API, automatisation, agents, MCP, évaluation et boucles d’amélioration.
Les articles paraissent d’abord en anglais. Leur version française suit, en commençant par le livre et les grands sujets.
Les trois offrent 64 Go ou plus de mémoire partagée dans un petit boîtier, et chargent donc des modèles qu’une seule carte graphique grand public ne peut pas contenir.
6 min de lecture
Bâtir votre propre modèle peut aller d’un exercice gratuit sur portable à une exécution de plusieurs centaines de milliers de dollars : choisissez donc selon votre objectif.
6 min de lecture
Achetez d’abord de la mémoire : 16 Go font tourner de petits modèles, 32 Go les meilleurs modèles de programmation actuels de 27 milliards de paramètres, et 128 Go des modèles de plus de 100 milliards.
7 min de lecture
L’électricité est la petite part : quatre heures par jour coûtent environ 1 $ à 3 $ par mois sur un ordinateur à mémoire partagée au Québec, et jusqu’à environ 11 $ sur un PC doté d’une grosse carte graphique.
5 min de lecture
Pour presque toute tâche pratique, utilisez le RAG pour les faits qui changent et l’ajustement fin pour un comportement constant; ensemble, ils coûtent peu.
5 min de lecture
Louez une machine à la minute, connectez-vous par SSH, clonez nanochat de Karpathy, faites un court modèle d’essai pour environ 3 $ US, puis exécutez le script complet pour environ 64 $ US sur huit GPU H100.
5 min de lecture
Aux prix de location relevés le 2 novembre 2026, un modèle de niveau GPT-2 coûte environ 64 $ US, une reproduction de 124 millions de paramètres avec nanoGPT environ 1 500 $ US, et un modèle compétent de 3…
6 min de lecture
Choisissez un petit modèle à poids ouverts de 3 à 8 milliards de paramètres, préparez de quelques centaines à quelques milliers d’exemples de l’entrée et de la sortie exactes que vous voulez, et entraînez un…
5 min de lecture
Une carte graphique de PC est bien plus rapide pour tout modèle qui entre dans sa mémoire, et presque tous les logiciels d’IA la visent d’abord.
5 min de lecture
Commencez par l’exemple nanoGPT d’Andrej Karpathy, qui entraîne en quelques minutes un modèle caractère par caractère sur Shakespeare avec un portable ordinaire, puis passez à son projet nanochat, qui exécute…
4 min de lecture
Laissez un plus grand modèle comme Claude Sonnet 5.5 planifier le travail et rédiger la réponse finale, et confiez à Claude Haiku 5.5 les nombreux petits morceaux répétitifs entre les deux, chacun avec des…
5 min de lecture
GPT-5.5 a quitté Codex le 14 octobre pour toutes les personnes connectées avec un compte ChatGPT : tout réglage par défaut, paramètre enregistré, agent personnalisé, tâche planifiée ou script qui nomme encore…
4 min de lecture
La distillation entraîne un petit modèle « élève » à imiter un grand modèle « enseignant », en utilisant les réponses ou les probabilités de l’enseignant plutôt que seulement des données brutes.
5 min de lecture
Vous appelez GPT-6.1 Sol par la Responses API d’OpenAI en réglant le modèle sur gpt-6.1-sol, en choisissant un effort de raisonnement et en plaçant les consignes que vous réutilisez au début de chaque requête…
5 min de lecture
En octobre 2026, un agent d’utilisation d’ordinateur peut regarder un écran, cliquer, taper et passer d’une application ordinaire à l’autre assez bien pour terminer des tâches routinières et clairement…
5 min de lecture
Les flux de travail rentables sont des tâches de rédaction répétitives, avec une entrée claire et une personne qui vérifie le résultat : rédiger des réponses, résumer des réunions et des documents,…
5 min de lecture
Emballez les poids dans un format sûr avec une configuration, une version et une empreinte, vérifiez qu’ils donnent les mêmes nombres que le point de contrôle d’entraînement, puis enveloppez le tout dans un…
5 min de lecture
Dressez d’abord la liste des droits hérités de votre modèle de base, de vos données et de votre code, car ils limitent les licences que vous pouvez choisir honnêtement.
