Session C: mise en forme des idées

[Retour à la page principale]((./)

C.1. Mise en forme des données brutes

1.a. Passer d’un texte à un format tabulaire

Soit le texte suivant lien

Construire un tableau à l'aide du prompt suivant:

1.b. Copier-coller de tableaux bruts (uniquement pour les utilisateurs de latex)

Soit le tableau suivant lien

Construire un tableau latex à l'aide du prompt suivant:

1.c Lettre de motivation / recommandation

CV (fictif) : lien
Offre de thèse (fictive) : lien

Evidemment, le LLM ne peut pas inventer le contenu!
Ecrire une lettre de recommandation pour Récupérer les éléments qui vous intéressent dans le CV et donner le sujet de thèse au LLM (chatGPT) pour générer la recommandation.

Pour enrichir la lettre dans un second temps

➡️ Ajouter les éléments intéressants dans le prompt précédent

1.d Ecrire un paragraphe (introduction) d’article scientifique

La démarche consiste à donner tous les éléments (ou presque) au modèle de langue sous forme de liste de mots-clés ou de bouts de phrases

Note: donner ces éléments en français puis demander une génération en anglais

➡️ Dans l'idéal, prenez un de vos article écrit récemment et tenter de reconstruire une introduction en donnant les bons éléments au modèle de langue

Sinon, voici une proposition (évidemment très orientée sur le machine learning)

Idées à faire passer:
tendance actuelle = apport de l'appentissage de représentation non supervisé pour la classification de séries temporelles
défi = rendre ces approches plus transparentes (échec des approches supervisées); distinguer les types d'explications post-hoc et natives; ne pas perdre en performances (par rapport aux approches SAX)
contributions = (1) identification des propriétés nécessaire pour l'explicabilité de l'architecture (shift equivariance, décodeur linéaire, conservation des enchainements temporels); (2) proposition d'une architecture basée sur les VQ-VAE; (3) campagne d'expériences sur UCR pour démontrer les performances au niveau de l'état de l'art
Proposition de prompt: Ecrire une introduction d'article scientifique en anglais d'une page détaillant les tendances actuelles du deep learning pour les séries temporelles sur différentes tâches (exemples), puis identifiant les défis actuel du domaine et mettant en avant les contributions. Enrichir les défis par rapport aux contributions
Bonus: Proposer une bibliographie pour chacun des paragraphes Lien vers l'article original: lien

1.e. Résumer, reformuler et améliorer

Peux tu me faire un résumé très court, en vulgarisant pour un public non scientifique de la page suivante: [https://fr.wikipedia.org/wiki/Loi_binomiale_négative]

Autre cas d’usage: reformuler l’une de vos propositions de paragraphe, pour l’améliorer ou la réduire par exemple.

Récupérer un paragraphe: lien

1.f. Compte rendu de réunion

Mise en forme des notes prises rapidement lors d’une réunion

Construire un compte rendu de réunion à partir des notes suivantes

C.2. Exploitation de documents & dialogue documentaire

2.a Modèles connectés vs déconnectés

Faire la part des choses entre la mémoire paramétrique et les capacités d’analyse des LLM

Quelles sont les nouvelles du jour?
Peux-tu me faire une courte biographie de Vincent Guigue, professeur d'informatique?

2.b Dialogue avec un document

Charger un document dans NotebookLM lien puis commencer les questions… ($\Rightarrow$ Ajouter une ressource)

OPT 1: Jouons avec les rapports HCERES

OPT 2: un poly de statistiques (e.g., celui d’A. Guyader): lien

➡️ Le coté multi-lingue fonctionne très bien: posez les questions dans la langue de votre choix!
➡️ Cliquer sur les liens pour vérifier les citations
➡️ On peut mettre jusqu'à 50 documents en parallèle dans un projet.

Note : il faut démarrer un nouveau notebook quand on change de sujet.

Sur un document Guidelines pour les projets Horizon: lien

Ou avec des documents plus techniques, par exemple, l’article de base sur AlphaFold: lien ou une version un peu plus détaillée lien.

➡️ Amusez-vous à générer un dialogue/podcast autour de l'article (bouton en haut à droite)

Il est amusant de constater que la fonction est aussi présente dans Acrobat Reader (version gratuite) mais limitée à un document.

C.3. Prise de recul sur les hallucinations et le RAG

Une manière de lutter contre les hallucinations est de forcer les LLM à batir leurs réponses à partir de documents et non à partir de leur mémoire paramétrique.

Voici un petit exercice amusant pour tester cela:

Donner le fichier lien à un LLM (ou copier son contenu) puis poser les questions suivantes en spécifiant à chaque fois que vous voulez une réponse tirée du document fourni. ➡️ Le LLM puise-t-il dans le document uniquement ou va-t-il inventer des choses issues de sa mémoire?