La plupart des utilisations des modèles de langage aujourd’hui se font au travers d’une conversation avec l’utilisateur. Cette vidéo s’intéresse à la possibilité d’employer ces modèles en tant qu’agent autonome capables de résoudre une tâche donnée.
On étudie plus particulièrement le problème de l’ancrage, qui se résume à adapter les connaissances théoriques et livresques d’un modèle de langage au monde réel, afin qu’il puisse s’en servir en pratique.

Les modèles de langage comme ChatGPT, Gemini ou Mistral sont capables de réaliser une grande diversité de tâches pour répondre aux besoins de leur utilisateur. Afin de tirer une meilleure partie de leurs compétences, on peut leur faire manipuler des outils lors de la rédaction de leur réponse.

This video introduces the concept of prompting, which enables a language model (such as ChatGPT) to perform a specific task by explaining it in natural language sentences. It showcases two prompting methods through examples: explaining the task in natural language and providing examples of task completion.

Several examples of "prompts" for various uses are presented, such as generating questions to assist students in revising or anticipating questions on a topic, or aiding in writing from notes.

The voice was synthesized using ElevenLabs (elevenlabs.io).

Language Models, such as ChatGPT, Gemini or Mistral, have demonstrated impressive capabilities for a wide range of tasks. However, they also have numerous limitations and weaknesses! In this video, we explain the main ones:

• Language Models are trained on data of varying quality and origin. The selection of this data is often not precisely controlled.
• This data, and thus the Language Models, can contain "biases", meaning an automatic way of thinking that is not based on reasoning or facts. These biases can be unfair and reinforce stereotypes. If these biases are not controlled, they will be reflected in the output and usage of these models.
• ...

The voice was synthesized using ElevenLabs (elevenlabs.io).

Les modèles de langage comme ChatGPT, Gemini ou Mistral sont de plus en plus puissants et tendent à être utilisés dans de plus en plus de domaines. Dans cette vidéo, nous vous proposons d’étudier les applications possibles de ces outils dans des domaines comme le travail, la santé, l’éducation ou encore la préservation de langues.

This video is an introduction to large language models which are the basis for tools like ChatGPT, Gemini or Mistral. They are intended for the general public (for instance students and professors in middle and high school, and more generally anyone not accustomed to computer science or AI).

This is a 5-minute overview answering these questions: :

• How are these models "trained"?
• On which type and amount of data are they trained, and what is the impact of the size of the training corpus?
• Which types of tasks are they capable of doing, and how can we ask them to perform those tasks?
• What are their main usages in society?
• What are their limitations and biases? What social issues?
• Which organizations develop these models? Are there "open-sourced" ones ?

The voice was synthesized using ElevenLabs (elevenlabs.io).

Les modèles de langage comme ChatGPT, Gemini ou Mistral sont capables de tenir des raisonnements simples pour résoudre un problème donné. Cependant, il est parfois nécessaire d'avoir recours à différentes techniques de prompting avancé pour les aider à organiser de tels raisonnements. Dans cette vidéo, nous verrons quelques unes de ces techniques (par exemple les chaînes de pensées) et discuterons de l'origine et des limites de ces capacités à raisonner.

Cette vidéo présente les principales forces des modèles de langage tels que ChatGPT, Gemini ou Mistral. En dépit de certaines faiblesses, ils possèdent également un grand nombre de forces telles que:

• leur capacité à analyser un contexte donné pour fournir une réponse adaptée à une tâche
• leur utilisation d'outils externes (par exemple Wikipedia)
• la grande diversité des données sur lesquelles ils ont été entraîné
• leur capacité à produire des raisonnements basiques
• leur "sens commun" dans certains contextes
• leur capacité à nous aider à trouver des idées créatives

Cette vidéo introduit la notion de prompting, qui permet de faire réaliser une certaine tâche à un modèle de langage (par exemple ChatGPT) en lui expliquant cette tâche au moyen de phrases en langage naturel. On y voit, au travers d’exemples, deux méthodes de prompting (expliquer la tâche en langage naturel, et donner des exemples de réalisation de la tâche).

Quelques exemples de "prompts" correspondants à des usages divers sont présentés, comme la génération de questions pour aider des élèves à réviser ou à anticiper des questions sur un sujet, ou l'aide à la rédaction à partir de notes.

Les modèles de langage, comme ChatGPT, Gemini ou Mistral, ont montré des capacités impressionnantes pour des tâches très variées. Cependant, ils ont aussi de nombreuses limites et faiblesses ! Dans cette vidéo, nous expliquons les principales:

• les modèles de langage sont entraînés à partir de données dont la qualité et l'origine peuvent être très variables. Le choix de ces données n'est souvent pas précisément contrôlé.
• ces données, et donc les modèles de langage, peuvent contenir des "biais", c’est-à-dire une manière de penser automatique, qui ne repose pas sur un raisonnement ou sur des faits. Ces biais peuvent être injustes et renforcer des stéréotypes. Ces biais, s’ils ne sont pas contrôlés, seront alors répercutés dans les productions et les usages que l’on fait de ces modèles.
• ...

Cette vidéo est une introduction aux modèles de langage, qui sont à la base d’outils comme ChatGPT, Gemini ou Mistral. Elle s'adresse à un public large (par exemple élèves et enseignants de collèges et lycées, et plus généralement aux non spécialistes de l'informatique ou de l'IA).

En 5mn, elle fait un tour d'horizon des questions suivantes:

• Comment ces modèles sont-ils "entraînés" ?
• Sur quel type et quelle quantité de textes sont-ils entraînés, et quel est l'impact de la taille de ces corpus d'entraînement ?
• Quell types de tâches sont-ils capables de réaliser, et comment peut on leur demander de réaliser ces tâches ?
• Quelles sont leurs applications ?
• Quels sont leurs limites et leurs biais ? Quels enjeux sociétaux ?
• Quelles organisations développent ces modèles ? Certains sont-ils "open-source" ?