6 min de lecture
MCP est la prise commune qui permet à un assistant ou à un agent d’IA d’atteindre des outils et des données, les connecteurs sont les liens MCP tout faits que vous activez dans des applications comme ChatGPT…
5 min de lecture
Faites quatre vérifications peu coûteuses : la première perte par rapport à ce que le hasard devrait donner, la capacité du modèle à mémoriser 16 exemples, la taille des gradients et l’endroit où passe le…
5 min de lecture
Un harnais d’agent est le logiciel ordinaire qui enveloppe un modèle de langage pour en faire un agent : il fait tourner la boucle qui demande au modèle quoi faire ensuite, exécute les appels d’outils que le…
5 min de lecture
Gardez chaque secret hors de votre code et hors de portée de l’IA : rangez les clés dans des variables d’environnement ou un gestionnaire de secrets, empêchez l’agent de lire ces fichiers et activez l’analyse…
5 min de lecture
Rédigez un mandat qui énonce le résultat attendu, les limites et la façon dont l’agent prouvera que c’est terminé, puis faites-lui tenir un journal de progression et enregistrer un point de contrôle après…
5 min de lecture
Pour les images, entraînez un petit modèle de diffusion, ajoutez un adaptateur de faible rang et montrez-lui une trentaine d’images du nouveau style; pour la parole, enseignez des commandes à un petit réseau…
6 min de lecture
Multipliez les paramètres en milliards par le nombre de bits par poids, puis divisez par 8 : vous obtenez la taille du fichier en gigaoctets.
5 min de lecture
Un téléphone récent peut faire tourner des modèles d’environ 2 à 4 milliards de paramètres à une vitesse utile, assez pour les résumés, la réécriture, la dictée et les questions courtes.
5 min de lecture
Commencez par améliorer le prompt, parce que c’est la solution la moins coûteuse et souvent la seule nécessaire.
5 min de lecture
Entraînez sur des exemples de demandes et d’appels d’outils, testez sur des formulations et des valeurs jamais vues, puis faites valider chaque appel par du code ordinaire, qui retient les appels risqués pour…
4 min de lecture
Trier, étiqueter, résumer et préparer des brouillons de réponse peuvent s’automatiser sans risque quand l’IA n’a que les autorisations dont elle a besoin et qu’une personne relit chaque brouillon avant son…
5 min de lecture
Entraînez sur des paires où les faits varient et où seul le style se répète, incluez les cas étranges comme les valeurs manquantes, puis vérifiez chaque ébauche avec un simple programme qui la compare à la…
4 min de lecture
Adaptez un modèle pour lui enseigner un comportement, comme un format de sortie fixe, et utilisez une recherche pour les faits.
5 min de lecture
Rassemblez quelques centaines d’exemples de l’entrée et de la sortie exactes que vous voulez, puis entraînez un petit adaptateur LoRA par-dessus un modèle à poids ouverts gelé, avec les bibliothèques TRL et…
4 min de lecture
Donnez à Claude Opus 5 un plan écrit découpé en petits morceaux vérifiables, faites-le avancer un morceau à la fois avec un commit et une note de progression après chacun, et faites une revue aux points de…
4 min de lecture
Gardez vos notes en fichiers texte dans un petit nombre de dossiers aux noms clairs, ajoutez un fichier d’index qui indique à l’agent ce qui se trouve où et comment se comporter, et donnez à l’agent accès à…
4 min de lecture
Transformez chaque passage et chaque question en plongement avec un petit modèle ouvert, renvoyez les passages les plus proches, puis testez le tout avec des questions dont vous connaissez la bonne réponse.
