(English version below, 中文版本如下)
Le rôle des LLM
Les LLM (Large Language Models) occupent désormais une place centrale dans le domaine de l’intelligence artificielle générative. Ces modèles se distinguent par leur capacité à produire du texte de manière fluide et contextuelle à partir d’une simple instruction (prompt).
Parmi les plus célèbres figurent GPT (Generative Pre-trained Transformer), qui alimente ChatGPT, ainsi que Mistral ou Llama2. Ces modèles, entraînés sur des corpus gigantesques, peuvent ensuite être adaptés à des tâches spécifiques, ce qui leur permet de fournir des réponses à toute questions.
La véritable force des LLM réside dans leur interaction immersive, qui donne l’impression de dialoguer avec un expert. Cependant, il convient de rappeler que ces systèmes visent à générer la réponse « la plus probable » plutôt qu’une certitude absolue. Cette distinction souligne à la fois leurs potentialités et leurs limites.
Le LLM, c’est comme un nouvel employé trop enthousiaste qui refuse de se tenir informé des actualités mais répond toujours à toutes les questions avec une confiance absolue. C’est bien sympathique, mais après la première erreur de sa part, le doute s’installe dans la pensée de l’utilisateur. On ne sait plus, au final, ce qui était correct ou non. source internet
Le problème de la boite noire
Les LLM restent une « boîte noire » et même leurs concepteurs ne comprennent pas leurs mécanismes internes. Ce sont des systèmes stochastiques, donnant la meilleure probabilité, pas une réponse exacte. Or, les utilisateurs sont habitués au caractère déterministe des ordinateurs.
Cela soulève des enjeux cruciaux en matière de sécurité et utilisation des données. Les utilisateurs doivent être formé et spécialisé dans le domaine sur lequel il travaille pour bien comprendre les réponses d’un chatbot. Ou en assumer les conséquences, notamment lorsque des décisions importantes en découlent.
Vers les Computer-Using Agents (CUA)
Pour surmonter les limites des LLM, les Computer-Using Agents (CUA) se développent rapidement. Ces agents spécialisés collectent et analysent des questions pour offrir des réponses plus cohérente. En exploitant des technologies comme le traitement du langage naturel (NLP) et des couches d’analyse multiples, ils dépassent les modèles classiques.
La question se pose alors de l’origine ou la fiabilité des données. Il faut rappeler que nous sommes dans un monde de technologie ouverte, mais où la politique joue toujours un rôle important. Il faut donc être prudent sur les informations qui sont récoltées sur Internet.
Les architectures pour entreprises : le RAG
Pour assurer la fiabilité des données, les entreprises peuvent établir des architectures type RAG.
L’approche Retrieval-Augmented Generation (RAG) enrichit temporairement les modèles en y intégrant des données contextuelles provenant de sources fiables. Cela optimise la pertinence des réponses et s’appuie sur des connecteurs entre l’IA et les bases de données des entreprises.
Je résume donc sur l’image ci-dessous, la structure simplifiée intégrant :
- Un LLM pour les interactions avec les utilisateurs en entrée et sortie.
- Un CUA qui définit les tâches avec consultation de données sur les bases de données de l’entreprise, internet ou à défaut la mémoire du LLM.
- Un RAG regroupant les données classifiées de l’entreprise.
fig1 -
Application dans le domaine de l’énergie solaire
Les cellules photovoltaïques HJT, constituées de couches de matériaux variés, illustrent bien le potentiel de l’IA. Bien que les interactions chimiques et physiques entre ces couches ne soient pas entièrement comprises, l’IA permet d’identifier des combinaisons optimales basées sur des expériences passées.
Par exemple, le projet MATCH-UP vise à améliorer les cellules photovoltaïques à base de pérovskites halogénées. En combinant des modifications chimiques avec des analyses assistées par IA, ce projet ambitionne d’accroître la stabilité et les performances de ces cellules.
Lien connexe : Les matériaux photovoltaïques de demain grâce à l’IA.
Bonnes pratiques pour éviter les déconvenues
La nature de ces systèmes bien comprise, on peut alors établir comment les utiliser.
