Actualités High-Tech

1.5k Sujets 7.6k Messages
  • 2 Votes
    2 Messages
    103 Vues

    c’est beau de vouloir tout ça, mais un peu tard pour se réveiller, les géants américains sont trop fortement implémentés partout et surtout ont des finances quasi illimitées derrière

  • 1 Votes
    1 Messages
    66 Vues
    La CNIL met en demeure le ministère de l’Économie de régulariser un fichier utilisé par les douanes

    20 avril 2023

    Rattachée au ministère chargé de l’économie, la direction générale des douanes utilise le système d’information du renseignement des navires et équipages (SIRENE) pour recenser toutes les personnes contrôlées en mer ou à quai et lutter contre la fraude. Cependant, l’utilisation de ce fichier ne repose sur aucun texte légal et n’est pas conforme à la loi sur plusieurs points.

    Plusieurs manquements à la loi Informatique et Libertés

    À la suite d’un signalement relatif au fichier SIRENE, la CNIL a contrôlé le service garde-côtes des douanes Manche-Mer du Nord-Atlantique, service à compétence nationale de la direction générale des douanes et des droits indirects (DGDDI).

    Les vérifications ont permis de constater que le recours à ce fichier n’était pas conforme à la loi Informatique et Libertés, ce qui a conduit la présidente de la CNIL a mettre en demeure le ministère de l’Économie, des Finances et de la Souveraineté industrielle et numérique de se mettre en conformité dans un délai de six mois.

    Le fichier SIRENE recense des informations sur les passagers des navires contrôlés, comprenant leur état civil, adresse, profession, fonction à bord du navire ainsi que les informations relatives à la propriété ou à la location du navire et leur géolocalisation. 45 793 personnes, dont 392 mineurs, sont intégrées au fichier SIRENE qui contient également des copies de titres d’identité et la mention d’infractions pénales (trafic de drogue, contrefaçon, travail dissimulé, refus d’obtempérer, agressions sexuelles, détention d’armes prohibées, homicide volontaire ou assassinat).

    Pourtant, la création et l’utilisation du fichier SIRENE ne sont prévues par aucun texte (par exemple une loi ou un décret). De plus, la CNIL n’a pas été saisie d’une demande d’avis concernant sa mise en place, en violation de la loi Informatique et Libertés (articles 87 et 89).

    En outre, le ministère n’a pas adressé à la CNIL d’analyse d’impact relative à la protection des données personnelles. Or, une telle formalité est nécessaire, car la DGDDI met en œuvre, pour le compte de l’État, un traitement de données de localisation à large échelle susceptible d’engendrer un risque élevé pour les droits et les libertés des personnes physiques (article 90 de la loi).

    Par ailleurs, le fichier SIRENE ne fait pas de distinction claire entre les données des différentes catégories de personnes concernées, telles que celles soupçonnées d’une infraction, les victimes ou les témoins (article 98 de la loi).

    Enfin, les personnes intégrées au fichier SIRENE n’en sont pas informées et aucune information générale n’est mise à disposition du public concernant ce fichier. Ainsi, les personnes concernées ignorent jusqu’à l’existence même de ce fichier (article 104 de la loi).

    Une mise en demeure de respecter la loi Informatique et Libertés

    La présidente de la CNIL a mis en demeure le ministère de l’Économie, des Finances et de la Souveraineté industrielle et numérique de se mettre en conformité dans un délai de six mois.

    La CNIL a décidé de rendre cette mise en demeure publique dans la mesure où le fichier concerné est illicite, a pour objet la recherche d’infractions, concerne un nombre conséquent de personnes et traite des données sensibles.

    Si le ministère de l’Économie ne se conforme pas à la mise en demeure, la présidente pourra saisir la formation restreinte de la CNIL, qui pourra prononcer une sanction.

    Source : https://www.cnil.fr/fr

  • 3 Votes
    10 Messages
    340 Vues

    @michmich

    Genre pire? :mouhaha:

    Non. Sur iOS aucune app ne peut techniquement capturer d’infos à ton insu, car elles n’ont pas accès au matériel et doivent traverser l’OS. C’est l’OS et non l’app qui te demande la permission d’utiliser la data en 3G, le GPS, ou l’appareil photo et à travers l’OS tu auras toujours la possibilité de retirer ce droit à l’app.