5 min de lecture
Faites appel à un développeur avant que votre application gère des connexions, des renseignements personnels, des paiements ou quoi que ce soit dont des gens dépendent, idéalement avant d’inviter vos premiers…
5 min de lecture
Depuis le 9 juillet 2026, le répertoire d’applications de ChatGPT est devenu un répertoire de plugiciels, et un plugiciel est maintenant un ensemble qui peut contenir des applications, des compétences et des…
5 min de lecture
Donnez au modèle son propre compte de base de données, qui ne peut lire que les quelques tables ou vues dont il a besoin, et laissez votre code, pas le modèle, exécuter chaque requête, avec les valeurs…
5 min de lecture
Exécuter un modèle exige surtout de la place pour ses poids, alors que l’entraîner exige aussi un gradient par poids, deux copies de plus pour l’optimiseur et toutes les activations à conserver pour la passe…
5 min de lecture
Parce qu’un agent de programmation construit exactement ce qu’il croit que vous avez demandé, et qu’un court plan écrit (exigences, conception, liste de tâches) est l’endroit le moins coûteux pour attraper un…
5 min de lecture
Il commence sans rien savoir, et sa première perte le prouve en correspondant au calcul du pur hasard, puis il apprend les lettres, les mots courants et enfin quelque chose qui a la forme de phrases.
6 min de lecture
Les permissions sont des règles qui décident quels outils un agent de programmation peut utiliser librement, lesquels exigent votre approbation et lesquels sont interdits.
5 min de lecture
Un classeur donne une étiquette par image, alors qu’un détecteur transforme le même genre de réseau en une grille où chaque cellule dit si un objet y est centré, où est sa boîte et ce que c’est.
5 min de lecture
Comparez l’ancien et le nouveau sur le même jeu de test intact, comptez les exemples que chacun est seul à réussir, placez un intervalle de confiance sur la différence et répétez avec d’autres graines.
5 min de lecture
OpenAI annonce qu’Agent Builder et Evals ne seront plus offerts sur sa plateforme à partir du 30 novembre 2026 : toute personne qui a un agent fonctionnel sur le canevas devrait noter dès maintenant comment…
4 min de lecture
Donnez aux deux agents un seul ensemble de règles de projet dans un fichier AGENTS.md, que Codex lit directement et que Claude Code lit grâce à une importation d’une ligne dans CLAUDE.md, puis donnez à chaque…
4 min de lecture
Partez de la décision que le modèle doit prendre, puis réunissez des exemples d’usage réel que vous avez le droit d’utiliser, retirez les renseignements personnels et les doublons, et notez la provenance de…
6 min de lecture
Lancez un programme serveur comme Ollama, llama-server ou vLLM : il répondra à une adresse locale avec le même format de requête que l’API d’OpenAI, et la plupart des applications n’auront besoin que d’une…
4 min de lecture
Les paramètres sont les nombres que le modèle a le droit de modifier, la perte est un seul nombre qui dit à quel point il se trompe, et l’apprentissage est la poussée répétée de chaque paramètre dans la…
5 min de lecture
Concevez d’abord le déroulement de l’appel (accueil, ce que l’agent peut consulter, ce qu’il doit confirmer, quand il passe le relais à une personne), puis connectez-vous à la Realtime API d’OpenAI avec le…
5 min de lecture
Installez scikit-learn, chargez ses chiffres manuscrits intégrés et ajustez un petit réseau de neurones sur le processeur : avec un seul fil d’exécution, il a fallu moins d’une demi-seconde pour atteindre…
5 min de lecture
Révisez-le comme une demande de fusion venue d’un nouveau venu rapide et sûr de lui : vérifiez d’abord la portée de ce qui a changé, puis si les tests sont réels et passent encore sur votre machine, ensuite…
5 min de lecture
Dressez la liste exacte des tâches que l’agent doit accomplir, puis accordez la permission la plus étroite pour chacune, sous forme de jeton d’accès limité et de courte durée plutôt que votre mot de passe ou…
5 min de lecture
Pour la plupart des petites entreprises, commencez par le RAG, parce que le besoin habituel est d’obtenir des réponses fondées sur vos propres faits, et que ces faits changent.
