Module
Culture digitale
Pr .Mhamda Abderrahim
Intelligence Artificielle
Séquence 4 : Intelligence Artificielle
4.1. Qu'est-ce que l'IA ?
4.2. Histoire de l'évolution de l'IA
4.3. l'IA Générative
4.4. ChatGPT
4.5. Apprendre avec ChatGPT
Intelligence Artificielle
I. Introduction
L'intelligence artificielle est en train de changer le monde, mais elle reste pourtant incomprise par de nombreuses
personnes. Ce cours a pour objectif de donner une introduction au fonctionnement de l'intelligence artificielle ,
les concepts de base, les cas d'usage et les applications de l’IA.
1. Qu'est-ce que l'Intelligence artificielle ?
Selon les définitions des dictionnaires : l’intelligence artificielle comme étant un ensemble de théories et de
techniques mises en œuvre en vue de réaliser des machines capables de simuler l'intelligence humaine. Tandis
que l’encyclopédie Britannica définit l’intelligence artificielle comme étant la capacité d'un ordinateur ou d'un
robot contrôlé par ordinateur à effectuer des tâches généralement associées à des êtres intelligents.
John Nilsson : Professeur en ingénierie informatique à l’université de Stanford et l’un des pionniers
de l’intelligence informatique définit l'intelligence artificielle comme étant l'activité qui vise à rendre
les machines intelligentes, et fonctionner de manière appropriée et prévoyante dans son
environnement.
Max Tegmark : Un autre professeur de l’institut MIT définit l'intelligence artificielle tout simplement
comme étant une intelligence qui n’est pas biologique
Ce qu'il faut donc retenir c'est que l'intelligence artificielle est une imitation de l'intelligence et non
pas une intelligence telle qu'on peut le concevoir chez des animaux et des êtres humains
2. Types d’interactions dans le domaine de l’IA
Maintenant, on verra à quoi ça sert l’intelligence artificielle ? Pour cela, on va illustrer deux types
d'interactions assez différentes :
La première est une interaction avec une base de données des images par exemple. le serveur va envoyer les
données à l'intelligence artificielle que l'on va appeler ici un agent et cet agent va restituer des résultats
Cela crée ainsi une boucle.
La deuxième est une interaction avec un environnement comme par exemple une machine de production ou un
jeu vidéo. Dans ce cas, on ne va plus se retrouver avec des données brutes mais avec un environnement. Cet
environnement va renseigner l'agent de l'état du jeu. Puis, l'agent va répondre par une action à effectuer sur cet
environnement.
3. Exemples des Cas d’utilisation :
nous partirons sur deux types d'exemple.
Le premier avec une base de données. Dans ce cas, l'intelligence artificielle est capable de faire deux
choses différentes : Prédire ou Classer.
1er Cas d’utilisation : Prédiction
Après une phase d’apprentissage, l’agent peut apprendre à prédire par exemple la nature des images, le score
d’un match ou encore le prix d’une maison. Dans cet exemple, il peut apprendre à reconnaître une photo
d’une pomme après qu’on lui ait montré des millions de photos de fruits.
2ème Cas d’utilisation : Classification
Le deuxième cas d’utilisation de l’IA est la classification de l’intégralité des images de la BD en différentes classes.
la classification est une branche de l’intelligence artificielle qui permet de classer des individus dans des
groupes. C’est un processus pour prédire la classe à laquelle appartient un ensemble d’observations. Dans
notre exemple, on a trois classes : Une classe des pommes, une deuxième classe des bananes et une
troisième des oranges.
Le second exemple illustrera comment l'intelligence artificielle pourra contrôler l'environnement dans le
cas d'un jeu ?
3ème Cas d’utilisation : Prédiction
L’exemple d’utilisation illustre comment on pourra contrôler un environnement. Dans ce cas aussi, tout va
partir de la prédiction et on aura besoin de prédire la meilleure action pour chaque élément de
l’environnement pour atteindre notre objectif final. Ceci sera bien entendu en fonction des possibilités de
chaque action.