    Chez Android, si tu veux faire une app qui ignore les choix de l’utilisateur, tu peux facilement le faire.

  • 0 Votes
    7 Messages
    138 Vues

    @Mister158 non faut choisir la matrice ou skynet

  • Nos futures Disques Durs à base d'ADN

    3
    3 Votes
    3 Messages
    117 Vues

    C’est ouf ce qui nous attend dans le futur!
    Merci pour cette vidéo bien construite qui nous montre que coder de la data sur de l’ADN c’est déjà à la porté de tous (enfin faut juste un labo et un peu de tunes lol)

  • 2 Votes
    3 Messages
    88 Vues

    si je n’étais déjà pas chez proton, j’irais chez eux, ils font des trucs sympa

    c’est d’eux ce service que j’avais présenté https://planete-warez.net/topic/675/un-bon-service-pour-transférer-vos-fichiers-jusqu-à-50go-gratuitement?_=1681698138759

  • 3 Votes
    4 Messages
    183 Vues

    ChatGPT comme keygen, fallait y penser :hehe:

  • 2 Votes
    15 Messages
    372 Vues

    @Jean-François 😕 racheté par Avast… ce n’est pas une bonne nouvelle. J’espère que des forks vont vite voir le jour.

  • 0 Votes
    1 Messages
    69 Vues

    Dolly est un modèle d’IA gratuit et open source de type ChatGPT

    Dolly 2.0 pourrait déclencher une nouvelle vague de LLM entièrement open source similaire à ChatGPT.

    Mercredi, Databricks a publié Dolly 2.0, qui serait le premier modèle de langage large (LLM) open source suivant les instructions à usage commercial qui a été affiné sur un ensemble de données générées par l’homme. Cela pourrait servir de point de départ convaincant pour les concurrents homebrew ChatGPT.

    Databricks est une société américaine de logiciels d’entreprise fondée en 2013 par les créateurs d’ Apache Spark . Ils fournissent une plate-forme Web pour travailler avec Spark pour le Big Data et l’apprentissage automatique. En publiant Dolly, Databricks espère permettre aux organisations de créer et de personnaliser des LLM “sans payer pour l’accès à l’API ni partager de données avec des tiers”, selon le blog de lancement de Dolly .

    Dolly 2.0, son nouveau modèle de 12 milliards de paramètres, est basé sur la famille de modèles pythia d’EleutherAI et affiné exclusivement sur des données de formation (appelées “databricks-dolly-15k”) provenant des employés de Databricks. Ce calibrage lui donne des capacités plus conformes au ChatGPT d’OpenAI, qui est meilleur pour répondre aux questions et engager le dialogue en tant que chatbot qu’un LLM brut qui n’a pas été affiné.

    Dolly 1.0, sorti en mars, était confronté à des limitations concernant l’utilisation commerciale en raison des données de formation, qui contenaient la sortie de ChatGPT (grâce à Alpaca ) et étaient soumises aux conditions d’utilisation d’OpenAI. Pour résoudre ce problème, l’équipe de Databricks a cherché à créer un nouvel ensemble de données qui permettrait une utilisation commerciale.

    Pour ce faire, Databricks a organisé 13 000 démonstrations de comportement de suivi des instructions de la part de plus de 5 000 de ses employés entre mars et avril 2023. Pour inciter à la participation, ils ont organisé un concours et décrit sept tâches spécifiques pour la génération de données, y compris les questions-réponses ouvertes, les questions-réponses fermées. , extraction et synthèse d’informations de Wikipédia, brainstorming, classification et écriture créative.

    L’ensemble de données résultant, ainsi que les poids du modèle et le code de formation de Dolly, ont été publiés entièrement en open source sous une licence Creative Commons , permettant à quiconque d’utiliser, de modifier ou d’étendre l’ensemble de données à n’importe quelle fin, y compris des applications commerciales.

    En revanche, ChatGPT d’OpenAI est un modèle propriétaire qui oblige les utilisateurs à payer pour l’accès à l’API et à respecter des conditions de service spécifiques, ce qui limite potentiellement la flexibilité et les options de personnalisation pour les entreprises et les organisations. de Meta Le LLaMA , un modèle partiellement open source (avec des poids restreints) qui a récemment engendré une vague de produits dérivés après la fuite de ses poids sur BitTorrent, ne permet pas une utilisation commerciale.