5 min de lecture
Écrivez de petits tests automatisés qui décrivent le comportement voulu, lancez-les pour confirmer qu’ils échouent, validez-les dans le dépôt, puis seulement ensuite demandez à l’agent de programmation…
4 min de lecture
Entraînez un découpeur à codage par paires d’octets (BPE) : partez des 256 valeurs d’octets possibles, fusionnez sans cesse la paire voisine la plus fréquente en un nouveau jeton et arrêtez à la taille de…
5 min de lecture
Pour une petite collection, souvent non : si tout tient confortablement dans la fenêtre de contexte, tout coller est plus simple et peut bien fonctionner.
5 min de lecture
Envoyez chaque requête au plus petit modèle capable de la traiter : une première étape peu coûteuse, souvent nano lui-même, trie les requêtes selon leur difficulté, nano et mini font le travail courant, et le…
4 min de lecture
Les trois permettent maintenant de construire un agent d’IA qui décide des étapes à suivre, mais ils l’emballent différemment.
5 min de lecture
Choisissez un texte dont la licence convient à ce que vous prévoyez faire du modèle, puis nettoyez-le, retirez les doublons et les renseignements personnels, mélangez-le, réservez-en une partie pour la…
5 min de lecture
Enveloppez chaque tâche d’IA planifiée dans un petit garde-fou qui écrit une ligne de journal par exécution, refuse de démarrer quand un nombre quotidien d’exécutions ou un budget mensuel est épuisé, et vous…
4 min de lecture
Découpez le travail en étapes qui ont chacune un seul objectif clair, confiez chaque étape à son propre agent avec des consignes étroites et un format de sortie fixe, et laissez votre code transmettre le…
5 min de lecture
Rassemblez de vraies tâches tirées de votre travail, notez pour chacune ce qu’un bon résultat doit contenir, faites-les toutes passer dans l’outil et notez les résultats avec une grille fixe, idéalement à…
4 min de lecture
La mémoire d’un agent, c’est l’information qu’un agent d’IA conserve au-delà de la conversation en cours, comme vos préférences, vos projets en cours et vos décisions passées, stockée en dehors du modèle et…
5 min de lecture
Connectez-vous avec votre compte ChatGPT, ajoutez un dossier de projet et ouvrez un fil par tâche; chaque agent peut travailler dans sa propre copie du code, et vous examinez ses modifications sous forme de…
5 min de lecture
Une boucle d’auto-amélioration laisse un modèle proposer une meilleure version du prompt d’un agent, note chaque version sur un ensemble fixe de cas de test et garde la meilleure.
4 min de lecture
Rédigez-le comme un court manuel d’utilisation en sections identifiées : l’objectif et ses limites, le contexte dont l’agent a besoin, quand utiliser chaque outil, les règles qu’il ne doit jamais enfreindre,…
4 min de lecture
Un connecteur est un lien autorisé entre un assistant d’IA et un autre service, comme Google Drive ou Google Agenda, qui permet à l’assistant de chercher dans vos fichiers ou votre horaire et de citer ce…
4 min de lecture
Un jailbreak, c’est un utilisateur qui pousse une IA à enfreindre ses propres règles; l’injection de prompt, c’est du texte hostile, souvent caché dans une page Web, un courriel ou un fichier, qui donne de…
5 min de lecture
Rassemblez une trentaine de vraies tâches que vous avez déjà faites, notez pour chacune l’entrée et ce que doit contenir une bonne réponse, et choisissez comment chacune sera notée : par correspondance…
5 min de lecture
GGUF est un format de fichier, alors que Q4_K_M, MXFP4 et FP8 sont des façons de stocker chaque nombre sur moins de bits.