Dans notre exemple d’échiquier, les possibilités pour que notre Agent puisse attaquer le
roi de l’adversaire seront de décider : d’aller en avant, en arrière, en diagonal et sur
combien de cases ? Ainsi, chaque déplacement représente l’état d’une solution à une
étape donnée de la procédure de résolution du problème et la solution finale du
problème sera donc la combinaison de l’ensemble des états de différentes étapes.
Conclusion
Ce qu'il faut donc retenir c'est que l'intelligence artificielle est une imitation de l'intelligence et non pas
une intelligence tel qu'on peut le concevoir chez des êtres vivants. Nous pouvons dire qu’une intelligence
artificielle est capable de :
Prédire et anticiper les besoins d'une entreprise,
Prédire le résultat d’un match de Foot
Prédire le prix d’acquisition d’une maison par exemple,
L’intelligence artificielle pourra également aider à :
Classer/ranger automatiquement les fiches des produits dans les bonnes catégories,
Classer des Emails/Spams
L’intelligence artificielle pourra également aider à :
Contrôler les évènements futurs pour un environnement comme étant le cas de contrôle des
déplacements d’un robot pour la détection des déchets nucléaires
Contrôler les déplacements d’un joueur sur jeu plateau etc.
HISTOIRE DE L’INTELLIGENCE ARTIFICIELLE
Nous allons explorer les moments clés qui ont marqués l’évolution de l’intelligence artificielle tout au long de
l’histoire.
2.1. Les débuts de l'IA (1940-1950) :
L'IA trouve ses racines dans les années 1940 et 1950, lorsque les chercheurs se sont intéressés à la création de
machines capables de reproduire le comportement humain. Le mathématicien britannique Alan Turing a joué un
rôle crucial en concevant le concept de la "machine de Turing", qui est considérée comme le modèle fondamental
des ordinateurs modernes . La découverte offre un avantage tactique et décisif au commandement Allié. En 1942,
environ 40.000 messages sont interceptés et décryptés chaque mois par les Britanniques. L'année suivante, près
de 80.000 communications sont déchiffrées tous les mois. ses travaux ont jeté les bases théoriques de l'intelligence
artificielle.
En 1950, Alan Turing a proposé le célèbre "test de Turing" dans son article "Computing Machinery and
Intelligence". Ce test consiste à évaluer la capacité d'une machine à imiter l'intelligence humaine de manière si
convaincante qu'un observateur ne peut pas distinguer si les réponses proviennent d'un être humain ou d'une
machine. Ce test est encore aujourd'hui une référence en matière d'IA
2.2. Le développement des premiers programmes intelligents (1950-1974) :
Au cours des années 1950 et 1960, les chercheurs ont créé les premiers programmes informatiques qui démontraient
des capacités d'intelligence artificielle. En 1951, le programme d'échecs de Christopher Strachey a été l'un des
premiers à jouer aux échecs de manière rudimentaire. Par la suite, en 1956, la conférence de Dartmouth a marqué le
début officiel de la recherche en intelligence artificielle, avec l'objectif de créer des machines intelligentes.
Au cours des années 1960 et 1974, l'IA s'est tournée vers le développement de systèmes d'apprentissage
automatique, également connus sous le nom de "machine learning". Le chercheur Arthur Samuel a développé le
programme d'échecs "Samuel's Checkers", qui utilisait des algorithmes d'apprentissage pour s'améliorer en jouant
contre lui-même
2.3. Les années d'optimisme et d'hiver de l'IA (1980-1990) :
Dans les années 1980, l'IA a connu une période d'optimisme avec des avancées significatives dans le domaine
de l'expertise des systèmes et du raisonnement. Cependant, cette période a été suivie d'un "hiver de l'IA" dans
les années 1990, où les progrès ont été plus lents et les fonds de recherche ont diminué en raison de résultats
moins probants.
