Aperçu
L'apprentissage en contexte est la capacité surprenante des grands modèles de langage à choisir une nouvelle tâche à partir de quelques exemples placés dans l'invite, sans aucun recyclage. C'est la raison pour laquelle vous pouvez « enseigner » un modèle à la volée simplement en lui montrant ce que vous voulez.
L'apprentissage en contexte fait partie de la pile langage-IA utilisée pour lire, générer, classer et transformer du texte et de la parole à grande échelle.
Plongée profonde
Normalement, enseigner une nouvelle tâche à un réseau neuronal signifie mettre à jour ses poids par le biais d’un entraînement. L'apprentissage en contexte est différent : vous écrivez quelques exemples directement dans l'invite (le « contexte »), et le modèle déduit le modèle et l'applique à une nouvelle entrée. Rien à l’intérieur du modèle ne change ; les exemples orientent simplement la prédiction du prochain jeton. Vous entendrez « zéro-coup » (instruction uniquement), « one-shot » (un exemple) et « quelques-coups » (plusieurs exemples). Ce comportement a été popularisé par GPT-3 en 2020 et s'est avéré être une capacité émergente : les petits modèles ne peuvent pas le faire, mais au-delà d'une échelle d'environ 100 milliards de paramètres, la précision des invites de quelques tirs augmente fortement. Le modèle a effectivement appris à reconnaître et à poursuivre les modèles pendant la pré-formation, afin de pouvoir réutiliser cette compétence au moment de l'inférence.
Aperçu technique
Les recherches sur l'interprétabilité ont attribué une grande partie de cette capacité aux « têtes d'induction » – des circuits d'attention qui émergent pendant l'entraînement et effectuent une correspondance floue de préfixe : ils recherchent l'endroit où un jeton similaire est apparu, puis copient ce qui l'a suivi. Ainsi, lorsque votre invite affiche « pomme -> fruit, carotte -> légume », le modèle correspond à la structure et prédit la bonne étiquette pour l'élément suivant. Surtout, aucun gradient ne circule et aucune mise à jour des poids lors de l'inférence. Les exemples remodèlent simplement les activations qui alimentent la distribution de probabilité du prochain jeton.
Maîtriser l'apprentissage en contexte
L'apprentissage en contexte est la capacité surprenante des grands modèles de langage à reprendre une nouvelle tâche à partir de quelques exemples placés dans l'invite, sans aucun recyclage. C'est la raison pour laquelle vous pouvez « enseigner » un modèle à la volée simplement en lui montrant ce que vous voulez. L'apprentissage en contexte fait partie de la pile langage-IA utilisée pour lire, générer, classer et transformer du texte et de la parole à grande échelle. Pour développer une compréhension approfondie, traitez l'apprentissage en contexte comme un modèle opérationnel et non comme une fonctionnalité unique : définissez les résultats souhaités, clarifiez les hypothèses et séparez ce que le système peut faire de manière fiable de ce qui nécessite encore un jugement d'expert.
Dans la pratique, des équipes solides utilisant l'apprentissage en contexte conçoivent des invites, des boucles de récupération et de révision comme un seul système de communication intégré. Ils documentent des critères de réussite explicites, testent par rapport à des données et des flux de travail réalistes et itèrent en fonction des modèles d'échec observés plutôt que des victoires de référence ponctuelles. C’est là que la compréhension théorique se transforme en capacité durable au niveau des produits, des politiques et des opérations.
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence. Dans le même temps, les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche. L'approche la plus résiliente consiste à combiner vitesse d'expérimentation et discipline de gouvernance : exécuter des projets pilotes, capturer des preuves, publier des journaux de décision et mettre à jour en permanence les protections à mesure que le comportement du modèle, les attentes des utilisateurs et les exigences réglementaires évoluent.
Impact stratégique
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence.
Les flux de travail linguistiques peuvent évoluer plus rapidement sans sacrifier la cohérence. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Il étend l’accès à toutes les langues et styles de communication.
Il étend l’accès à toutes les langues et styles de communication. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions.
Les équipes peuvent consacrer plus de temps au jugement tandis que l’automatisation gère les répétitions. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Mise en œuvre dans le monde réel
Donner à un chatbot trois exemples de tickets d'assistance et leurs catégories, puis lui demander de classer un nouveau ticket de la même manière
Affichage d'un modèle de deux paires avant/après de texte désordonné reformaté en JSON propre afin qu'il convertisse le reste
Coller quelques exemples de descriptions de produits dans le ton de votre marque afin que les nouvelles correspondent au style
Démontrer un problème mathématique délicat travaillé étape par étape afin que le modèle résolve des problèmes similaires avec le même format de raisonnement
Modèles de mise en œuvre
L'apprentissage en contexte en pratique
Donner à un chatbot trois exemples de tickets d'assistance et leurs catégories, puis lui demander de classer un nouveau ticket de la même manière.
Donner à un chatbot trois exemples de tickets d'assistance et leurs catégories, puis lui demander de classer un nouveau ticket de la même manière. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humaine pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
L'apprentissage en contexte en pratique
Affichage d'un modèle de deux paires avant/après de texte désordonné reformaté en JSON propre afin qu'il convertisse le reste.
Afficher un modèle de deux paires avant/après de texte désordonné reformaté en JSON propre afin qu'il convertisse le reste. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humaine pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
L'apprentissage en contexte en pratique
Collez quelques exemples de descriptions de produits dans le ton de votre marque afin que les nouvelles correspondent au style.
Coller quelques exemples de descriptions de produits dans le ton de votre marque afin que les nouvelles correspondent au style. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
L'apprentissage en contexte en pratique
La démonstration d'un problème mathématique délicat a été réalisée étape par étape afin que le modèle résolve des problèmes similaires avec le même format de raisonnement.
La démonstration d'un problème mathématique délicat a fonctionné étape par étape afin que le modèle résolve des problèmes similaires avec le même format de raisonnement. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Risques et garde-fous
Les faits hallucinés peuvent discrètement entrer dans des rapports, des flux de support ou des résultats de recherche.
La sensibilité des invites peut créer des résultats incohérents pour des demandes similaires.
Les données textuelles sensibles peuvent être exposées si les contrôles d’accès sont faibles.
Feuille de route de mise en œuvre
Définissez le format de sortie, le ton et les normes de qualité avant le déploiement.
Définissez le format de sortie, le ton et les normes de qualité avant le déploiement. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Établissez des réponses auprès de sources fiables chaque fois que la précision est importante.
Établissez des réponses auprès de sources fiables chaque fois que la précision est importante. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés.
Gardez un point de contrôle d’examen humain pour les résultats à enjeux élevés. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail.
Suivez les modèles de défaillance et recyclez régulièrement les invites ou les flux de travail. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.