Comment dialoguer avec l’intelligence artificielle ? Depuis la sortie de ChatGPT, qui aurait conquis plus de 100 millions d’utilisatrices et utilisateurs en quelques mois seulement), cette question taraude nombre d’experts et d’amateurs, tous désireux de tirer le meilleur des capacités promises par la machine.
Un terme apparaît alors pour désigner la requête adressée à une IA générative : le « prompt ». De l’anglais, « prompt », inciter, entraîner, inciter à dire quelque chose, un prompt est un début de texte, une question, une situation, posés à la machine en langage naturel afin qu’elle génère une réponse. Un bon prompt permettrait de faire produire à la machine n’importe quel contenu textuel, pictural, audio… Cette vision est à l’origine de nombreuses peurs, en partie légitimes, de la part du monde de la culture ou des médias par exemple.
Read more: « L’envers des mots » : Intelligence artificielle générative
Un prompt peut être une demande simple (une question ou une phrase, comme « Explique l’élection présidentielle »), ou une mise en situation plus complexe (par exemple « Imagine que tu es un membre du Conseil constitutionnel en France cherchant à expliquer, lors d’une conférence face à des étudiants de master en droit, ce qu’est l’élection présidentielle. Tu cherches à en expliquer l’origine, le rôle, l’importance et les menaces actuelles »). Un prompt peut également être compris comme une discussion complète censée guider le modèle.
Derrière cette apparente discussion, la réponse à un prompt est statistique : le modèle d’IA générative prédit ce que pourrait être la réponse la plus plausible au regard de sa base d’entraînement et la génère. Cette caractéristique a inspiré la critique adressée notamment par la chercheuse Emily Bender aux ancêtres de ChatGPT qui ne seraient dès lors que des « perroquets stochastiques ». Même si, en réalité, ces systèmes ne reproduisent pas des phrases entières mais paraphrasent, concatènent, reformulent, afin de produire un texte original.
Cette approche statistique provoque alors une standardisation du contenu produit par la machine et donc, par extension, par l’humain collaborant avec la machine pour produire un livre, une image ou un film. Daniel Andler reprend, lui, la figure du courtisan cherchant à plaire à son maître pour qualifier de tels systèmes.
Savoir prompter nous assure-t-il une réponse digne de confiance ? En réalité, ne sachant pas réellement de quoi ils parlent, les modèles sont capables de produire des résultats aberrants. N’ayant pas de conscience, de compréhension ni d’autres limites que celles induites par les données du dataset ou celles fixées « à la main », ChatGPT et consorts produisent tout. Et, dès lors, posent de sérieux problèmes quant à la multiplication et la facilitation de génération de fake news, deepfakes, discours haineux… alors même que les individus accordent d’autant plus de confiance à un texte, une image ou une voix que ceux-ci paraissent « humains ».
Quoiqu’il arrive, l’effervescence autour des différents services semble avoir fait du prompt une compétence à part entière. Car l’exercice peut parfois se révéler contre-productif, en passant plus de temps à retravailler le prompt qu’on n’en aurait eu besoin pour produire soi-même le même contenu. On en vient alors à parler de « prompt engineering » de la part d’autoproclamés « prompt engineers » décrits comme des « AI whisperers ». On parle aussi de « prompt design » pour désigner l’habileté (moins technique que le prompt engineering) à gérer notamment le ton, le style, les éléments de langage…
[Plus de 85 000 lecteurs font confiance aux newsletters de The Conversation pour mieux comprendre les grands enjeux du monde. Abonnez-vous aujourd’hui]
Si interroger la machine peut sembler difficile, et parfois contre-intuitif, en réalité seuls les experts de domaines spécifiques peuvent juger de la pertinence véritable de la réponse donnée à un prompt. Nous pouvons parier que la capacité de prompt sera similaire à la capacité actuelle de mener efficacement une recherche sur un moteur de recherche.
La science du « prompt » vient ainsi en partie d’une illusion, celle de pouvoir correctement contrôler un modèle à plusieurs milliers de paramètres. Or les modèles d’IA génératives fonctionnent comme des « boîtes noires » : lorsque nous entrons un prompt, nous ne pouvons pas être certains de ce que la machine va nous retourner. Cette caractéristique a alors une implication directe sur la valeur de vérité que l’on peut attribuer à la machine. Hallucinations, biais dans les données, désinformation, dérive conceptuelle… si les modèles d’IA générative peuvent apporter une aide intéressante dans le cadre d’un travail créatif, ils ne peuvent en aucun cas servir de caution de vérité.
Cet article s’intègre dans la série « L’envers des mots », consacrée à la façon dont notre vocabulaire s’étoffe, s’adapte à mesure que des questions de société émergent et que de nouveaux défis s’imposent aux sciences et technologies. Des termes qu’on croyait déjà bien connaître s’enrichissent de significations inédites, des mots récemment créés entrent dans le dictionnaire. D’où viennent-ils ? En quoi nous permettent-ils de bien saisir les nuances d’un monde qui se transforme ?
De « validisme » à « silencier », de « bifurquer » à « dégenrer », nos chercheurs s’arrêtent sur ces néologismes pour nous aider à mieux les comprendre, et donc mieux participer au débat public. À découvrir aussi dans cette série :