2.4. La renaissance de l'IA avec le deep learning (années 2000-2010) :
Le début du XXIe siècle a marqué une renaissance de l'IA avec l'émergence du deep learning. Cette approche
utilise des réseaux neuronaux profonds pour analyser et apprendre à partir de grandes quantités de données. Le
développement de puissants matériels informatiques et de grandes bases de données a permis de réaliser des
progrès significatifs dans la reconnaissance d'images, la reconnaissance vocale, la traduction automatique et bien
d'autres domaines.
2.5. L'IA aujourd'hui (années 2010- 20..) :
Au cours des dernières années, l'IA a connu une croissance exponentielle avec des applications révolutionnaires dans
divers secteurs tels que la santé, les transports, la finance, le marketing, l'éducation et bien d'autres. Les assistants
vocaux intelligents tels que Siri et Alexa, les voitures autonomes, les robots collaboratifs et les systèmes de
recommandation sont autant d'exemples de la puissance de l'IA dans notre vie quotidienne. L'IA continue de
progresser rapidement et de repousser les limites de ce qui est possible. Les chercheurs travaillent sur des sujets tels
que l'intelligence générale, l'apprentissage en profondeur, la compréhension du langage naturel, la robotique
humanoïde et l'éthique de l'IA. L'avenir promet des avancées encore plus extraordinaires et des applications toujours
plus nombreuses de cette technologie révolutionnaire.
Conclusion
l'IA n'est pas une technologie aussi récente même si ces dernières années on en parle
énormément. C’est une technologie qui a commencé il y a déjà presque un siècle et qu’elle
va prendre l'essor dans les années à venir avec l'explosion des puissances de calcul et des
données qu’on collecte chaque jour et l’avènement du concept de l’intelligence générative
INTRODUCTION À L’INTELLIGENCE ARTIFICIELLE
GÉNÉRATIVE
Introduction
En Mars 2023, Bill Gates le cofondateur de la fameuse société Microsoft, a posté sur son blog le
message suivant : il y a trois grands temps dans la transformation informatique. Il y a eu le temps de
l'Internet, le temps du mobile et aujourd'hui, le temps de lʼIA générative. Mais pour expliquer ce
que c’est que l’IA générative qui fait parler le monde aujourd’hui, nous commençons tout d’abord
par rappeler quelques concepts de l’IA Classique. LʼIA est une discipline de l'informatique qui existe
depuis les années 50 et qui a connu des grandes avancées technologiques et scientifiques. On parle
de : Machine Learning, des réseaux de neurones artificiels, Deep Learning pour arriver aujourd’hui à
lʼIA générative
Qu'est-ce que le machine learning ?
Le machine learning (apprentissage automatique) est une sous-discipline de l'IA qui se concentre sur la capacité
des machines à apprendre de données. Au lieu de programmer explicitement un ordinateur pour qu'il exécute des
tâches spécifiques, on lui enseigne à apprendre de l'expérience. Un exemple classique est le filtrage des e-mails
(spam ou non-spam) en fonction de la reconnaissance de motifs dans les messages reçus.
Qu'est-ce que le deep learning ?
Le deep learning (apprentissage profond) est un sous-ensemble du machine learning qui utilise des réseaux de
neurones artificiels profonds. Ces réseaux sont inspirés par la structure et le fonctionnement du cerveau humain
et sont capables d'apprendre à effectuer des tâches en traitant de grandes quantités de données. Un exemple
emblématique est la reconnaissance faciale, où le système apprend à identifier et différencier les visages humains
avec une précision stupéfiante.
Qu'est-ce qu'un réseau de neurones ?
Le réseau de neurones, formellement appelé « réseau de neurones artificiels », est un modèle de calcul
conçu pour simuler la façon dont le cerveau humain analyse et traite les informations. Il est composé de
nœuds interconnectés qui sont organisés en différentes couches : la couche d'entrée, une ou plusieurs
couches cachées et la couche de sortie. Chaque neurone reçoit des entrées, effectue des calculs et
transmet les résultats à d'autres neurones.