    Sur Mastodon, le chercheur en intelligence artificielle Simon Willison a qualifié Dolly 2.0 de “très important”. Willison expérimente souvent des modèles de langage open source, dont Dolly . “L’une des choses les plus excitantes à propos de Dolly 2.0 est le jeu d’instructions de réglage fin, qui a été fabriqué à la main par 5 000 employés de Databricks et publié sous une licence CC”, a écrit Willison dans un toot Mastodon.

    Si la réaction enthousiaste au seul modèle LLaMA partiellement ouvert de Meta est une indication, Dolly 2.0 pourrait potentiellement déclencher une nouvelle vague de modèles de langage open source qui ne sont pas entravés par des limitations propriétaires ou des restrictions d’utilisation commerciale. réelle de Dolly soit encore connue Bien que la capacité de performance , d’autres améliorations pourraient permettre d’exécuter des LLM raisonnablement puissants sur des machines grand public locales.

    “Même si Dolly 2 n’est pas bon, je pense que nous verrons bientôt un tas de nouveaux projets utilisant ces données de formation”, a déclaré Willison à Ars. “Et certains d’entre eux pourraient produire quelque chose de vraiment utile.”

    Actuellement, les datas de Dolly sont disponibles sur Hugging Face, et l’ensemble de données databricks-dolly-15k se trouve sur GitHub.

    Source: https://arstechnica.com/information-technology/2023/04/a-really-big-deal-dolly-is-a-free-open-source-chatgpt-style-ai-model/

  • 2 Votes
    1 Messages
    56 Vues

    Les smartphones dont nous faisons l’usage quotidien ont un impact sur l’environnement et notre vie privée. Comment construire une politique européenne d’éthique et de souveraineté numérique ?

    Les smartphones sont devenus indispensables à nos vies : 2 Français sur 3 s’en servent quotidiennement, pour téléphoner, mais aussi pour s’orienter, se connecter à travers les réseaux sociaux, prendre des photos… La dernière édition du Mobile World Congress l’a encore démontré : l’heure est à la course effrénée à l’innovation technologique, sans questionnement sur les limites planétaires. Appareils photos avec un nombre de pixels toujours plus élevé (même si l’œil humain ne fait pas la différence), recharge plus rapide, modèles pliables ou déroulants : sommes-nous dans l’ère du gadget ?

    Et cette surenchère a un prix : ses conséquences sur l’environnement et sur notre vie privée, entre autres. Au-delà de la performance, des fonctionnalités et du prix, quels critères devraient nous guider dans le choix de nos smartphones ? Comment redéfinir nos besoins pour nous tourner vers des appareils capables d’y répondre véritablement ?

    Des smartphones de plus en plus performants… mais à quel prix ?

    Malgré la “course à l’échalote” du meilleur smartphone, d’autres préoccupations commencent heureusement à émerger au niveau de l’utilisateur. L’impact environnemental, d’une part : l’empreinte carbone de nos appareils, aux durées de vie toujours plus courtes, s’alourdit d’autant plus si l’on prend en compte l’ensemble des scopes, de la conception à la fin de vie en passant par l’extraction de la ressource, l’assemblage et les multiples transports. Certains constructeurs sont plus attentifs à leur chaîne de valeur, et à l’allongement de la durée de vie de l’appareil via sa réparabilité, par exemple, comme le néerlandais Fairphone, mais ils font encore office d’ovnis dans leur secteur.

    Et que dire de la problématique de la protection des données personnelles ? : le sujet de leur collecte et de leur usage par des tiers, sans que l’on en ait seulement connaissance, prend de l’ampleur. À l’heure où 86% des Français souhaitent être accompagnés pour mieux protéger leurs données en ligne, l’enjeu de la souveraineté numérique devient crucial. Car au-delà du problème individuel de la fuite des données, nous faisons face à un véritable sujet de géostratégie européenne : le traçage des activités en ligne concerne tous nos supports, privés et publics, et devrait nous alerter sur l’urgence de mettre en place des outils souverains capables de garantir la confidentialité de nos échanges numériques. Et les deux sujets vont de pair :  comment choisir en toute liberté un smartphone qui protège les données de l’utilisateur si l’arsenal législatif mis en place au niveau macro-étatique n’est pas à la hauteur ?