6 min de lecture
Vérifiez-le à quatre niveaux : la perte de validation, exprimée en bits par octet, montre s’il a appris à prédire un texte inédit; des prompts fixes montrent ce que cela donne en pratique; des bancs d’essai…
5 min de lecture
Les agents d’IA sont le plus fiables pour des tâches courtes et bien définies qui donnent une rétroaction claire, comme exécuter du code et vérifier si les tests passent, ou rassembler l’information de…
5 min de lecture
Créez un dossier contenant un fichier SKILL.md dont l’en-tête donne à la compétence un nom et une description des cas où l’utiliser, puis écrivez les étapes en dessous et ajoutez les scripts ou modèles…
4 min de lecture
Placez le script de l’agent dans un dépôt GitHub et ajoutez un flux de travail GitHub Actions avec un déclencheur planifié, pour que les serveurs de GitHub l’exécutent à heure fixe chaque jour sans que votre…
3 min de lecture
Vous créez un serveur MCP qui offre un ou plusieurs outils, vous enregistrez un petit composant HTML que ChatGPT affichera et vous reliez chaque outil à ce composant.
4 min de lecture
Dans Agent Builder, vous dessinez votre agent comme un flux de travail sur un canevas visuel : un point de départ, des vérifications de garde-fous, une ou plusieurs étapes d’agent avec leurs outils et une…
5 min de lecture
Activez la revue de code de Codex pour un dépôt GitHub, puis laissez-le examiner automatiquement chaque demande de fusion quand elle est marquée comme prête, ou demandez une revue avec un commentaire comme «…
5 min de lecture
Un sous-agent est un agent auxiliaire à qui un agent principal confie une tâche ciblée; il travaille dans son propre contexte vierge, avec ses propres consignes et ses propres outils, puis renvoie un court…
5 min de lecture
Un bon cahier des charges dit à l’agent quoi construire, ce qu’il ne doit pas faire et comment tout le monde saura que c’est terminé, idéalement sous forme de tests qu’il peut exécuter.
4 min de lecture
Construisez une courte chaîne de nœuds n8n : un Schedule Trigger réglé sur une fois par semaine, une étape qui récupère les données de la semaine, une étape d’IA qui en tire un résumé, un courriel…
5 min de lecture
Installez-le avec npm (il exige Node.js 20 ou plus récent), tapez gemini dans un dossier de projet, connectez-vous avec un compte Google personnel et décrivez ce que vous voulez en langage courant.
5 min de lecture
Ajoutez une étape qui met le flux de travail en pause une fois que l’IA a fait sa part et avant que quoi que ce soit ne vous échappe, envoie l’ébauche à une personne et ne reprend que si cette personne…
5 min de lecture
Rédigez un ensemble de tâches réalistes, chacune avec une vérification de l’état final que l’agent doit laisser derrière lui (le résultat) et, quand c’est important, une vérification des outils qu’il a…
5 min de lecture
Rédigez un court fichier Markdown en texte brut, à la racine de votre dépôt, qui dit à un agent de programmation ce qu’est le projet, quelles commandes le compilent et le testent, et quelles règles suivre;…
5 min de lecture
Utilisez Codex d’OpenAI quand vous voulez confier plusieurs tâches bien définies à des bacs à sable infonuagiques et en examiner les résultats plus tard, et Claude Code d’Anthropic quand vous voulez un agent…
5 min de lecture
Un agent de programmation est un système d’IA qui ne se contente pas de suggérer du code, mais qui exécute lui-même une tâche de programmation : il lit votre projet, modifie des fichiers, lance des commandes…
5 min de lecture
Traitez-la comme tout autre changement à un logiciel dont vous dépendez : confirmez le changement à l’aide d’un ensemble fixe de prompts de test, ajustez vos instructions ou changez de version au besoin, et…
4 min de lecture
Installez-le avec npm, définissez votre clé d’API OpenAI, ouvrez un terminal dans le dossier de votre projet et tapez codex suivi de ce que vous voulez faire, par exemple « fix the failing test ».
