes légitimes, notamment dans les milieux culturels et médiatiques.

Un prompt peut être aussi simple qu'une question ou qu'une phrase, ou plus complexe, impliquant une mise en situation détaillée. Quelle que soit sa forme, le résultat d'un prompt est statistique : l'IA génère une réponse basée sur des prédictions tirées de son ensemble de données d'entraînement. Cette approche soulève des préoccupations quant à la standardisation du contenu produit, ainsi qu'à la facilitation de la propagation de fausses informations, de deepfakes et de discours haineux.

Cependant, l'art de "prompter" est devenu une compétence à part entière, même si cela peut parfois être contre-productif. Certains spécialistes, les "prompt engineers", consacrent du temps à affiner les prompts pour obtenir les résultats souhaités. Mais il reste difficile de contrôler efficacement un modèle d'IA générative, qui fonctionne comme une "boîte noire". La valeur de vérité des réponses générées reste donc sujette à caution.

En fin de compte, interroger une machine peut sembler délicat, mais seuls les experts peuvent juger de la pertinence réelle des réponses données. La science du "prompt" repose en partie sur l'illusion de pouvoir contrôler précisément un modèle complexe, alors qu'en réalité, son fonctionnement reste largement opaque.