Notion · Les bases
Modèle de langage (LLM)
Un modèle entraîné à traiter et produire des séquences de texte. Il peut aider à rédiger, analyser ou transformer des documents, mais une réponse fluide peut contenir des erreurs.
Comment ça marche
Un modèle de langage est un programme qui a appris, sur d’immenses quantités de texte, à prédire la suite d’un texte. Donnez-lui un début, il propose le mot suivant, puis le suivant, jusqu’à former une réponse. Cette mécanique simple, à très grande échelle, produit des textes cohérents, des raisonnements, des traductions, du code. Le modèle n’a pas de base de faits : il a des régularités statistiques, extrêmement fines.
C’est ce qui explique ses forces et ses faiblesses. Il excelle à transformer du texte : résumer, reformuler, traduire, structurer, parce que la matière est sous ses yeux. Il est moins fiable pour produire des faits de mémoire, parce que sa mémoire est une moyenne du monde écrit, arrêtée à une date. Et il ne distingue pas le vrai du plausible : il produit ce qui ressemble à une bonne réponse. Autour du modèle, l’application ajoute des consignes, des outils, de la mémoire, qui compensent en partie.
Un exemple concret
- Résumer un compte rendu de 10 pages : excellent. La matière est fournie, la tâche est une transformation. Relecture rapide.
- Rédiger une réponse à un client à partir de trois points donnés : très bon. Le contenu vient de vous, le modèle met en forme. Relecture du ton.
- Donner le taux de TVA applicable à une prestation précise : à vérifier. Le modèle répond de mémoire, souvent juste, parfois périmé ou mal nuancé. Source nécessaire.
- Citer la jurisprudence sur un point de droit du travail : à ne pas faire sans sources. Les références inventées sont fréquentes. Fournir les textes, ou utiliser un outil de recherche juridique, et vérifier chaque citation.
Même outil, même matinée. La différence est dans la nature de la tâche : transformer ce qu’on lui donne, ou produire ce qu’il croit savoir.
Ce que ça change pour une équipe
- Les tâches de texte s’accélèrent. Tout ce qui est lecture, synthèse, rédaction, traduction, mise en forme passe de l’heure à la minute.
- La règle de confiance devient claire. Matière fournie : confiance élevée, relecture légère. Faits de mémoire : vérification, ou sources fournies.
- Le choix du modèle devient un réglage. Petit, moyen, grand, de raisonnement : chacun a son coût et ses forces, et on choisit par tâche.
- Le vocabulaire commun aide. Savoir ce qu’est un token, un contexte, une hallucination, c’est pouvoir se parler, et parler aux prestataires.
Les limites et les erreurs fréquentes
- Le prendre pour un moteur de recherche. Il ne cherche pas, il se souvient, approximativement. Pour des faits, on lui donne les sources.
- Le prendre pour une calculatrice. Les calculs posés sont un point faible classique, sauf avec un outil de calcul branché ou un mode de raisonnement.
- Confondre le modèle et l’application. Deux assistants sur le même modèle se comportent différemment selon leurs consignes, leurs outils et leur gestion des données. On évalue l’application, pas seulement le modèle.
- Oublier la date de coupure. Tout ce qui est récent lui est inconnu, sauf si on le lui fournit. Il complète volontiers avec du plausible.
Pour aller plus loin
Un LLM estime des distributions de probabilité sur des tokens à partir du contexte disponible. Les modèles modernes utilisent souvent une architecture Transformer ; certains traitent aussi les images, le son ou d’autres modalités.
Où ça se situe chez Opora
Programme 01 · Mieux utiliserUn usage responsable et sobre de l’IA
Comprendre ce qu’un modèle de langage fait réellement quand il répond, pour obtenir des résultats fiables, c’est la première brique du programme Un usage responsable.
Questions fréquentes
LLM, ça veut dire quoi ?
Large language model, grand modèle de langage. « Grand » parce que ces modèles comptent des milliards de paramètres et ont été entraînés sur une part considérable du texte disponible. « De langage » parce qu’ils traitent et produisent du texte, et de plus en plus d’images, de son et de code.
Un modèle de langage cherche-t-il sur internet ?
Non, pas par lui-même. Il répond à partir de ce qu’il a retenu de son entraînement, arrêté à une date. Certaines applications lui ajoutent un outil de recherche web ou l’accès à vos documents ; c’est l’application qui cherche, et qui donne les résultats à lire au modèle.
Pourquoi le même modèle répond-il différemment d’une fois à l’autre ?
Parce qu’il choisit chaque mot avec une part de hasard parmi les mots probables. C’est ce qui le rend fluide et varié, et ce qui fait qu’une même question donne des réponses un peu différentes. On peut réduire cette variabilité par un réglage, sans la supprimer tout à fait.