Comprendre les LLM
Les grands modèles de langage sont au coeur de la révolution IA. Ce podcast construit un modèle mental fiable, accessible à tous, sur ce que font vraiment les LLM. Pourquoi hallucinent-ils ? Pourquoi sont-ils si convaincants ? Qu'est-ce qu'un token, un contexte, une température ? Des réponses claires pour travailler avec ces outils en connaissance de cause.
Audio #13.La bonne question est le niveau de preuve
À partir de trois demandes très concrètes, découvrez une grille mentale claire pour décider quand un LLM peut aider, quand vérifier chaque point et quand refuser de lui déléguer.
Audio #12.Les biais ne sont pas des accidents isolés
En partant d’un outil RH apparemment objectif, on remonte à la fabrication des modèles de langage pour comprendre comment données, langues et choix de conception créent des biais structurels.
Audio #11.Un long contexte ne règle pas tout
À partir de l’image d’un gros dossier sur un bureau, découverte de ce qui limite vraiment l’usage d’une grande fenêtre de contexte et du rôle clé de l’organisation.
Audio #10.L’hallucination, c’est du faux plausible
En partant d’un collègue qui improvise plutôt que d’avouer « je ne sais pas », découverte des causes profondes des hallucinations des IA et de leurs limites de fiabilité.
Audio #9.Il répond comme un assistant, pas comme une preuve
Un assistant peut paraître compétent, poli et structuré sans avoir vérifié ce qu’il avance. Ici, on décortique comment il apprend à bien parler plutôt qu’à prouver.
Audio #8.Il peut répondre autrement deux fois de suite
En partant de l’image de deux collaborateurs compétents, découvrez comment un LLM génère plusieurs réponses possibles, le rôle de la probabilité, de la température et pourquoi stable ne veut pas dire vrai.
Audio #7.Il ne sait pas toujours ce qui est récent
À partir de l’image du GPS, apprenez à faire la différence entre ce qu’un modèle a figé lors de son entraînement et les informations récentes que l’application peut lui ajouter à la volée.
Audio #6.Comment il garde le fil d’un texte
À partir de « Le point a été validé. », découvrez comment l’attention permet à un modèle de langage de relier les bons morceaux de texte pour réduire l’ambiguïté, sans garantir la vérité.
Audio #5.Le contexte est une mémoire de travail
À partir de l’image d’un simple bureau, découvrez comment la fenêtre de contexte limite ce qu’un LLM peut vraiment prendre en compte, et pourquoi ce n’est pas une mémoire durable.
Audio #4.Les tokens sont les vrais morceaux du langage
Découvrez comment les modèles de langage comptent en tokens plutôt qu’en pages ou en mots, et comment ce découpage discret influence longueur, coût et qualité des réponses.
Audio #3.Le moteur, c’est prédire la suite
À partir de l’autocomplétion de votre téléphone, découvrez comment un LLM construit ses réponses morceau par morceau, et pourquoi cela fait sa force autant que ses limites.
Audio #2.Il a appris avant de vous répondre
À partir de l’image d’un grand lecteur qui parle de mémoire, découvrez comment un LLM apprend des régularités, pourquoi il ne stocke pas les textes et ce que cela change pour vérifier ses réponses.
Audio #1.Un LLM n’est pas un cerveau
À partir d’une scène de réunion trompeuse, découvrez comment un grand modèle de langage génère du texte plausible sans intention, ni vérité intérieure, ni conscience.