4 min de lecture
Écrivez d’abord les tests, demandez au modèle d’écrire le code, exécutez les tests automatiquement et renvoyez les échecs au modèle en lui demandant de les corriger, jusqu’à ce que les tests passent ou qu’une…
5 min de lecture
Aucun serveur MCP n’est sûr par défaut : chacun est un programme qui tourne sur votre ordinateur et dont les descriptions d’outils sont lues par votre assistant d’IA.
5 min de lecture
Installez le SDK Python officiel de MCP, écrivez un court fichier qui crée un serveur FastMCP et transforme une fonction Python en outil grâce à un décorateur, puis ouvrez-le dans le MCP Inspector pour le…
4 min de lecture
L’API Responses est la nouvelle façon d’appeler les modèles d’OpenAI : un seul point de terminaison qui reçoit vos instructions et vos données d’entrée, peut conserver la conversation du côté d’OpenAI et peut…
4 min de lecture
Installez le paquet Python openai-agents, décrivez chaque agent par un nom, des instructions et les fonctions Python qu’il peut appeler comme outils, puis exécutez-le avec Runner, qui gère pour vous la boucle…
4 min de lecture
Ne comparez jamais le prix affiché seul : multipliez le prix d’entrée de chaque modèle par les jetons d’entrée que votre tâche utilise, multipliez son prix de sortie par les jetons de sortie, et additionnez…
5 min de lecture
Installez-le avec npm, ouvrez un terminal dans le dossier de votre projet, tapez claude et connectez-vous une fois avec un compte Anthropic Console dont la facturation est activée.
4 min de lecture
Le vibe coding consiste à créer un logiciel en décrivant ce qu’on veut à un assistant de programmation IA, à accepter ses modifications sans les lire et à lui recoller les erreurs jusqu’à ce que le programme…
5 min de lecture
Donnez à l’agent une tâche étroite et écrite, avec des limites claires, regardez-le travailler et reprenez vous-même les commandes pour tout ce qui est délicat, comme vous connecter, entrer des informations…
5 min de lecture
Testez les deux moitiés séparément. Vérifiez d’abord si la recherche trouve les bons passages pour un ensemble fixe de questions, vérifiez ensuite si les réponses s’en tiennent à ces passages, et faites…
5 min de lecture
L’appel de fonctions est une fonction de l’API d’un modèle : vous décrivez des outils dans votre requête, le modèle répond avec le nom et les arguments de celui qu’il veut, et votre propre code l’exécute.
4 min de lecture
Vous installez l’application Claude Desktop et Node.js, puis vous ajoutez le serveur officiel de système de fichiers au fichier de configuration de Claude Desktop, avec le chemin d’un dossier que vous…
5 min de lecture
Le Model Context Protocol (MCP) est une norme ouverte, publiée hier par Anthropic, qui définit une façon commune de connecter les assistants IA à des données et à des outils externes.
5 min de lecture
Vous donnez à un second modèle, le juge, la question, la réponse à vérifier et une courte grille d’évaluation écrite, et vous lui demandez de raisonner critère par critère avant de donner une note dans un…
5 min de lecture
Rassemblez les documents sur lesquels les gens posent vraiment des questions, nettoyez-les en texte simple, découpez-les en courts morceaux autonomes et transformez chaque morceau en plongement pour que l’IA…
6 min de lecture
Pas votre ordinateur de tous les jours, pas encore. La version bêta de *computer use* d’Anthropic vaut la peine d’être explorée, mais seulement dans une machine d’essai isolée, sans données personnelles, avec…
6 min de lecture
Vous placez une action OpenAI entre un déclencheur et le reste de votre flux de travail, vous lui donnez un prompt clair qui utilise des champs du déclencheur et vous demandez une sortie de forme fixe pour…
5 min de lecture
La mise en cache des prompts permet à un fournisseur d’IA de mémoriser le début d’un prompt que vous envoyez encore et encore, pour que les requêtes suivantes qui commencent de la même façon soient facturées…
5 min de lecture
Vous ouvrez une connexion WebSocket vers l’API Realtime d’OpenAI, vous configurez la session avec des consignes, une voix, un format audio et les outils voulus, puis vous transmettez en continu l’audio de la…
4 min de lecture
Écrivez un petit script qui fait une seule tâche bornée, comme résumer les derniers éléments d’un fil en un seul appel d’API, et laissez cron, le planificateur standard d’Unix, le lancer à heure fixe.
