• La première caractéristique du film est le rôle que joue la voix en général, et les interfaces vocales en particulier
• "Avec l'essor désormais certain des technologies vocales comme interface, il ne s'agit pour l'instant pas encore vraiment de navigation ; la voix comme interface est d'abord celle de l'injonction ("trouve ceci", "cherche cela", "téléphone à mon dentiste"), de la convocation ("dis à Marie de me rejoindre au bureau"). Un web performatif. Au service de l'action"
• Une fois tombé amoureux de sa "voix", les injonctions deviennent absentes du film et laissent s'installer un dialogue d'abord conversationnel puis sentimental
• Le second point central est la place des écrans.
• Mais pour le reste, la voix comme interface a effacé l'écran comme dispositif.
• Troisième interface mise à l'honneur, de manière plus discrète par le film, la gestuelle, à laquelle nous sommes déjà habitués via nos wii et autres kinect et qu'utilise Théodore pour jouer sur l'écran holographique de son salon.

4 more annotations...

• cet outil (et ses petits frères LLM) aurait surtout un impact quand il s’intègrerait discrètement dans nos applications du quotidien
• Google a commencé par tenter de s’appuyer sur les métadonnées pour pouvoir répondre de manière pertinente à au moins certaines questions, avec le « knowledge graph ».
• analyser les questions que posent souvent les internautes, les réponses qui leur plaisent le plus, et chercher les chaînes de caractère textuelles qui correspondent.
• pour améliorer son référencement, il faut formuler le titre de ses pages/billets/vidéos sous forme de question en essayant d’imaginer ce que les internautes se demandent
• RAG signifie donc Retrieval Augmented Generation ; en français, on parle de « génération augmentée de récupération ».
• Un RAG permet à une intelligence artificielle générative conversationnelle (comme ChatGPT) d’interagir avec un corpus délimité.
• mélanger une fonction linguistique (construire des phrases correctes dans plusieurs langues) et des connaissances, qui s’appuient sur les données d’apprentissage qui leur sont fournies à savoir, globalement, de grands corpus de texte issus du web ou de bibliothèques numériques
• hallucination, c’est-à-dire que lorsque le modèle n’a pas la connaissance nécessaire, il produit quand même du langage et donc raconte n’importe quoi.
• Le principe du RAG est donc d’augmenter (A) la fonction générative (G) avec une fonction de recherche (R) dans un corpus externe.
• Il y a en gros trois méthodes pour améliorer les résultats d’un LLM en maîtrisant davantage la source des connaissances qu’il utilise pour répondre :
• le prompt-engineering, qui consiste à agir au niveau du prompt, en y injectant le contenu des références à utiliser pour fournir une réponse correcte et à jour,
• le fine-tuning, qui consiste à réentraîner le modèle sur un corpus choisi pour lui apprendre à répondre de manière plus spécifique en fonction d’un domaine ou d’un corpus,
• le RAG proprement dit, qui repose sur la séparation de la fonction langagière du LLM et de la base de connaissances qui la sous-tend.

11 more annotations...