- Avec les progrès fulgurants de l’IA, de plus en plus de développeurs ressentent une forme de déprime psychologique liée au remplacement de leur expertise
- Comme ce malaise touche un grand nombre de développeurs, on a fini par lui donner le nom de Claude Blue
- De plus, le flot quotidien de nouveaux termes accentue encore le FOMO et l’anxiété des développeurs
- La clé pour surmonter cette peur, c’est de comprendre
- Une grande partie de ce qu’on appelle aujourd’hui « engineering » n’est au fond qu’une variation du processus consistant à envoyer la bonne entrée à une API et à traiter la réponse, quelque chose que les développeurs savent déjà très bien faire
- Au lieu de se laisser emporter par les contenus qui alimentent le FOMO, comprendre l’essentiel permet d’évaluer lucidement les nouveaux termes en les replaçant dans son cadre de connaissances existant
Structure de la peur et comment la surmonter
- L’être humain ressent de la peur face à ce dont il ne connaît pas la nature. La peur de l’IA vient elle aussi moins de l’IA elle-même que du fait de « ne pas savoir comment elle fonctionne »
- Une fois sa nature comprise, la magie commence à apparaître comme de la technologie, et la technologie est par définition quelque chose qu’on peut apprendre et qui a des limites
- Une étude indique également que 24 % des salariés ont vu leur santé mentale se dégrader à cause de la surcharge informationnelle liée à l’IA
La vraie nature des LLM
- Un LLM est un modèle de prédiction du mot suivant qui « génère la sortie la plus appropriée pour une entrée donnée »
- ChatGPT, Claude et Gemini fonctionnent tous selon le même principe, et la réalité du service se résume à un appel d’API HTTP où le client envoie un message et le modèle renvoie des tokens en streaming
- Même les puissantes capacités de codage des agents IA ne sont qu’un habillage autour de cet appel d’API
Comment les agents IA sont devenus plus intelligents
- Prompt engineering : attribution d’un rôle, Few-Shot, Chain-of-Thought, etc. reviennent au fond à rendre le contexte du texte d’entrée plus précis afin d’orienter la sortie dans une direction donnée
- Contrôle du format de sortie : avec JSON Schema, Function Calling, etc., on transforme la sortie du modèle en une structure que le programme peut parser. Grâce au Function Calling, il devient possible d’avoir une architecture où le modèle appelle des outils et où le runtime les exécute. MCP et RAG sont aussi une forme d’appel d’outils
- Context engineering : il ne s’agit pas de savoir comment poser la question, mais de concevoir ce que le modèle verra avant de raisonner. Comme l’attention diminue quand l’entrée devient trop longue, l’essentiel est de placer les bonnes informations au bon endroit
- Découpage des prompts : au lieu d’un seul prompt gigantesque, on répartit le traitement entre plusieurs prompts petits et ciblés. Les Sub-Agent et les Skill entrent dans cette catégorie
- Harness engineering : il s’agit de concevoir l’ensemble de l’environnement d’exécution autour du modèle. Cela se compose de guides (orientation avant l’action) et de capteurs (vérification du résultat après l’action)
- Ralph loop : technique consistant à réinjecter le même prompt tant que les critères d’achèvement ne sont pas remplis. L’avancement est sauvegardé dans le système de fichiers et dans git, ce qui permet de reprendre à chaque fois même avec un nouveau contexte. Ce n’est qu’une sous-stratégie du harness, et non le harness lui-même
Sortir du FOMO
- Si l’on reste anxieux malgré les connaissances, c’est parce que les producteurs de FOMO nous donnent l’impression que nous ne savons rien
- Une bonne manière de ne plus ressentir le FOMO consiste à regarder ce qu’ils ont réellement résolu
- Le plus souvent, ils ont compressé le processus, mais n’ont pas résolu le problème lui-même
- Quand on comprend l’essentiel, on devient capable, face à une nouvelle information, de juger par soi-même s’il s’agit d’un nouveau paradigme, d’une variation d’un concept existant ou d’une exagération
Que faire à partir de maintenant
- Il n’est pas forcément nécessaire de faire quoi que ce soit. Si l’IA n’aide pas à résoudre votre problème, vous pouvez simplement continuer comme avant. Au final, ce n’est qu’un outil : utilisez-le si vous en avez besoin, sinon abstenez-vous
- Il n’existe pas de bonne réponse à tout. Il n’est donc pas nécessaire de chercher un corrigé.
- Si l’on a les connaissances, alors même lorsque de nouveaux termes apparaîtront, on développera le discernement nécessaire pour comprendre de quoi il est réellement question
Aucun commentaire pour le moment.