    Repenser les usages ne signifie pas renoncer

    Nous sommes à l’heure des choix. Si l’on veut enfin prendre en compte des critères écologiques et éthiques lors de l’achat de nos smartphones, des solutions existent déjà et les bénéfices sont nombreux. Le logiciel libre, d’une part, constitue une première réponse pour assurer la transparence et la sécurité des données. D’autre part, l’empreinte carbone des smartphones sera réduite si les données personnelles des utilisateurs ne sont pas tracées en permanence : cette pollution numérique (la collecte des données et son stockage dans des datacenters) est une bombe écologique, qui compte déjà pour 2,5% des émissions de GES à l’échelle nationale, selon la dernière étude ADEME-ARCEP sortie en mars 2023. Et les prévisions sont à la hausse : le poids de l’empreinte carbone du numérique en France devrait augmenter de 45% d’ici 2030, et pourrait même tripler d’ici à 2050 si des mesures de réduction ne sont pas prises dès maintenant.

    Un compromis entre les performances et les critères écologiques et éthiques est évidemment possible. Il nous appartient de faire évoluer la désirabilité des offres en vue de promouvoir des modèles en adéquation avec nos besoins, et qui respectent les limites planétaires ainsi que l’homme derrière la machine. Cela ne pourra se faire sans une véritable politique coordonnée au niveau européen pour que l’éthique et la transparence deviennent les deux chantiers majeurs de la téléphonie de demain, et puissent à leur tour entraîner l’activité économique dans une logique de souveraineté numérique globale.

    Source : https://www.journaldunet.com/ebusiness/telecoms-fai/1521217-ethique-du-smartphone-pour-une-politique-europeenne-affirmee/

  • 0 Votes
    2 Messages
    32 Vues

    Il n’est pas bon d’être un jeune russe ces temps ci… Bon, je ne suis pas sûr qu’il soit bon d’être russe tout court depuis quelques années

  • 4 Votes
    3 Messages
    140 Vues

    Bonjour,
    il y a toujours Money de Microsoft qui, même si il n’est plus suivi depuis 2007, fonctionne très bien.

    https://www.windows8facile.fr/installer-microsoft-money-sur-windows-11/

  • 1 Votes
    1 Messages
    66 Vues

    Hello

    Je m’intéresse à la robotique de temps à autre sans être ultra assidu et il y a quelque temps j’avais découvert Ameca sur PW de la société Engineered Arts qui était déjà assez oufissime et il s’avère qu’ils viennent de l’intégrer à Chat GPT et le résultat est impressionnant.

    Engineered Arts montre comment le robot humanoïde se comporte lors d’une discussion. À chaque question de l’interlocuteur humain, le robot marque une très courte pause avant d’énoncer une réponse qui mêle les mots avec des expressions appropriées du visage. On retrouve les clignements rapides des yeux et toutes les petites expressions du visage qui viennent renforcer les émotions liées aux réponses.

    Les développeurs d’Ameca ont utilisé GPT-3, l’IA d’OpenAI pour les réponses, mais aussi pour y associer les expressions appropriées. L’équipe a également essayé d’utiliser la dernière version GPT-4 pour améliorer encore les résultats. Le temps de traitement plus long avait pour effet de rendre le robot moins réactif et donc la discussion moins spontanée. Dès novembre dernier, la société avait fait parler Ameca grâce à un synthétiseur qui dictait les réponses fournies par GPT3. Les expressions du visage restaient alors basiques.