4 min de lecture
L’ajustement fin de GPT-4o vaut la peine quand vous avez une tâche étroite et répétée, de quelques dizaines à quelques centaines de bons exemples, et un prompt soigné qui rate encore le ton, le format ou les…
5 min de lecture
Décrivez la forme exacte que vous voulez sous forme de schéma, envoyez-le avec le mode strict activé, et la réponse aura cette forme à chaque fois, sauf si le modèle refuse ou manque de jetons.
5 min de lecture
Vous décrivez la tâche en langage courant, vous connectez les applications que l’agent peut utiliser et vous décidez exactement quelles actions il peut faire de lui-même, à l’aide d’un outil sans code comme…
5 min de lecture
Envoyez la plupart de vos demandes à GPT-4o mini, qui coûte 0,15 $ US par million de jetons en entrée et 0,60 $ US par million de jetons en sortie, et gardez le plus gros GPT-4o seulement pour les demandes…
5 min de lecture
Créez-le en six décisions : un objectif étroit, une courte liste d’outils, une boucle qui permet au modèle d’appeler ces outils par l’appel de fonctions, une mémoire pour ce qu’il a appris, des règles d’arrêt…
4 min de lecture
Un cadriciel d’agents est une bibliothèque de code qui fournit la tuyauterie dont tout agent d’IA a besoin, comme la boucle réfléchir-agir-observer, la définition des outils, la mémoire et les passages de…
5 min de lecture
Créez un GPT quand les personnes qui ont besoin de votre assistant utilisent déjà ChatGPT et que vous voulez quelque chose qui fonctionne cet après-midi, sans code.
5 min de lecture
Vous écrivez des exemples de conversations dans le format de clavardage d’OpenAI, chacun composé d’un message système, d’un message de l’utilisateur et de la réponse idéale de l’assistant, et vous les…
4 min de lecture
Une eval est un ensemble fixe d’entrées de test, chacune associée à ce qu’une bonne réponse doit contenir, que vous faites passer dans un modèle pour noter la performance d’un prompt ou d’un système.
5 min de lecture
Ollama est un nouvel outil gratuit à code source ouvert, publié pour la première fois en aperçu préliminaire le 8 juillet 2023, qui télécharge et fait tourner des grands modèles de langage ouverts sur votre…
5 min de lecture
Vous décrivez une fonction météo au modèle en JSON Schema, vous laissez gpt-3.5-turbo-0613 répondre avec les arguments qu’il veut utiliser, vous exécutez la vraie recherche météo dans votre propre code, puis…
4 min de lecture
Vous découpez vos documents en courts passages, vous transformez chaque passage en plongement et, pour chaque question, vous récupérez les quelques passages les plus proches par le sens; vous les collez…
4 min de lecture
Une base de données vectorielle stocke des plongements (*embeddings*), ces listes de nombres qui représentent le sens d’un texte ou d’une image, et trouve rapidement les éléments stockés dont les nombres sont…
5 min de lecture
L’injection de prompt est une attaque dans laquelle un texte écrit par quelqu’un d’autre que le créateur de l’application, tapé dans une conversation ou caché dans une page Web, un courriel ou un document,…
5 min de lecture
Une boucle d’agent demande au modèle d’écrire une pensée et une action dans un format texte fixe; votre programme lit cette action, exécute l’outil correspondant et renvoie le résultat comme message suivant.
