Episode

Comprenez pourquoi une IA peut produire des réponses très convaincantes mais fausses, en distinguant erreur plausible, incertitude mal exprimée et manque de vérification du réel.

Découvrir comment les modèles de langage apprennent à parler comme de bons assistants, et pourquoi une réponse claire, polie et structurée n’est pas forcément une information vérifiée.

À partir d’un même brief confié à deux collègues, découvrez comment un LLM génère plusieurs réponses plausibles, et comment le réglage de température influe sur cette variabilité.

À partir de l’image du GPS, découvrez comment faire la différence entre la “carte interne” d’un modèle d’IA et les informations récentes que l’outil peut lui injecter au moment de répondre.

À partir d’une phrase ambiguë, découvrez comment un Transformer repère les morceaux de texte qui comptent vraiment, même s’ils sont éloignés, pour construire une suite cohérente.

À partir de l’image d’un bureau de travail, découvrez comment la fenêtre de contexte limite ce qu’un LLM peut utiliser, pourquoi il semble parfois oublier et en quoi cela diffère d’une mémoire durable.

Découvrez comment les LLM découpent le texte en tokens, pourquoi ce ne sont pas toujours des mots, et comment cela impacte longueur, coût, contexte et différences entre langues.

À partir de l’autocomplétion de votre téléphone, découvrez comment un LLM construit une réponse mot après mot, pourquoi cela paraît si cohérent… et pourquoi cela peut pourtant être faux.

Découvrez comment un modèle de langage apprend des régularités plutôt que de stocker des vérités, et pourquoi ses réponses probables ne remplacent pas une vérification fiable.