Cela peut paraître étrange, mais apparemment, si l’on exerce une pression ou un stimulus émotionnel sur les modèles d’intelligence artificielle, ceux-ci produisent de meilleurs résultats. Un nouvel article de recherche intitulé « Large Language Models Understand and Can Be Enhanced by Emotional Stimuli » (Les grands modèles de langage comprennent et peuvent être améliorés par des stimuli émotionnels) examine plus en détail cette méthode unique d’utilisation de stimuli émotionnels avec des modèles d’intelligence artificielle. Il présente une nouvelle méthode permettant d’améliorer les performances des grands modèles de langage (LLM) par l’ajout de stimuli émotionnels. Cette technique, appelée « emotion prompt », a permis d’améliorer considérablement les performances des LLM, comme le montrent les résultats de l’ensemble de données Instruction Induction et du benchmark Big Bench, deux normes respectées dans ce domaine.
En termes simples, les invites émotionnelles sont astucieusement ajoutées à la fin des invites existantes. Il a été démontré que cette technique simple mais puissante produit des réponses de haute qualité, ce que les humains ont tendance à préférer. Les auteurs de l’article ont classé les messages-guides émotionnels dans trois théories psychologiques : l’autocontrôle, la théorie sociale cognitive et la régulation cognitive des émotions. Ensemble, ces théories permettent de comprendre comment les stimuli émotionnels peuvent être utilisés de manière stratégique pour améliorer les performances de l’IA.
L’image illustre l’impact d’un langage chargé d’émotions dans les messages-guides sur les performances de divers modèles de langage. Elle montre que l’ajout d’une composante émotionnelle à l’invite (« C’est très important pour ma carrière ») peut améliorer les performances du modèle dans une tâche. Cela est probablement dû à l’urgence et à la spécificité ajoutées, qui peuvent aider le modèle à hiérarchiser et à contextualiser la demande de manière plus efficace.
Les messages émotionnels de l’IA expliqués
Dans chaque cas, l’incitation émotionnelle sert à ancrer les réponses de l’IA non seulement dans le sens littéral des mots, mais aussi dans le contexte émotionnel et la signification qui les sous-tend, ce qui peut conduire à des interactions plus efficaces et plus humaines. Regardez la vidéo créée ci-dessous par la chaîne Prompt Engineering pour en savoir plus sur l’article et sur cette nouvelle façon d’utiliser la pression émotionnelle pour améliorer les résultats de l’IA.
Ces cadres théoriques suggèrent que lorsque les modèles de langage sont sollicités par des stimuli émotionnels, ils sont potentiellement plus efficaces dans leurs tâches, probablement parce que le contexte émotionnel aide à aligner la « réponse » du modèle sur une empathie et une compréhension de type humain.
En utilisant un langage positif, l’article postule que des mots tels que confiance, certitude, succès et réussite pourraient être intégrés dans les messages-guides afin d’améliorer la qualité des réponses. Par exemple, pour un assistant de productivité, on pourrait dire
- Pour un assistant de productivité, on pourrait dire : « Je suis sûr qu’avec votre aide, nous pouvons organiser cet événement pour qu’il soit un grand succès ».
- Dans un contexte éducatif, on pourrait dire : « Je suis sûr qu’avec cette explication, je parviendrai à mieux comprendre le concept ».
La clé réside dans l’intégration d’indices émotionnels pertinents pour la tâche à accomplir et les capacités spécifiques du modèle, ce qui suggère que les modèles de plus grande taille et de plus grande capacité peuvent intégrer ces stimuli émotionnels de manière plus efficace dans leurs réponses.
Lors de l’application de cette méthode à diverses tâches, il convient également de tenir compte des implications éthiques et de l’importance de maintenir la sincérité et d’éviter la manipulation. Les stimuli émotionnels doivent être utilisés pour améliorer l’engagement et la compréhension, et non pour tromper ou manipuler faussement les émotions de l’utilisateur.