4 min de lecture
Un agent d’IA est un programme qui donne à un modèle de langage un objectif, un ensemble d’outils comme la recherche sur le Web ou l’écriture de fichiers, et une boucle qui lui permet de choisir et d’exécuter…
5 min de lecture
Auto-GPT est un programme Python gratuit à code source ouvert, publié le 30 mars 2023, qui donne un objectif à GPT-4 et le laisse décider lui-même de ses prochaines étapes, comme chercher sur le Web, lire des…
5 min de lecture
llama.cpp est un petit programme à code source ouvert, publié sur GitHub le 10 mars 2023 par Georgi Gerganov, qui fait tourner les modèles de langage LLaMA de Meta en C/C++ pur sur le processeur d’un…
5 min de lecture
Un message système est le premier message d’une conversation dans l’API de ChatGPT, rédigé par le développeur plutôt que par l’utilisateur, qui indique au modèle qui il est, ce qu’il doit faire et comment il…
5 min de lecture
Écrivez le commentaire ou la docstring comme une petite spécification avant le code : ce qui entre, ce qui sort, les cas limites, et un ou deux exemples.
5 min de lecture
Vous montrez au modèle une poignée de photos, habituellement de trois à cinq, du sujet ou du style que vous voulez, et vous lancez un court entraînement qui associe ces images à un nouveau mot que vous…
6 min de lecture
Vous envoyez chaque texte au point de terminaison Moderation d’OpenAI, un classificateur gratuit lancé le 10 août, qui vous indique si le texte est signalé pour du contenu sexuel, haineux, violent ou lié à…
5 min de lecture
Dans Google Sheets, vous pouvez écrire une petite fonction personnalisée en Apps Script qui envoie le texte d’une cellule à l’API d’OpenAI et inscrit la réponse de GPT-3 dans la cellule.
4 min de lecture
Zapier et Make, le nouveau nom d’Integromat, relient tous deux des applications sans code, mais ils ne comptent pas l’utilisation de la même façon : Zapier facture une tâche pour chaque action exécutée, alors…
5 min de lecture
Une clé d’API est un code secret qui vous identifie auprès d’un service comme l’API d’OpenAI; chaque requête faite avec cette clé est donc facturée à votre compte.
5 min de lecture
Un plongement est une longue liste de nombres qui représente le sens d’un texte, de sorte que des textes de sens semblable reçoivent des nombres semblables.
5 min de lecture
L’ajustement fin entraîne une copie privée d’un modèle GPT-3 sur vos propres exemples, chacun formé d’un prompt et de la complétion voulue, pour que le modèle apprenne votre tâche et votre style au lieu de…
5 min de lecture
Rédigez votre demande comme le début du fichier voulu, dans des commentaires qui nomment le langage, les éléments et les cas limites, puis laissez Codex poursuivre.
5 min de lecture
OpenAI Codex est un descendant de GPT-3 entraîné sur du langage naturel et des milliards de lignes de code public; depuis le 10 août 2021, une version améliorée est offerte en version bêta privée par l’API…
4 min de lecture
L’automatisation sans code consiste à relier les applications que vous utilisez déjà pour qu’un événement dans l’une, comme une nouvelle réponse à un formulaire, déclenche automatiquement des actions dans les…
5 min de lecture
Avec l’API de GPT-3, vous pouvez construire presque n’importe quel outil dont l’entrée et la sortie sont du texte, d’un outil de réécriture de style ou d’un assistant de questions-réponses à un personnage de…
4 min de lecture
L’API d’OpenAI est un nouveau service Web, annoncé le 11 juin 2020, qui permet à un logiciel d’envoyer du texte aux modèles de la famille GPT-3 d’OpenAI et de recevoir une suite en retour.
4 min de lecture
Abonnez-vous à l’infolettre et recevez le guide gratuit : ce qui a changé en IA, une leçon, un prompt à essayer. Désabonnement en un clic.