Les réseaux de neurones représentent une avancée technologique majeure qui a révolutionné le domaine
de l'intelligence artificielle. Inspirés du fonctionnement du cerveau humain, ils sont capables d'apprendre à
partir de données, de reconnaître des modèles et de faire des prédictions avec précision.
En résumé, un réseau de neurones est une machine d'apprentissage puissante, capable de détecter des
modèles et des tendances dans les données, et d'utiliser ces informations pour faire des prédictions ou
prendre des décisions. Le réseau neuronal est à la base de nombreuses avancées en intelligence artificielle
et continue d'être un domaine de recherche actif.
Quelle est la signification du terme "LLM " ?
Les grands modèles de langage (Large Language Models, LLM), comme ChatGPT sont des types
spécifiques d'IA générative spécialisés dans la compréhension et la génération de texte. Ces
modèles sont entraînés sur de gigantesques corpus textuels pour prédire le mot suivant dans une
phrase, permettant ainsi de générer du texte cohérent et contextuellement pertinent.
Qu'est ce que l'intelligence artificielle générative (Gen ai) ?
L'intelligence artificielle (IA) générative est une branche de l'IA qui se concentre sur la création de
contenus nouveaux et originaux, allant du générateur texte au générateur d'image, en passant par
la musique et au-delà. À la différence de l'IA traditionnelle, qui se limite souvent à analyser et
interpréter des données, l'IA générative apprend à partir de vastes ensembles de données
existants pour produire des créations inédites.
Modèles discriminants et Modèles génératifs
L'apprentissage automatique ou Machine Learning est un sous-domaine de l'IA. Il s'agit d’un programme ou
d'un système qui crée un modèle à partir de données existantes. Plus précisément, l'apprentissage automatique
donne à l'ordinateur la capacité d'apprendre sans programmation explicite.
Modèles discriminants
La tâche d’un modèle discriminant est simple, si on lui montre des données de différentes classes, il devrait
être capable de les discriminer.
Par exemple, si je montre au modèle un ensemble d’images de chien et de chat, il devrait pouvoir dire ce
qu’est un chien et ce qu’est un chat en utilisant des caractéristiques discriminantes telles que la forme des
yeux, la taille des oreilles, etc.
Modèles génératifs
Les modèles génératifs ont la capacité de créer des données similaires aux données d’apprentissage qu’ils ont
reçues,.
Par exemple, si je montre à un modèle génératif un ensemble d’images de chiens et de chats, le modèle doit
maintenant comprendre complètement quelles sont les caractéristiques qui appartiennent à une certaine
classe et comment elles peuvent être utilisées pour générer des images similaires.
L’IA Générative est alors un sous domaine de l’apprentissage profond qui crée de nouveaux contenus à
base de ce qu'elle a appris du contenu existant. Pour ce faire, L'IA générative utilise des réseaux
neuronaux artificiels et plus précisément un modèle génératif pour traiter des vastes données non
structurés.
Une deuxième caractéristique de L'IA générative c’est qu’elle permet de créer des ponts entre les différents
domaines tels que : le traitement du langage naturel ou le domaine de l'imagerie. On part d'un texte pour
faire une vidéo, d'une vidéo pour faire un podcast ou bien faire des slides à partir d’un fichier audio. Ce qui
crée donc des liens multimodaux
Comment ça fonctionne l'IA générative ?
Les grands modèles de langage (LLM) comme GPT (Generative Pre-trained Transformer) et les outils d'IA
générative associés construisent leurs réponses en utilisant des générateurs de probabilités pour prédire le mot
suivant dans une séquence de mots, en fonction du contexte fourni par les mots précédents. Ils utilisent des
grandes puissances de calcul pour fournir les réponses les plus appropriées.
•Instruction : aussi appelé prompt. C'est la demande initiale ou le problème que l'IA doit résoudre, comme
générer un texte ou une image spécifique.