Utiliser l’IA comme source fiable de données : NON , l’IA n’est pas infaillible et ne le sera probablement pas à court terme. Leur réponse n’est qu’« une meilleure probabilité » et non une certitude.
Analyse et automatisation des tâche : Oui, mais avec supervision . Les utilisateurs doivent être formés et fournir des données soigneusement classées et organisées.
Création pure: OUI, pour des usages créatifs tels que la génération d’images ou de textes, ou simplement pour du brainstorming ; les IA sont de très bons outils. Mais rappelons-nous qu’il n’existe pas encore de livre « best-seller » écrit par une IA ou de « chef-d’œuvre » exposé dans un musée. La création reste humaine.
Conseils Pour optimiser ses interactions avec un agent IA
Préciser le contexte : Définissez clairement le rôle, le ton, l’objectif et les limites des réponses attendues. Par exemple, une traduction technique s’améliorera significativement avec un domaine bien spécifié.
Fournir des données de base claires : Les réponses seront d’autant plus fiables que les données auront été bien classifiées et traduites dans un langage que le LLMA pourra lire (bien que celles ci ne soit pas toujours lisible par les humains).
Surveiller les réponses : Les modèles s’appuient sur des données historiques et ont une compréhension limitée des évolutions récentes. Il faut garder un esprit critique lors de la lecture des réponses.
L’intelligence artificielle ne remplacera pas tous les emplois, le contrôle des réponses et la créativité resteront le propre de l’humain pour quelque temps. Par contre très probablement : ceux qui utilisent les IA remplaceront ceux qui ne les utilisent pas. Chris
Conclusion : l’IA, un outil au service des experts
L’intelligence artificielle est donc avant tout un outil puissant, conçu pour maximiser l’analyse des données. Toutefois, elle reste dépendante de l’expertise des spécialistes pour interpréter et appliquer ses résultats.
Loin de remplacer les emplois, l’IA représente une opportunité pour ceux qui savent l’adopter. Les entreprises qui l’exploitent efficacement auront un avantage certain.
N’hésitez pas à nous contacter via notre site www.ccachk.com pour toute demande d’accompagnement.
NB : Bien que cet article ait été enrichi par l’IA, le contenu a été rigoureusement sélectionné par nos soins.
PS: link to Matchup article https://www.iledefrance-gif.cnrs.fr/fr/cnrsinfo/des-chercheurs-decouvrent-les-materiaux-photovoltaiques-de-demain-laide-de-lia
—————
The Role of LLMs
LLMs (Large Language Models) now occupy a central place in the field of generative artificial intelligence. These models stand out for their ability to produce fluent and contextual text from a simple instruction (prompt).
Among the most famous are GPT (Generative Pre-trained Transformer), which powers ChatGPT, as well as Mistral or Llama2. These models, trained on massive datasets, can then be adapted to specific tasks, enabling them to provide answers to any questions.
The true strength of LLMs lies in their immersive interaction, which gives the impression of conversing with an expert. However, it is important to remember that these systems aim to generate the “most probable” response rather than an absolute certainty. This distinction highlights both their potential and their limitations.
An LLM is like a new, overly enthusiastic employee who refuses to stay updated on current events but always answers every question with absolute confidence.
It’s quite endearing, but after their first mistake, doubt creeps into the user’s mind. In the end, you no longer know what was correct or not.
Source: Internet
The Black Box Problem
LLMs remain a “black box”, and even their creators do not fully understand their internal mechanisms. They are stochastic systems, providing the best probability, not an exact answer. Yet, users are accustomed to the deterministic nature of computers.
This raises crucial issues regarding data security and usage. Users must be trained and specialized in the domain they are working on to properly understand the responses of a chatbot. Or they must accept the consequences, especially when important decisions are at stake.
Toward Computer-Using Agents (CUA)
To overcome the limitations of LLMs, Computer-Using Agents (CUA) are rapidly developing. These specialised agents collect and analyze questions to provide more coherent answers. By leveraging technologies like natural language processing (NLP) and multiple layers of analysis, they surpass traditional models.