    Dans les faits, le robot humanoïde répond effectivement quasi naturellement aux questions, comme si on posait soi-même des questions à ChatGPT, mais le plus intéressant, c’est évidemment d’observer son regard, sa moue et ses mouvements de la tête. Selon les questions, le robot exprime le dégoût ou la tristesse, et c’est ChatGPT qui se charge de transmettre le type d’émotion à exprimer. Comme lorsqu’on lui demande quel a été le jour le plus triste de sa vie, et qu’elle répond que c’est le jour où elle a pris conscience qu’elle « ne connaîtrait jamais quelque chose comme le véritable amour« , et c’est une « chose déprimante« . Mais Ameca précise : « Cela a façonné qui je suis maintenant et m’a fait apprécier encore plus les moments de proximité. »

    SOURCE 1, SOURCE2

  • 0 Votes
    10 Messages
    327 Vues
    "Google construit la première Intelligence Artificielle forte, capable de combiner plusieurs tâches"

    La belle affaire ! Ma femme arrive à faire plusieurs tâches contrairement à moi :colgate: et on s’en vante pas nous qui venont de Strasbourg en germany… hein @Pollux :loool:

  • 1 Votes
    1 Messages
    44 Vues

    Alors que la plupart des grands modèles de langage comme GPT-4 d’OpenAI sont pré-remplis avec des quantités massives d’informations, le prompt engineering optimise leurs performances en guidant efficacement les requêtes.

    https://images.itnewsinfo.com/lmi/articles/grande/000000091256.jpg
    Le métier de prompt engineer consiste à maîtriser les interactions pour obtenir les réponses les plus pertinentes. (Crédit : Emiliano Vittoriosi/Unsplash)

    L’une des raisons pour lesquelles les chatbots basés sur l’intelligence artificielle ont pris le monde d’assaut ces derniers mois est qu’ils peuvent générer ou affiner du texte à des fins diverses, qu’il s’agisse de créer une campagne publicitaire ou de rédiger un curriculum vitae. Ces assistants sont alimentés par des algorithmes de type large language model (LLM), qui peuvent imiter l’intelligence humaine et créer du contenu textuel ainsi que du son, de la vidéo, des images et du code informatique. Les LLM sont un type de modèle formé à partir d’un vaste ensemble d’articles, de livres ou de ressources basées sur l’internet et d’autres données afin de produire des réponses semblables à celles de l’homme à des entrées en langage naturel.

    Un nombre croissant d’entreprises IT ont dévoilé des outils d’IA générative basés sur les LLM pour une utilisation professionnelle afin d’automatiser les tâches. Par exemple, Microsoft a déployé pour un nombre limité d’utilisateurs un chatbot basé sur ChatGPT d’OpenAI ; il est intégré à Microsoft 365 et peut automatiser les fonctions des applications CRM et ERP. Autre exemple, Copilot de Microsoft 365 peut être utilisé dans Word pour créer une première version d’un document, ce qui permet d’économiser des heures de rédaction, de recherche et d’édition. Salesforce a également annoncé son intention de lancer un assistant basé sur GPT et destiné à être utilisé avec sa plateforme de gestion de la relation client.

    Exemple d’IA générative créant un code logiciel à partir d’une invite de l’utilisateur. Dans ce cas, EinsteinGPT de Salesforce est activé par l’utilisation du grand modèle linguistique GPT-3.5 d’OpenAI. (Crédit : Salesforce)

    La plupart des LLM, tels que le GPT-4 d’OpenAI, sont préformés en tant que moteurs de prédiction de mots suivants ou de contenu - c’est ainsi que la plupart des entreprises les utilisent, prêts à l’emploi, en quelque sorte. Et bien que les assistants basés sur les LLM aient produit leur part d’erreurs, les LLM pré-entraînés fonctionnent relativement bien pour fournir un contenu généralement précis et convaincant qui, au minimum, peut être utilisé comme point de départ.

    Des modèles propres aux besoins des secteurs d’activité

    De nombreux secteurs, cependant, nécessitent des algorithmes LLM plus personnalisés, qui comprennent leur jargon et produisent un contenu spécifique à leurs utilisateurs. Les modèles destinés au secteur de la santé, par exemple, ont besoin de traiter et d’interpréter des dossiers médicaux partagés, de suggérer des traitements ou de créer un résumé des soins de santé du patient sur la base des notes du médecin ou d’enregistrements vocaux. Un LLM spécialisé dans le secteur des services financiers doit être capable de résumer les appels de fonds, de restranscrire de réunions et effectuer des analyses sur la fraude pour protéger les consommateurs. Dans tous les secteurs, il peut être primordial de garantir un haut degré de précision des réponses.

