Quelques idées sur l'usage des IAs génératives dans un contexte pédagogique
Simiand, Guillaume. « Quelques idées sur l'usage des IAs génératives dans un contexte pédagogique ». Présenté à Pédagogiquement vôtre : les ateliers virtuels - L'IA et l'enseignement, 7 mars 2024.
Quelques idées sur l'usage des IAs génératives dans un contexte pédagogique
Le titre est volontairement prudent : « quelques idées », et non une doctrine. En mars 2024, sur un sujet aussi neuf et aussi mouvant que celui des IA génératives, il faut se garder des certitudes. Cette communication, donnée dans le cadre des ateliers « Pédagogiquement vôtre », se limite donc à proposer quelques repères : des définitions, un état du terrain, et surtout une attention portée au prompting, c'est-à-dire à la manière dont on s'adresse à ces outils.
Quelques définitions
Avant toute considération pédagogique, il faut s'entendre sur les mots. Un LLM (large language model, grand modèle de langue) est un modèle statistique entraîné sur de vastes corpus textuels. L'IA générative désigne plus largement les systèmes capables de produire du texte, des images ou d'autres contenus à partir d'une consigne. Le prompt est précisément cette consigne, et le prompting l'activité qui consiste à la formuler, à l'ajuster, à la raffiner.
Un marché concentré, un terrain mouvant
Le secteur repose sur un petit nombre d'acteurs, ce qui n'est pas sans conséquence : la dépendance à quelques fournisseurs, et l'attention qu'il convient de prêter à leur intégration verticale dans les outils que nous utilisons au quotidien.
Le terrain est mouvant à plusieurs titres. Les technologies restent complexes et en cours d'étude. Leurs cas d'usage sont difficiles à prévoir, ce qu'on a appelé la « jagged frontier », la frontière dentelée : un modèle réussit brillamment une tâche et échoue sur une autre, apparemment voisine, sans qu'on sache toujours pourquoi. À cela s'ajoutent des capacités émergentes et des effets de seuil, où de nouvelles aptitudes apparaissent au-delà d'une certaine taille de modèle. Enfin, l'angle législatif et réglementaire se construit en même temps que les usages.
L'état neutre de la langue
Un point mérite qu'on s'y arrête. La production par défaut d'un LLM tend vers l'état le plus neutre de la langue, et de l'argumentation. Sans consigne précise, le modèle régresse vers une moyenne : un texte lisse, consensuel, dépourvu d'aspérités. C'est précisément ce constat qui fonde l'intérêt du prompting : sortir le modèle de cette neutralité pour obtenir quelque chose d'utile.
Le prompting : un art et une science
Formuler une consigne tient à la fois du métier et de la méthode. Quelques stratégies valent d'être connues.
Le jeu de rôle consiste à assigner au modèle une posture (« tu es un correcteur exigeant », « tu es un étudiant débutant »), ce qui oriente le registre et le contenu de sa réponse. La technique dite du « tip » ou du coup de pression, qui consiste à promettre une récompense ou à dramatiser l'enjeu, relève du même registre, plus folklorique.
Le « chain of thought » (CoT), littéralement la chaîne de pensée, demande au modèle de raisonner par étapes (« réfléchis étape par étape ») : décomposer le raisonnement améliore souvent la qualité du résultat, en particulier sur les tâches qui demandent une suite d'inférences.
La Retrieval Augmented Generation (RAG) consiste à adjoindre au modèle une base documentaire dans laquelle il puise avant de répondre, ce qui permet d'ancrer ses réponses dans des sources contrôlées plutôt que dans sa seule mémoire d'entraînement.
Enfin, l'opposition entre few-shot et one-shot prompting porte sur le nombre d'exemples fournis dans la consigne : un seul exemple, ou plusieurs, pour guider le modèle vers le format et le ton attendus.
Mobilis in mobile
La conclusion emprunte sa devise au capitaine Nemo : mobile dans l'élément mobile. Sur un terrain aussi instable, la seule posture tenable consiste à poursuivre et à approfondir les expériences en cours, collectives et individuelles, sans prétendre les figer en méthode définitive. Trois chantiers restent ouverts : la perspective d'une abstraction ou d'une automatisation du prompting, qui pourrait rendre obsolètes les recettes d'aujourd'hui ; la veille sur les capacités émergentes des nouveaux modèles ; et l'attention à porter à l'intégration verticale de ces outils dans nos environnements de travail.