ConcordIAÀ propos de nousÀ propos
Session invité, non sauvegardéeSe connecter
← Tous les MOOC

MOOC 2, Volet Technique

Comprendre l'intelligence artificielle appliquée à la résolution des litiges

Module 1/6, 0%
Les bases d'une IA générative

Qu'est-ce qu'un LLM ?

Un modèle de langage (LLM, Large Language Model) est un système entraîné à prédire, mot après mot, la suite statistiquement la plus probable d'un texte, à partir d'immenses volumes de données textuelles. Il n'a pas de base de connaissances figée qu'il "consulte" comme un dictionnaire : il génère du texte en s'appuyant sur des régularités apprises pendant son entraînement, qui s'arrête à une date donnée.

Deux conséquences directes

Le modèle ignore tout ce qui s'est passé après sa date d'entraînement. Et il peut produire, avec la même confiance apparente, une réponse exacte ou une réponse inventée. Ce que la recherche appelle une hallucination.

L'hallucination, définie précisément

Une hallucination est la génération, par le modèle, d'une information fausse ou non vérifiable, présentée de façon aussi assurée qu'une information exacte. Un ensemble croissant de travaux de recherche souligne que ces hallucinations ne sont pas un défaut accidentel isolé mais une conséquence quasi structurelle du mécanisme génératif lui-même : le modèle est conçu pour produire du texte plausible, pas pour vérifier la véracité de ce qu'il produit.

Hallucination

La génération, par le modèle, d'une information fausse ou non vérifiable, présentée de façon aussi assurée qu'une information exacte.

Le principe du RAG (Retrieval-Augmented Generation)

Pour limiter ce risque, on couple le modèle à un mécanisme de récupération d'information externe avant la génération : au lieu de laisser le modèle "réciter" ce qu'il a mémorisé, on va chercher des documents pertinents et vérifiables dans une base contrôlée, et on les fournit au modèle comme contexte. C'est précisément le principe pour lequel ConcordIA interroge de vraies bases juridiques plutôt que de laisser le modèle répondre "de mémoire".

Pour aller plus loinoptionnel

Un point souvent mal compris hors du champ technique : l'hallucination n'est pas un "bug" au sens classique du terme, corrigible par un correctif isolé. Elle découle du même mécanisme statistique qui permet au modèle de généraliser à des situations jamais vues pendant l'entraînement. Sa capacité à produire du texte plausible et cohérent. Un modèle qui ne "hallucinerait" jamais serait, par construction, un modèle qui ne pourrait produire que des réponses mémorisées mot pour mot, ce qui le rendrait largement inutilisable pour analyser un cas nouveau. La question professionnelle n'est donc pas "comment éliminer l'hallucination" mais "comment détecter et limiter ses conséquences", ce qui est précisément l'objet du Module 2.

Exercices

Exercice 1 : Association

Relier chaque terme, tel que défini dans ce module, à sa définition.

Choisissez un terme à gauche, puis sa définition à droite.

Exercice 2 : QCM (5 questions)

Que fait un LLM (Large Language Model) ?

Quelles sont les deux conséquences directes évoquées dans ce module ?

Comment une hallucination est-elle précisément définie ?

Comment les hallucinations sont-elles caractérisées ?

Quel est le principe du RAG (Retrieval-Augmented Generation) ?

Exercice 3 : Question ouverte notée automatiquement (niveau avancé)
Niveau avancé

Question ouverte notée automatiquement

Si l'hallucination est structurellement liée à la capacité de généralisation du modèle, expliquez pourquoi "réduire l'hallucination à zéro" n'est pas un objectif de conception réaliste, et quel objectif y substituer à la place.

Soumettez les 3 exercices de ce module pour continuer.