    La plupart des LLM sont accessibles via une API qui offre à l’utilisateur de créer des paramètres ou des ajustements sur la manière dont le LLM répond. Une question ou une demande envoyée à un chatbot est appelée un prompt, dans la mesure où l’utilisateur requiert une réponse. Ces invites peuvent être des questions en langage naturel, des extraits de code ou des commandes, mais pour que le LMM fasse son travail avec précision, les invites doivent être pertinentes. Cette nécessité a donné naissance à une nouvelle compétence : prompt engineering.

    Prompt engineering ou ingénierie en requête, de quoi parle-t-on ?

    L’ingénierie en requête est le processus d’élaboration et d’optimisation des invites textuelles pour les grands modèles de langage afin d’obtenir les résultats souhaités. « Elle aide les LLM à effectuer des itérations rapides dans le cadre du prototypage et de l’exploration de produits, car elle adapte le LLM pour qu’il corresponde mieux à la définition de la tâche, rapidement et facilement », a déclaré Marshall Choy, vice-président senior des produits chez SambaNova Systems, une start-up de la Silicon Valley qui fabrique des semi-conducteurs pour l’intelligence artificielle (IA). Selon Eno Reyes, ingénieur en apprentissage automatique chez Hugging Face, une plateforme communautaire qui crée et accueille des LLM, le prompt engineering est en passe de devenir une compétence essentielle pour les professionnels de l’informatique et des affaires, ce qui est peut-être aussi important pour les utilisateurs.

    « De nombreuses personnes que je connais dans le domaine des logiciels, de l’informatique et du conseil utilisent le prompt engineering en permanence dans le cadre de leur travail personnel », a déclaré Eno Reyes. « Comme les LLM sont de plus en plus intégrés dans diverses industries, leur potentiel d’amélioration de la productivité est immense ». En s’appuyant sur l’ingénierie en requête, les utilisateurs professionnels peuvent optimiser les LLM pour effectuer leurs tâches spécifiques de manière plus efficace et plus précise, qu’il s’agisse d’assistance à la clientèle, de génération de contenu ou d’analyse de données, a déclaré Eno Reyes.

    Un domaine relativement nouveau à dompter

    Le LLM le plus connu à l’heure actuelle - le GPT-3 d’OpenAI - est à la base de ChatGPT, qui jouit d’une grande popularité. Le LLM GPT-3 fonctionne sur la base d’un modèle de 175 milliards de paramètres qui permet de générer du texte et du code informatique à l’aide de courtes instructions écrites. La dernière version d’OpenAI, GPT-4, est estimée à 280 milliards de paramètres, ce qui la rend beaucoup plus apte à produire des réponses précises. Outre le GPT LLM d’OpenAI, les plateformes d’IA générative les plus populaires comprennent des modèles ouverts tels que BLOOM et XLM-RoBERTa de Hugging Face, NeMO LLM de Nvidia, XLNet, Co:here et GLM-130B.

    L’ingénierie des invites étant une discipline naissante et émergente, les entreprises s’appuient sur des livrets et des guides d’invites pour garantir des réponses optimales de la part de leurs applications d’IA. On assiste même à l’émergence de places de marché pour les requêtes, comme les 100 meilleures requêtes pour ChatGPT. « Les gens vendent même des suggestions de requêtes », a déclaré Arun Chandrasekaran, vice-président analyste chez Gartner Research, ajoutant que la récente vague d’attention portée à l’IA générative a mis en lumière la nécessité d’améliorer la science des requêtes. « Il s’agit d’un domaine relativement nouveau », a-t-il déclaré. « Les applications d’IA générative s’appuient souvent sur des modèles d’IA géants auto-supervisés et, par conséquent, l’obtention de réponses optimales de leur part nécessite davantage de savoir-faire, d’essais et d’efforts supplémentaires. Je suis sûr qu’avec la maturité croissante, nous pourrions voir de meilleurs conseils et de meilleures pratiques de la part des créateurs de modèles d’IA sur les moyens efficaces de tirer le meilleur parti des modèles et des applications d’IA ».