•Données supplémentaires : ce sont des informations additionnelles fournies pour affiner la tâche demandée à
l'IA en données d'entrée. Cela peut être un lien vers un site internet, une image ou un document PDF par
exemple
•Modèle génératif : au cœur du système, il s'appuie sur des algorithmes de Deep Learning pré-entraînés pour
traiter les instructions et les données.
•Données d'entraînement (Dataset) : il s'agit des données préalablement utilisées pour enseigner au modèle
comment réaliser ses tâches. Plus le dataset est large et varié, plus le modèle pourra générer des réponses
précises et pertinentes.
•Réponse : le résultat généré par l'IA, qu'il s'agisse d'un texte, d'une image, ou d'une autre forme de contenu.
Quels sont les principaux modèles d'IA générative ?
Il est possible de distinguer 6 principaux modèles :
L’AGENT CONVERSATIONNEL : CHATGPT
Introduction
L'un des développements les plus remarquables de l’IA à l’heure actuelle est l'émergence de l’agent
conversationnel ChatGPT crée par l’entreprise Open AI. Mais, avant d’expliquer son principe de
fonctionnement, nous clarifions tout d’abord deux concepts différents, souvent confondus : GPT et ChatGPT
1. GPT (Generative Pre-trained Transformer) est un langage de type LLM (Large Language
Model) pour le traitement et la génération du langage naturel. Ces modèles sont des modèles
d’apprentissage automatique qui sont extrêmement efficaces lorsqu'il s'agit d'effectuer des
tâches liées au langage : traduire, résumer des textes, générer du contenu ou du code, etc.
Dans nos applications de messages ou moteurs de recherche, nous utilisons souvent le texte
intuitif qui se base généralement sur un dictionnaire préexistant et des probabilités.
2.Quant au concept ChatGPT : C’est un mot-valise : “chat” qui fait référence à une
discussion en ligne et “GPT” qui signifie que ChatGPT a été préalablement entraîné pour
générer des réponses pertinentes selon le contexte.
Ce qu’il faut retenir c’est que GPT est un modèle de langage qui sert de « cerveau » à
l'agent conversationnel ChatGPT et ce pour tenir des conversations fluides et
naturelles avec les utilisateurs. Nous expliquons par la suite les différents stades de
l’évolution des modèles GPT.
2. Les stades d’évolution des modèles GPT
Le concept GPT a été initialement introduit en juin 2018 avec la publication du premier modèle, GPT-1,
puis les autres modèles GPT-2, 3 et 4 sont dévoilés en 2019, 2020 et 2023 respectivement. La principale
différence réside dans la taille ainsi que les paramètres qui sont passés de 117 millions paramètre dans
GPT-1 à 1.76 Trillion dans GPT-4. D’autant plus, GPT-4 peut recevoir maintenant des images ce qui constitue
une amélioration majeure puisque les versions précédentes de GPT acceptent uniquement les inputs sous
forme de texte.
🧠 Exemple :
Imaginons que GPT apprenne cette règle :
"Quand on voit 'bonjour', on répond 'salut’. »
Un paramètre pourrait être :
Si le mot = 'bonjour', alors 'salut' a une probabilité élevée.
Ce paramètre est juste un nombre (par exemple : 0.9) qui dit :
"Quand je vois 'bonjour', je choisis 'salut' avec 90 % de chance."
GPT contient des milliards de ces petits paramètres (règles pondérées), pour apprendre toutes
sortes de relations entre les mots.
3. Fonctionnement de ChatGPT
Quand on fournit à ChatGPT un « prompt » (que ce soit une question ou des instructions), Il prédit dans un premier
temps le mot le plus probable qui doit suivre en s’appuyant sur des millions de textes que le modèle a intégrés lors
de son apprentissage.
Ensuite, il ajoute ce mot au prompt d’origine et renvoie l’ensemble à la case d’entrée pour le repasser à la moulinette
(GPT). Puis, un 2ème mot est ajouté et ainsi de suite jusqu’un caractère spécial indique la fin de la réponse.