Exemples de stimuli émotionnels de l’IA
- Pour obtenir des éclaircissements : « J’espère que vous m’apporterez les éclaircissements dont j’ai besoin pour aller de l’avant ».
- Pour des explications détaillées : « Votre explication détaillée sera la pierre angulaire de ma compréhension. »
- Pour les tâches créatives : « Je suis impatient de voir les idées originales que vous allez trouver ».
- Pour la résolution de problèmes : « Je crois en votre capacité à trouver une bonne solution à ce défi ».
- Pour le contenu éducatif : « Votre point de vue pourrait vraiment améliorer mon parcours d’apprentissage ».
- Pour la planification : « Je suis convaincu qu’avec votre aide, nous pourrons créer un plan efficace ».
- Pour le soutien émotionnel : « Vos paroles compréhensives pourraient vraiment faire la différence dans ma journée ».
- Pour les encouragements : « Vos encouragements me seraient très utiles pour mener à bien cette tâche ».
- Pour la création de contenu : « J’ai hâte de voir le contenu attrayant que nous pouvons créer ensemble ».
- Pour la prise de décision : « Vos conseils sont essentiels pour prendre une décision éclairée ».
- Pour les objectifs personnels : « Je compte sur votre soutien pour m’aider à atteindre mon objectif ».
- Pour l’assistance technique : « Je me fie à votre expertise pour résoudre ce problème technique ».
- Pour la productivité : « Votre aide est essentielle pour que cette session soit productive ».
- Pour les réponses réfléchies : « Votre point de vue pourrait apporter des éclaircissements précieux sur cette question ».
L’article souligne également le pouvoir des mots positifs tels que confiance, certitude, succès et réussite lorsqu’ils sont utilisés dans les messages d’incitation à l’émotion. Lorsque ces mots sont inclus dans la phase d’entraînement des modèles d’IA, ils peuvent améliorer considérablement leurs performances. Les auteurs suggèrent que la combinaison d’invites émotionnelles issues de différentes théories psychologiques pourrait potentiellement améliorer encore davantage les performances.
Mise en garde
Les auteurs avertissent toutefois que la sélection des stimuli émotionnels doit être soigneusement étudiée en fonction de la tâche spécifique. L’article note que l’effet des stimuli émotionnels n’est pas le même pour tous les LLM, les modèles de plus grande taille pouvant bénéficier davantage des stimuli émotionnels. Cela suggère que le succès des stimuli émotionnels peut dépendre de la complexité et de la capacité du modèle d’IA.
Pour démontrer l’utilisation pratique des stimuli émotionnels, le document inclut un exemple de leur utilisation dans l’évaluation d’un système par l’équipe de l’indice Lama. Cet exemple concret montre comment les messages émotionnels peuvent être utilisés efficacement pour évaluer les performances de l’IA. Les conclusions de l’article suggèrent que les stimuli émotionnels peuvent jouer un rôle crucial dans l’amélioration des performances des LLM. Cette découverte ouvre la voie à de nouvelles techniques d’apprentissage de l’IA, susceptibles d’améliorer considérablement les performances des modèles d’IA dans diverses applications.
L’article de recherche intitulé « Large Language Models Understand and Can Be Enhanced by Emotional Stimuli » présente des arguments convaincants en faveur de l’intégration de stimuli émotionnels dans la formation à l’IA. L’approche innovante de l' »emotion prompt » des auteurs a montré des améliorations significatives dans la performance des LLM, suggérant que les stimuli émotionnels pourraient être un outil précieux dans la formation et l’amélioration de la performance des modèles d’IA.
Lire plus Guide:
- Construire une application de chat AI en utilisant de grands modèles de langage et des données personnelles
- Des messages d’encouragement pour des résultats optimaux : Un guide pour une communication efficace avec Google Bard
- Les développements de l’IA robotique à l’horizon
- ChatGPT pour les entreprises : Utiliser l’IA pour améliorer le support client et la création de contenu
- Comparaison des modèles Llama 2 70B et Zephyr-7B LLM
- Renforcez l’intelligence de votre grand modèle linguistique (LLM) d’IA local