    Une bonne entrée équivaut à une bonne sortie

    Le composant d’apprentissage automatique des LLM apprend automatiquement à partir des données fournies. Outre les données utilisées à l’origine pour créer un LLM, telles que GPT-4, OpenAI a créé ce que l’on appelle le Reinforcement Learning Human Feedback, dans lequel un être humain apprend au modèle à donner des réponses semblables à celles d’un être humain. Par exemple, un utilisateur posera une question au LLM et écrira la réponse idéale. Ensuite, l’utilisateur posera à nouveau la même question au modèle, qui lui proposera de nombreuses réponses différentes. S’il s’agit d’une question factuelle, on espère que la réponse restera la même ; s’il s’agit d’une question ouverte, l’objectif est de produire de multiples réponses créatives, semblables à celles d’un être humain.

    Si un utilisateur demande à ChatGPT de générer un poème sur une personne assise sur une plage à Hawaï, on s’attend à ce qu’il génère un poème différent à chaque fois. « Les formateurs humains classent les réponses de la meilleure à la pire », explique Arun Chandrasekaran. « Le modèle s’en sert pour s’assurer qu’il donne une réponse plus proche de l’humain ou la meilleure, tout en essayant de minimiser les réponses les plus mauvaises. Mais la manière dont vous formulez les questions a une incidence considérable sur les résultats que vous obtenez d’un modèle ». Les entreprises peuvent former un modèle GPT en ingérant des ensembles de données personnalisées internes à l’entreprise. Par exemple, elles peuvent prendre des données d’entreprise, les étiqueter et les annoter pour en améliorer la qualité, puis les intégrer dans le modèle GPT-4. Cela permet d’affiner le modèle afin qu’il puisse répondre à des questions spécifiques à cette organisation.

    Miser sur l’entraînement d’un marché vertical

    La mise au point peut également être spécifique à un secteur d’activité. On assiste déjà à l’émergence d’une industrie artisanale de start-ups qui utilisent le modèle GPT-4 et ingèrent un grand nombre d’informations spécifiques à un secteur vertical, tel que les services financiers. « Elles peuvent ingérer des informations de Lexus-Nexus et de Bloomberg, des informations de la SEC comme les rapports 8K et 10K. Mais le fait est que le modèle apprend beaucoup de langage ou d’informations très spécifiques à ce domaine », explique Arun Chandrasekaran. « Le réglage fin peut donc se faire soit au niveau de l’industrie, soit au niveau de l’organisation ».

    Par exemple, Harvey est une startup qui s’est associée à OpenAI pour créer ce qu’elle appelle un « copilote pour les avocats » ou une version de ChatGPT pour les professionnels du droit. Les avocats peuvent utiliser le chatbot personnalisé pour découvrir les précédents juridiques de certains juges afin de préparer leur prochaine affaire, a expliqué le consultant. « Je vois la valeur de la vente de requêtes non pas tant pour le langage que pour les images », ajoute Arun Chandrasekaran. « Il existe toutes sortes de modèles dans l’espace de l’IA générative, y compris des modèles texte-image ». Ainsi, un utilisateur peut demander à un modèle d’IA générative de produire l’image d’un guitariste jouant de la guitare sur la lune. « Je pense que le domaine texte-image est davantage mis en avant sur les marketplaces prompt », affirme M. Chandrasekaran.

    Hugging Face, un hub LLM à guichet unique

    Bien que Hugging Face crée certains de ses propres LLM, notamment BLOOM, le rôle principal de l’entreprise est d’être un hub pour les modèles d’apprentissage automatique de tiers, comme GitHub le fait pour le code. Hugging Face héberge actuellement plus de 100 000 modèles de machine learning, y compris une variété de LLM provenant de startups et de grandes entreprises technologiques. Au fur et à mesure que des modèles sont proposés en libre accès, ils sont généralement mis à disposition sur le hub, créant ainsi une destination unique pour les LLM émergents en libre accès. Pour affiner un LLM pour une entreprise ou un secteur spécifique à l’aide de Hugging Face, les utilisateurs peuvent exploiter les API Transformers et les bibliothèques Datasets de l’entreprise. Par exemple, dans les services financiers, un utilisateur peut importer un LLM pré-entraîné tel que Flan-UL2, charger un ensemble de données d’articles d’actualité financière et utiliser l’entraîneur Transformers pour affiner le modèle afin de générer des résumés de ces articles.