The question then arises of the origin or reliability of the data. It is important to remember that we live in a world of open technology, but where politics still plays a significant role. Therefore, caution is needed regarding the information gathered from the internet.
Enterprise Architectures: RAG
To ensure data reliability, enterprises can establish architectures like RAG.
The Retrieval-Augmented Generation (RAG) approach temporarily enriches models by integrating contextual data from reliable sources. This optimises the relevance of responses and relies on connectors between AI and enterprise databases.
I summarise in the image below the simplified structure
integrating:
- A LLM for user interactions as input and
output.
- A CUA that defines tasks by consulting data from
enterprise databases, the internet, or, failing that, the LLM’s
memory.
- A RAG grouping classified enterprise data.
fig1 -
Application in the Solar Energy Domain
HJT photovoltaic cells, made up of layers of various materials, illustrate the potential of AI well. Although the chemical and physical interactions between these layers are not fully understood, AI can identify optimal combinations based on past experiments.
For example, the MATCH-UP project aims to improve perovskite-based photovoltaic cells. By combining chemical modifications with AI-assisted analyses, this project seeks to enhance the stability and performance of these cells.
Related link: Tomorrow’s photovoltaic materials thanks to AI.
Best Practices to Avoid Pitfalls
Once the nature of these systems is understood, we can establish how to use them.
Using AI as a reliable data source: NO, AI is not infallible and likely won’t be in the short term. Its response is only a “best probability” and not a certainty.
Analysis and task automation: Yes, but with supervision. Users must be trained and provide carefully classified and organized data.
Pure creation: YES, for creative uses such as generating images or texts, or simply for brainstorming; AIs are excellent tools. But let’s remember that there is no “best-selling” book written by an AI or a “masterpiece” exhibited in a museum yet. Creation remains human.
Tips to Optimize Interactions with an AI Agent
Specify the context: Clearly define the role, tone, objective, and limits of the expected responses. For example, a technical translation will significantly improve with a well-specified domain.
Provide clear base data: Responses will be more reliable if the data is well classified and translated into a language the LLM can read (even if it is not always readable by humans).
Monitor responses: Models rely on historical data and have a limited understanding of recent developments. Maintain a critical mindset when reading responses.
Artificial intelligence will not replace all jobs; controlling responses and creativity will remain uniquely human for some time.
However, it is very likely that those who use AI will replace those who do not.
Chris
Conclusion: AI, a Tool for Experts
Artificial intelligence is therefore primarily a powerful tool, designed to maximize data analysis. However, it remains dependent on the expertise of specialists to interpret and apply its results.
Far from replacing jobs, AI represents an opportunity for those who know how to adopt it. Companies that leverage it effectively will have a definite advantage.
Feel free to contact us via our website www.ccachk.com for any support requests.
NB: Although this article was enriched by AI, the content was rigorously selected by us.
