162 articles
Parcourir les guides
La rétropropagation fait remonter l’erreur à travers le réseau, couche par couche, en attribuant une responsabilité à chaque poids grâce à la règle de dérivation en chaîne. C’est ce qui rend l’entraînement des réseaux profonds calculable en pratique, et c’est la raison pour laquelle l’apprentissage profond fonctionne. En pratique : La sortie était fausse de 0.3 — la rétropropagation décide lesquels des milliards de poids en sont responsables.
L’article 3, point 65, rattache le risque systémique aux modèles d’IA à usage général dont les capacités égalent ou dépassent l’état de l’art actuel et dont la portée pourrait affecter significativement le marché de l’Union. La désignation entraîne des devoirs supplémentaires : tests adverses, notification d’incidents, cybersécurité et évaluation. C’est la réponse du règlement aux modèles de pointe. En pratique : Un modèle qui franchit le seuil de calcul déclenche des obligations supplémentaires pour son fournisseur. ...
Le RLHF collecte des classements humains de sorties du modèle, entraîne un modèle de récompense à prédire ces préférences, puis optimise le modèle de langage contre lui. Cette étape de post-entraînement fait l’essentiel de la différence entre un simple prédicteur du token suivant et un assistant utilisable. Elle encode aussi les préférences de ceux qui ont fait le classement, ce qui est une limite réelle et trop peu discutée. En pratique : Deux réponses, un humain choisit la meilleure, on répète quelques centaines de milliers de fois. ...
La robustesse, c’est la performance en dehors du jeu de test bien propre : fautes de frappe, cas limites, dérive de distribution, attaque. Un modèle précis sur des données propres et qui s’effondre sur des données réelles n’est précis dans aucun sens qui compte. C’est l’une des caractéristiques de confiance du NIST AI RMF et une exigence pour les systèmes à haut risque dans l’UE. En pratique : La précision passe de 94 % à 51 % quand les photos d’entrée sont prises dans une lumière insuffisante. ...
Le role prompting fixe une perspective — ’tu es un conseiller fiscal qui examine ceci sous l’angle du risque’ — ce qui change ce que le modèle considère comme pertinent. Cela modifie de façon fiable le registre et les accents. Cela n’ajoute ni connaissance ni autorité : dire à un modèle qu’il est avocat ne transforme pas sa sortie en conseil juridique. En pratique : ‘Examine ceci comme un directeur financier sceptique’ fait ressortir d’autres objections que ’examine ceci’. ...
Un SDK vous évite d’écrire à la main les appels HTTP, les reprises et le streaming. Il gère l’authentification, le typage et la gestion des erreurs dans un code idiomatique. En utiliser un est presque toujours plus rapide et plus sûr que de parler à l’endpoint brut. En pratique : Trois lignes de Python au lieu de trente lignes de plomberie de requêtes.
Le Shadow AI est la version IA du shadow IT, et il est quasi universel parce que les outils sont gratuits et le gain de productivité immédiat. Les risques sont la sortie de données hors du périmètre et l’entrée de contenus non relus dans les livrables. Bloquer les outils échoue immanquablement ; en fournir des officiels et former les équipes fonctionne mieux. En pratique : Des contrats clients collés dans un chatbot grand public gratuit pour en obtenir un résumé. ...
La sortie structurée contraint la génération à produire du JSON valide ou à respecter un schéma fourni, au lieu d’espérer qu’un prompt donne un texte analysable. C’est la différence entre une démo et un pipeline, parce qu’elle élimine toute la famille des échecs du type ’le modèle a ajouté une phrase sympathique avant le JSON'. En pratique : Garantir que chaque réponse contient invoice_number, amount et currency, ou échoue bruyamment. ...
Le sous-apprentissage est l’échec inverse du surapprentissage : le modèle n’a pas assez appris. Les symptômes sont de mauvais scores partout, et les remèdes sont plus de capacité, de meilleures variables, un entraînement plus long ou un régulariseur moins agressif. En pratique : Ajuster une droite à des données qui courbent manifestement.
Un modèle en surapprentissage a appris le bruit en même temps que le signal. Il obtient d’excellents scores sur les données qu’il a vues et de mauvais sur celles qu’il n’a pas vues. Les remèdes habituels sont plus de données, moins de capacité de modèle, la régularisation, et l’arrêt de l’entraînement dès que la perte de validation repart à la hausse. En pratique : 99 % sur les données d’entraînement, 62 % en production — un cas d’école. ...