Comment amener l'IA à comprendre des problèmes complexes ?

Faire comprendre à l'IA des problèmes complexes est plus facile à dire qu'à faire. J'ai récemment découvert un phénomène intéressant lors du débogage de ChatGPT : la qualité de la réponse à la même question, posée de différentes manières, peut être très différente. Par exemple, si vous demandez "comment comprendre la mécanique quantique", l'IA peut donner un tas de termes obscurs et difficiles à comprendre ; cependant, si vous changez la question en "pouvez-vous utiliser l'exemple de la préparation du café pour expliquer la mécanique quantique", la réponse devient immédiatement vivante et intéressante. Cela m'a fait comprendre que la limite supérieure de la capacité de compréhension de l'IA dépend dans une certaine mesure de l'art de poser des questions.

L'art de résoudre les problèmes

Une étude de cas publiée par OpenAI l'année dernière montre que lorsque les utilisateurs décomposent une grande question telle que "comment créer une entreprise" en 5 à 7 sous-questions spécifiques telles que "comment valider une idée commerciale" et "comment rédiger un plan d'affaires", la précision des réponses de l'IA augmente de 63%. "C'est comme apprendre aux enfants à construire des blocs, au lieu de leur donner un guide pour construire un château entier en une seule fois, nous devrions leur apprendre à construire les murs, les tours et les ponts-levis étape par étape. Dans la pratique, j'ai également constaté qu'en donnant à l'IA un cadre de pensée clair, tel que "veuillez répondre selon la structure de la raison, du statut et de la solution", on obtient souvent un résultat plus structuré.

Cependant, il y a aussi une raison de décomposer le problème. Une expérience menée par le MIT Media Lab a montré qu'une décomposition trop détaillée du problème réduirait la capacité de l'IA à le comprendre. Par exemple, décomposer "comment écrire un roman" en "comment écrire la première phrase du premier paragraphe du premier chapitre" est trop mécanique. Le désassemblage idéal devrait ressembler à l'épluchage d'un oignon, couche par couche, en s'approchant du cœur, mais chaque couche devrait conserver une logique complète.

Le pouvoir du contexte

Les chercheurs de Google DeepMind ont découvert qu'en fournissant à l'IA le contexte approprié, sa compréhension peut être améliorée de plus de 40%. Par exemple, si vous demandez "comment résoudre les conflits d'équipe" et que vous ajoutez "nous sommes une équipe de startup à distance dont les membres proviennent de 5 fuseaux horaires différents", les conseils donnés par l'IA seront beaucoup plus spécifiques. Cela me rappelle un cas que j'ai aidé un ami à consulter avec l'IA la semaine dernière : en demandant simplement "Que faire si mon enfant n'aime pas étudier ?", j'ai obtenu des généralités, mais en ajoutant des détails tels que "Mon enfant a 12 ans, il est accro aux courtes vidéos et il est particulièrement réfractaire aux mathématiques", les conseils sont instantanément plus exploitables. Les conseils deviennent immédiatement applicables.

Il est intéressant de noter que plus de contexte n'est pas mieux. Les recherches menées par l'université de Stanford dans le domaine de l'informatique décisionnelle montrent que les descriptions contextuelles de plus de 500 mots peuvent empêcher l'intelligence artificielle d'aller à l'essentiel. La meilleure pratique consiste à commencer par une ou deux phrases décrivant la question principale, puis trois à cinq points pour fournir le contexte essentiel, et enfin préciser la forme souhaitée de la réponse.

La magie des boucles de rétroaction

Ce qui m'a le plus surpris, c'est la capacité de l'IA à apprendre en temps réel. Les recherches d'Anthropic montrent qu'après 3 à 5 cycles de dialogue, la précision de Claude dans la compréhension de questions complexes peut passer de 58% à 89%. Par exemple, lorsque la première réponse n'est pas satisfaisante, en disant "Cette explication est encore trop professionnelle, pourriez-vous utiliser un exemple plus vivant", l'IA ajuste vraiment l'expression. L'IA va vraiment ajuster l'expression. J'utilise souvent cette méthode de "questionnement progressif", comme si je parlais à un assistant intelligent, mais j'ai besoin de guider l'assistant, chaque retour d'information permet d'aligner notre canal de pensée.

Notez toutefois que le retour d'information doit être spécifique. Au lieu de dire "je ne comprends pas", soulignez que "la relation de cause à effet à l'étape 3 n'est pas très claire" ; l'IA est comme un étudiant sérieux, plus vous lui donnez de conseils spécifiques, plus elle apprend vite. Récemment, alors que je traitais un problème d'optimisation de la chaîne d'approvisionnement, la solution finale que j'ai obtenue après quatre séries de commentaires ciblés était beaucoup plus raffinée que la première version.

En fin de compte, faire comprendre à l'IA des problèmes complexes, c'est essentiellement exercer notre capacité à penser clairement. Chaque dialogue avec l'IA est un miroir des ambiguïtés et des sauts de notre propre expression. Peut-être qu'un jour, dans le futur, lorsque l'IA pourra facilement comprendre tous les problèmes complexes, notre mode de pensée humain deviendra plus clair et plus organisé.