▪ analyse le contexte et génère une réponse en utilisant les connaissances acquises pendant son apprentissage.
4. Les modes d’apprentissage de GPT
Nous expliquerons les différents modes d’apprentissage de GPT que ce soit à l’aide :
▪ Des Sources d’Internet
▪ De la Supervision Humaine
▪ La Supervision de IA
▪ Entrainement avec le langage humain
Entraînement avec les sources internet
GPT est entraîné sur de vastes quantités de données textuelles provenant
d'Internet, articles, journaux, livres, réseaux sociaux, forums… Il apprend à prédire
la probabilité d’apparition d’un mot ou d’une phrase en fonction d’un texte donné.
ChatGPT utilise une architecture de réseau de neurones appelée Transformer, qui
est conçue pour capturer les relations entre les mots dans un texte
Entraînement avec une supervision humaine
GPT est entraîné à donner plusieurs réponses à une question.
Des humains classent et évaluent la pertinence de ces réponses en
donnant une “récompense” (“rewards”). Le but est de renforcer la
cohérence des réponses, éviter les dérives et les erreurs.
Une IA de récompense se développe. Elle comprend comment classer et
évaluer les réponses. Ce processus s’appelle le “Renforcement Learning”.
Entraînement avec une supervision d’Intelligence Artificielle
Dans cette dernière phase d’entraînement, GPT donne plusieurs
réponses à une question sous le contrôle de l’IA de récompense.
Cette IA évalue les réponses pour les faire évoluer.
Des humains vérifient que les réponses données ne sont pas sensibles et
correspondent aux schémas de pensées actuels.
Entrainement avec le langage humain
Après tous ces entraînements, on demande à la technologie
de répondre aux questions avec un langage humain. ChatGPT est la
version conversationnelle de GPT. C’est ce que l’on appelle un Chatbot.
ChatGPT fonctionne de manière interactive en échangeant des tours de
parole avec un utilisateur. Il utilise les informations précédentes, y
compris les messages de l'utilisateur et les réponses précédentes du
modèle, pour générer des réponses.
Conclusion
Pour conclure, ChatGPT fonctionne de manière interactive en échangeant des tours de parole avec un
utilisateur selon le modèle GPT. D’autant plus, CHATGPT est affiné grâce à l'utilisation des « Transformers »
et des techniques d'apprentissage supervisé et par renforcement du modèle GPT.
Parmi toutes les réponses linguistiquement correctes que pourrait générer, CHATGPT opte pour celles qui
sont le plus correctes. Sur la base de ce même principe, CHATGPT refuse aussi parfois carrément de
répondre.
Comment apprendre avec ChatGPT ?
Introduction
Dans cette partie du cours, nous allons explorer les meilleures pratiques pour interagir avec ChatGPT, un outil
d'intelligence artificielle conçu pour comprendre et générer du texte en réponse à des entrées utilisateur.
Comprendre comment formuler des prompts efficaces est essentiel pour tirer le meilleur parti de cette
technologie puissante.
1. Être clair et précis :
Lorsque vous interagissez avec ChatGPT, la clarté et la précision de vos instructions sont cruciales pour obtenir
des résultats pertinents. Examinant ce prompt : « Expliquez le processus de collecte de données des moteurs
de recherche sur le web. » Ce prompt indique clairement le sujet de la demande. Il ne demande pas une
explication générale sur les moteurs de recherche, mais se concentre sur un aspect particulier, à savoir la
collecte de données. Cela permet à ChatGPT de fournir une réponse précise et détaillée.