    Les intégrations avec AWS, DeepSpeed et Accelerate rationnalisent et optimisent l’entraînement. L’ensemble du processus peut être réalisé en moins de 100 lignes de code, selon Eno Reyes. L’API d’inférence de Hugging Face est un autre moyen de se lancer dans le prompt engineering. Il s’agit d’un simple point de terminaison de requête HTTP qui prend en charge plus de 80 000 modèles de transformeurs, selon M. Reyes. « Cette API permet aux utilisateurs d’envoyer des invites textuelles et de recevoir des réponses de modèles open-source sur notre plateforme, y compris les LLM », explique Eno Reyes. « Si vous voulez aller encore plus loin, vous pouvez envoyer du texte sans code en utilisant le widget d’inférence sur les modèles LLM dans le hub Hugging Face ».

    Apprentissage zero-shot et few-shot

    Le prompt engineering du LLM se présente généralement sous deux formes : l’apprentissage ou la formation zero-shot ou few-shot. L’apprentissage appelé zero-shot implique l’envoi d’une instruction simple en tant qu’invite qui produit une réponse attendue de la part du LLM. Il est conçu pour apprendre à un LLM à effectuer des tâches sans utiliser de données étiquetées pour ces tâches spécifiques. Il s’agit d’un apprentissage par renforcement.

    Inversement, l’apprentissage en quelques étapes utilise une petite quantité d’informations ou de données d’échantillon pour former le LLM aux réponses souhaitées. L’apprentissage few-shot se compose de trois éléments principaux. Tout d’abord, la description de la tâche : une brève description de ce que le modèle doit faire, par exemple « Traduire l’anglais en français ». Le deuxième élément concerne les exemples. Quelques exemples montrant au modèle ce qu’il doit faire, par exemple, « sea otter => loutre de mer ». Enfin, le troisième et dernier élément est la partie prompt : il peut s’agir du début d’un exemple, que le modèle doit compléter en générant le texte manquant, par exemple « cheese => ».

    Le prompt engineering, porte ouverte à utilisations malveillantes

    En réalité, peu d’entreprises disposent aujourd’hui de modèles d’entraînement personnalisés pour répondre à leurs besoins, car la plupart des modèles en sont encore à un stade précoce de développement, selon Arun Chandrasekaran de Gartner. Et bien que ces deux formes d’apprentissage puissent être utiles, le prompt engineering en tant que compétence est important, tant pour les utilisateurs IT que pour les métiers.

    La plupart des API proposent aux utilisateurs d’appliquer leurs propres techniques de prompt engineering. Chaque fois qu’un utilisateur envoie un texte à un LLM, il est possible d’affiner les requêtes pour obtenir des résultats spécifiques, indique Eno Reyes. « Cependant, cette flexibilité ouvre également la porte à des utilisations malveillantes, telles que l’injection d’invites », ajoute-t-il. « Des cas comme celui de Bing à Sydney (Microsoft) ont montré comment les gens pouvaient exploiter l’ingénierie des requêtes à des fins involontaires. En tant que domaine d’étude en plein essor, l’injection rapide dans les cas d’utilisation malveillante et le ‘red-teaming’ pour les tests d’intrusion seront cruciaux pour l’avenir, en garantissant l’utilisation responsable et sécurisée des LLM dans diverses applications ».

    Source : lemondeinformatique.fr

  • 2 Votes
    11 Messages
    215 Vues

    Le dernier qui m’a hacké a demandé à être remboursé! :mouhaha:

  • 3 Votes
    5 Messages
    111 Vues

    @7cf148fd a dit dans Une entreprise chinoise privée réussi un lancement du premier coup :

    Mais non on n’est pas comme ça. C’est de la saine compétition, il en faut!

    c’est pas méchant, c’est la réalité, la Chine est en train si ce n’est déjà fait de prendre la 1eme place mondiale

  • 3 Votes
    6 Messages
    139 Vues

    ouai on se fait bien baisé dans tous les sens.

  • 1 Votes
    4 Messages
    100 Vues

    De mon côté, je suis plutôt porté sur les board Hard Kernel que je trouve excellentes, ce sont de très bon produit.

    Faites y un tour ^^

    https://www.hardkernel.com/product/

  • 4 Votes
    2 Messages
    88 Vues

    Ce genre de pirate là, je veux bien les voir en taule.