L'ingénierie rapide produit des algorithmes de langage naturel
Sur mon étagère, j'ai de nombreux livres couvrant tout, du réseautage à l'IA en passant par la sécurité et les bases. Bien que la plupart de mes manuels universitaires aient disparu depuis longtemps, deux subsistent : le livre sur le dragon et Introduction aux algorithmes .
Je garde le premier pour la sentimentalité. J’ai écrit exactement deux compilateurs dans ma vie, et j’espère ne plus jamais en écrire un autre. Ce dernier, je le garde car il est intemporel. Les algorithmes, voyez-vous, ne sont liés à aucun système d’exploitation ni à aucun langage. Ce sont des règles logiques, des modèles, qui sont suivis pour résoudre des problèmes courants.
C'est pourquoi je dis parfois que je « Dijkstra » mes courses lorsque je suis en voiture. L'algorithme de Dijkstra est un ensemble de règles permettant de trouver le chemin le plus court, et il s'applique aussi bien à l'exécution de plusieurs tâches qu'au routage de paquets sur un réseau.
Dans cet esprit, considérons l’espace évolutif de l’ingénierie rapide. Une définition simple est « la pratique consistant à concevoir des entrées pour des outils d’IA générative qui produiront des résultats optimaux. » (McKinsey)
Au cours des derniers mois, nous avons vu apparaître de nombreuses « techniques » d’ingénierie, chacune d’entre elles conçue pour résoudre un type de problème spécifique : comment produire des résultats optimaux à partir de l’IA générative.
Forbes a fait un excellent travail en mettant ces techniques en avant :
Il en existe bien d’autres, mais ils partagent tous les mêmes caractéristiques. Chacun décrit un ensemble de règles ou de modèles permettant d’interagir avec l’IA générative pour produire les résultats souhaités. D'un point de vue technique, ce n'est pas si différent des algorithmes décrivant comment trier un arbre binaire, inverser une liste chaînée ou trouver le chemin le plus court à travers un graphique vers une destination.
Ce sont, de par leur conception et leur finalité, des algorithmes de langage naturel.
Maintenant, je ne vais pas encourager les ingénieurs à devenir des ingénieurs rapides. Mais comme de nombreux ingénieurs le découvrent aujourd’hui, l’utilisation d’algorithmes en langage naturel pour concevoir des solutions d’IA générative plus efficaces fonctionne. Si vous lisez ce blog sur l'atténuation des hallucinations de l'IA, vous verrez que dans le contexte de la solution, plusieurs algorithmes de langage naturel, notamment la chaîne de pensée et l'IA réflexive, sont utilisés pour guider les réponses de GPT afin qu'une réponse optimale soit générée.
Il est important de reconnaître cela car à mesure que les techniques d’ingénierie rapide émergent et reçoivent des noms reconnaissables, elles deviennent les éléments de base de solutions qui exploitent l’IA générative. Les techniques d’ingénierie rapide d’aujourd’hui sont les algorithmes de langage naturel de demain.
Et nous ferions bien de ne pas les ignorer ou de les rejeter comme étant moins précieux que les algorithmes traditionnels, ni de les ignorer comme étant uniquement applicables aux interfaces de chat utilisées par la famille et les amis.
Nous pouvons nous appuyer sur une API pour intégrer l’IA générative dans des solutions, mais les données que nous échangeons sont en langage naturel, ce qui signifie que nous pouvons exploiter ces techniques d’ingénierie rapides (ces algorithmes en langage naturel) dans les solutions que nous créons pour produire des réponses meilleures, plus claires et plus correctes à partir de l’IA générative.
Cela signifie également que les leaders technologiques ne devraient pas seulement autoriser, mais encourager les ingénieurs à passer du temps à interagir avec l’IA générative pour découvrir les modèles et les algorithmes qui conduiront à des solutions plus optimales.
Qui sait, l’un de vos ingénieurs pourrait bien avoir un algorithme portant son nom dans le futur.