ChatGPT, Claude, Gemini : trois noms différents, trois entreprises différentes, mais un principe technique commun derrière chacun. Ce guide pose ce socle, une seule fois, pour que tous les guides suivants de ce parcours puissent s'appuyer dessus sans le réexpliquer.

Un modèle de langage, en une phrase

Un modèle de langage (souvent appelé LLM, pour Large Language Model) est un programme entraîné sur d'immenses quantités de texte, pour apprendre à prédire, avec la plus grande justesse possible, quel mot ou quel fragment de mot devrait suivre un texte donné. À partir de ce seul mécanisme, répété des milliers de fois pour construire une réponse complète, mot après mot, un modèle peut répondre à une question, résumer un document, ou écrire du code.

Ce n'est pas une base de données qui va chercher une réponse toute faite quelque part. C'est un programme qui génère du texte, token par token (un token est un petit fragment de mot), en s'appuyant sur des régularités apprises pendant son entraînement.

Deux moments bien distincts : l'entraînement et l'utilisation

L'entraînement est la phase, longue et coûteuse, pendant laquelle un modèle apprend à partir d'une immense quantité de textes existants. Cette phase se termine à une date donnée : c'est ce qu'on appelle la date de coupure des connaissances du modèle. L'utilisation (ou inférence) est le moment où vous, utilisateur, posez une question et recevez une réponse : le modèle ne réapprend pas à cet instant, il applique ce qu'il a déjà appris.

C'est cette distinction qui explique pourquoi un modèle peut ignorer un événement récent : si cet événement est survenu après sa date de coupure, il ne peut tout simplement pas le connaître, sauf si l'outil qui l'utilise lui donne accès à une recherche web en temps réel, un mécanisme distinct du modèle lui-même.

Pourquoi un modèle peut se tromper avec assurance

Un modèle de langage ne « sait » pas, au sens où un humain sait : il produit la suite de mots la plus statistiquement plausible compte tenu de son entraînement. La plupart du temps, cette suite plausible est aussi correcte, parce que le modèle a vu énormément d'exemples corrects. Mais rien, dans son fonctionnement, ne garantit la vérité d'une affirmation : ce phénomène, où un modèle produit une information fausse avec un ton parfaitement assuré, s'appelle une hallucination.

Un réflexe à garder en toutes circonstances

Ne considérez jamais une affirmation précise d'une IA (un chiffre, une date, une citation, une référence légale) comme fiable sans vérification, en particulier si les conséquences d'une erreur seraient réelles. Ce réflexe reviendra dans chaque parcours de Web-Shine Docs : l'IA est un outil qui accélère un travail, pas une source d'autorité qui remplace la vérification.

Un même modèle, plusieurs tailles

Les entreprises qui construisent ces modèles en proposent presque toujours plusieurs versions, de tailles différentes : un modèle plus grand et plus lent mais plus capable pour un raisonnement complexe, un modèle plus petit et plus rapide, moins coûteux à faire tourner, pour des tâches simples. C'est pour cette raison qu'un même produit (ChatGPT, par exemple) propose souvent plusieurs modèles au choix. Les noms précis de ces modèles changent fréquemment ; ce guide ne les liste pas volontairement, pour rester valable dans la durée. Consultez toujours la documentation officielle de l'outil utilisé pour connaître l'offre actuelle.

Vérifiez que vous avez compris

Vous demandez à une IA le résultat d'un match sportif qui a eu lieu hier soir, et elle répond avec assurance, mais se trompe complètement. Pourquoi, le plus probablement ?

Le plus probablement, cet événement est survenu après la date de coupure des connaissances du modèle, ou l'outil utilisé n'a pas accès à une recherche web en temps réel pour compléter sa réponse. Le modèle a alors généré la réponse la plus plausible selon ce qu'il connaît, sans avoir réellement l'information exacte, ce qui correspond exactement au phénomène d'hallucination décrit dans ce guide.

Chapitre terminé