MégaOctets

Dans cet épisode, vous découvrirez les quatre ingrédients d'un bon prompt, pourquoi un exemple vaut mieux qu'une longue explication, s'il faut vraiment être poli avec une IA, et comment elle semble se souvenir de votre conversation.

Sources :
- Anthropic, « Prompting best practices », partie « Be clear and direct » : https://platform.claude.com/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices#be-clear-and-direct
- Google, « Gemini for Google Workspace, Prompting guide 101 », octobre 2024 : https://services.google.com/fh/files/misc/gemini_for_workspace_prompt_guide_october_2024_digital_final.pdf
- Wharton Generative AI Labs, « Playing Pretend: Expert Personas Don't Improve Factual Accuracy », 2025 : https://arxiv.org/abs/2512.05858
- Wharton Generative AI Labs, « I'll pay you or I'll kill you », 2025 : https://arxiv.org/abs/2508.00614
- Wiktionary, le mot « prompt » et le « prompter » du théâtre : https://en.wiktionary.org/wiki/prompt

Pouvez-vous croire tout ce que vous dit une IA ?
Dans cet épisode, vous découvrirez ce qu'est une hallucination, pourquoi une IA cherche le plausible plutôt que le vrai, pourquoi ChatGPT se trompe beaucoup moins aujourd'hui, et les bons réflexes pour ne pas se faire piéger.

Sources :
- OpenAI, « Why language models hallucinate », septembre 2025 : https://openai.com/index/why-language-models-hallucinate/
- Mata v. Avianca, New York, juin 2023, des avocats sanctionnés pour des décisions de justice inventées par ChatGPT : https://apnews.com/article/artificial-intelligence-chatgpt-fake-case-lawyers-d6ae9fa79d0542db9e1455397aef381c
- Moffatt v. Air Canada, février 2024, Air Canada tenue responsable de ce qu'avait inventé son chatbot : https://www.cbc.ca/news/canada/british-columbia/air-canada-chatbot-lawsuit-1.7116416
- Bard et le télescope James Webb, février 2023 : https://www.bbc.com/news/business-64576225
- Chicago Sun-Times, mai 2025, une liste de lecture d'été pleine de livres inexistants : https://arstechnica.com/ai/2025/05/chicago-sun-times-prints-summer-reading-list-full-of-fake-books/

Où une IA trouve-t-elle tout ce qu'elle sait ?
Dans cet épisode, vous découvrirez qu'elle a lu l'équivalent de deux cent mille ans de lecture, d'où viennent ces textes, qui les choisit, ce qui se passe quand il n'y en a plus assez, et pourquoi tout cela explique ses forces comme ses angles morts.

Sources :
- Données d'entraînement de Llama 3, Meta : https://ai.meta.com/blog/meta-llama-3/
- Common Crawl, la collecte du web : https://commoncrawl.org/overview
- Epoch AI, « Will we run out of data? », 2024 : https://epoch.ai/blog/will-we-run-out-of-data-limits-of-llm-scaling-based-on-human-generated-data
- Phi-1, Microsoft, 2023 : https://arxiv.org/abs/2306.11644
- Shumailov et al., « AI models collapse when trained on recursively generated data », Nature, juillet 2024 : https://www.nature.com/articles/s41586-024-07566-y
- OLMo, un modèle publié avec toutes ses données, Ai2 : https://allenai.org/olmo
- AI Act, article 53, l'obligation de publier un résumé des données d'entraînement : https://artificialintelligenceact.eu/article/53/

Comment ChatGPT arrive-t-il à converser avec vous ?
Dans cet épisode, vous découvrirez ce qu'est un LLM, un programme qui devine le mot suivant, pourquoi le contexte change tout, ce que veulent dire les « milliards de paramètres », et comment, à force de deviner des mots, une IA finit par apprendre des choses sur le monde.

Sources :
- GPT-3 et ses 175 milliards de paramètres, OpenAI, 2020 : https://arxiv.org/abs/2005.14165
- Llama 3.1 et ses 405 milliards de paramètres, Meta, juillet 2024 : https://ai.meta.com/blog/meta-llama-3-1/