PS: link to Matchup article https://www.iledefrance-gif.cnrs.fr/fr/cnrsinfo/des-chercheurs-decouvrent-les-materiaux-photovoltaiques-de-demain-laide-de-lia
——
最佳博客
以下是经过校正的文本，确保拼写、语法和Markdown格式正确：
采购与人工智能
人工智能是一种强大的新工具，必须掌握它才能保持竞争力。在本文中，我将讨论其在采购中的应用，以及需要领域专家来充分发挥其优势。
#B2B采购 #定制解决方案 #可持续性 #AI采购
—————
大语言模型（LLM）的作用
大语言模型（LLM）如今在生成式人工智能领域中占据核心地位。这些模型因其能够根据简单的指令（提示）生成流畅且符合上下文的文本而脱颖而出。
其中最著名的包括为ChatGPT提供支持的GPT（生成式预训练变换器），以及Mistral和Llama2。这些模型在庞大的数据集上进行了训练，随后可以适应特定任务，从而能够回答任何问题。
LLM的真正优势在于其沉浸式交互，给人一种与专家对话的感觉。然而，需要记住的是，这些系统的目标是生成“最可能的”回答，而不是绝对确定的答案。这种区别既凸显了它们的潜力，也揭示了它们的局限性。
LLM就像一个过于热情的新员工，拒绝关注时事，但总是以绝对的信心回答每一个问题。
这很讨人喜欢，但在他们第一次犯错后，用户的疑虑就会产生。最终，你不再知道什么是正确的。
来源：互联网
黑箱问题
LLM仍然是一个“黑箱”，甚至它们的创造者也不完全理解其内部机制。它们是随机系统，提供最佳概率，而不是确切答案。然而，用户已经习惯了计算机的确定性。
这引发了关于数据安全和使用的重要问题。用户必须接受培训并专注于他们工作的领域，以正确理解聊天机器人的回答。或者，他们必须承担后果，尤其是在涉及重要决策时。
迈向计算机使用代理（CUA）
为了克服LLM的局限性，计算机使用代理（CUA）正在迅速发展。这些专门的代理收集和分析问题，以提供更连贯的答案。通过利用自然语言处理（NLP）和多层分析等技术，它们超越了传统模型。
问题在于数据的来源或可靠性。需要记住的是，我们生活在一个开放技术的世界中，但政治仍然扮演着重要角色。因此，在从互联网收集信息时需要谨慎。
企业架构：RAG
为了确保数据的可靠性，企业可以建立类似RAG的架构。
检索增强生成（RAG）方法通过从可靠来源整合上下文数据来临时丰富模型。这优化了回答的相关性，并依赖于AI与企业数据库之间的连接器。
我在下图中总结了简化的结构，整合了：
- 一个LLM，用于用户的输入和输出交互。
-
一个CUA，通过咨询企业数据库、互联网或LLM的内存来定义任务。
- 一个RAG，用于分组企业的分类数据。
fig1 -
在太阳能领域的应用
由多种材料层组成的HJT光伏电池很好地展示了AI的潜力。尽管这些层之间的化学和物理相互作用尚未完全理解，但AI可以根据过去的实验确定最佳组合。
例如，MATCH-UP项目旨在改进基于钙钛矿的光伏电池。通过将化学修改与AI辅助分析相结合，该项目旨在提高这些电池的稳定性和性能。
相关链接：借助AI打造未来的光伏材料。
避免陷阱的最佳实践
一旦理解了这些系统的本质，我们就可以确定如何使用它们。
将AI作为可靠的数据源：不，AI并非万无一失，短期内可能也不会是。它的回答只是“最佳概率”，而不是确定性。
分析和任务自动化：可以，但需要监督。用户必须接受培训并提供经过仔细分类和组织的数据。
纯创作：可以，用于生成图像或文本等创造性用途，或仅仅用于头脑风暴；AI是非常好的工具。但请记住，目前还没有由AI撰写的“畅销书”或在博物馆展出的“杰作”。创作仍然是人类的领域。
优化与AI代理互动的技巧
明确上下文：明确定义角色、语气、目标和预期回答的限制。例如，指定领域可以显著改善技术翻译的质量。
提供清晰的基础数据：如果数据经过良好分类并翻译成LLM可读的语言（即使人类不一定能读懂），回答将更加可靠。
监控回答：模型依赖于历史数据，对近期发展的理解有限。在阅读回答时保持批判性思维。
人工智能不会取代所有工作；控制回答和创造力在一段时间内仍将是人类的专属领域。
然而，使用AI的人很可能会取代那些不使用AI的人。
Chris
结论：AI，专家的工具
人工智能因此主要是一种强大的工具，旨在最大化数据分析。然而，它仍然依赖于专家的专业知识来解释和应用其结果。
AI远非取代工作，而是为那些懂得如何采用它的人提供了机会。有效利用AI的企业将拥有明显的优势。
如有任何支持需求，请通过我们的网站www.ccachk.com联系我们。
注：尽管本文由AI丰富内容，但内容经过我们严格筛选。
Link to Match up : https://www.iledefrance-gif.cnrs.fr/fr/cnrsinfo/des-chercheurs-decouvrent-les-materiaux-photovoltaiques-de-demain-laide-de-lia
原文 Original posts