2. Définir le format de sortie :
Il est possible de demander à ChatGPT un format de sortie particulier. Supposons que nous
souhaitons résumer l’article de Wikipédia sur le mathématicien Al-Khwarizmi. Un premier prompt pourrait être :
'résumer l'article de Wikipédia sur Al-Khwarizmi : mais si nous voulons un résultat avec un format particulier nous
pouvons saisir comme prompt: « résumer l'article de Wikipédia sur Al-Khwarizmi en 100 mots, en utilisant une
structure en deux paragraphes. Ajoutez un titre approprié à chaque paragraphe. Enfin, créez un tableau
récapitulatif des ouvrages d'Al-Khwarizmi en précisant le domaine ». L'importance de définir le format de sortie
dans un prompt réside dans le fait que cela guide le modèle dans la manière dont il doit organiser et présenter les
informations. Cela garantit que l'utilisateur obtient exactement ce qu'il souhaite
3. Donner un contexte clair :
Lorsque vous demandez quelque chose à ChatGPT, spécifiez le contexte pour obtenir des réponses plus
adaptées. Par exemple, au lieu de demander simplement : « Comment écrire une lettre de motivation ? »,
vous pouvez préciser votre situation en saisissant comme prompt : « Je suis étudiant en économie et gestion
et je souhaite postuler à un master en marketing digital.
Comment rédiger ma lettre de motivation ? » En indiquant votre domaine d'étude et le master ciblé, vous
aurez une lettre de motivation plus adaptée à votre situation.
4. Préciser l’audience ciblée :
Lorsqu’on communique avec ChatGPT, il est primordial de savoir à qui sera destinée la réponse
générée. Prenant un exemple, je veux demander à chatgpt de m’expliquer comment écrire une
fonction récursive en Python, il est important d’indiquer mon niveau de compréhension. Ainsi le
prompt sera : « Je suis débutant en programmation. Pourriez-vous m'expliquer de manière simple
comment écrire une fonction récursive en Python ? » En précisant mon niveau, ChatGPT peut
ajuster la complexité de sa réponse pour la rendre plus accessible.
Demander à ChatGPT d'adopter un rôle :
Pour simuler des situations réelles, vous pouvez demander à ChatGPT d'adopter un rôle spécifique. Par
exemple, au lieu de poser une question générale sur la préparation d’un entretien d’embauche, vous pouvez
demander : « Agis en tant que responsable des ressources humaines dans un établissement d'enseignement
primaire et poses moi des questions pour simuler un entretien d'embauche. Je suis titulaire d'une licence en
assistance sociale ». En adoptant un rôle spécifique, ChatGPT peut générer des questions et des scénarios qui
sont pertinents pour le contexte donné. Cela rend la simulation plus réaliste et utile pour l'utilisateur. En
exécutant le prompt on aura un ensemble de questions à la fois si vous voulez que ça soit interactif il suffit de
lui demander de poser une question à la fois.
Divisez les demandes complexes en sous-tâches :
Il est parfois tentant de demander à ChatGPT de résoudre une tâche complexe en une seule question.
Toutefois, cela peut souvent conduire à des réponses imprécises ou superficielles. Une meilleure approche
consiste à diviser votre demande en sous-tâches plus petites et plus gérables.
Par exemple, ne demandez pas directement à ChatGPT de générer un support de formation complet en
développement web. Commencez par lui demander de concevoir un plan détaillé pour le support de
formation, en identifiant les modules clés. Ensuite, dans un second prompt, vous pourriez lui demander de
développer le contenu pour chaque module, un à la fois. Enfin, vous pourriez lui demander de vous aider à
créer des activités interactives, des exemples de code, et des évaluations pour chaque section.
Conclusion
ChatGPT est un outil remarquable pour l'apprentissage et la productivité, mais il est important de se
rappeler qu'il n'est pas infaillible. Utilisez-le comme un complément à votre processus de recherche et
d'apprentissage, tout en vérifiant toujours les informations qu'il fournit. Avec la pratique, vous deviendrez
habile à rédiger des prompts qui maximisent l'efficacité de ChatGPT. Continuez à expérimenter avec
différents styles de prompts et observez les résultats pour affiner vos techniques de questionnement.
Merci de votre attention.
Pr .Mhamda Abderrahim
