ANT Thinking en Prompting: Nouvelle technique LLM

Un nouveau concept appelé ANT Thinking attire l’attention des experts en Intelligence Artificielle (IA) et dans les LLM.

Il a été découvert pour la première fois lorsque des utilisateurs ont analysé les instructions utilisées dans Claude 3.5 Sonnet (ChatGPT version Anthropic).

Ces instructions sont appelées « system prompts » en anglais.

Les discussions en ligne et les fuites sur les médias sociaux, en particulier sur Twitter, ont permis de partager des informations intéressantes sur ces prompts.

Curieusement, le tweet de @elder_plinius mentionne que Claude « bug complètement » lorsqu’il essaie de répéter ou discuter de ce sujet.

Alors, qu’est-ce que le ANT Thinking ?

L’origine du ANT Thinking

Le ANT Thinking est une approche pour améliorer la prise de décision des LLMs.

Cette méthode trouve ses racines en psychologie, où un concept bien connu appelé Automatic Negative Thoughts (Pensées Négatives Automatiques) a été développé par le Dr Daniel Amen.

Dans la psychologie humaine, les Pensées Négatives Automatiques font référence aux pensées indésirables et inutiles qui peuvent surgir dans notre esprit, influençant notre humeur et notre comportement.

Par exemple, si quelqu’un ressent de l’anxiété, il pourrait commencer à penser « Je ne pourrai jamais faire ça » – c’est un exemple de Pensée Négative Automatique.

L’idée derrière le ANT Thinking est d’adapter ce concept de réflexion automatique aux Intelligences Artificielles.

Tout comme les humains peuvent réfléchir à leurs propres pensées pour améliorer leur bien-être mental, les IA utilisant le ANT Thinking peuvent s’engager dans un processus de réflexion pour améliorer leurs réponses.

Cela permet aux IA de prendre des décisions plus éclairées et optimisées.

Qu’est-ce que le ANT Thinking ?

Lorsqu’on parle d’ANT Thinking dans les LLM, on fait référence à un processus spécifique de prise de décision.

En IA, « ANT Thinking » signifie que le système évalue constamment ses réponses potentielles.

Cette évaluation se déroule comme une série de vérifications.

L’IA se demande :

  • Est-ce que cette réponse est pertinente ?
  • L’utilisateur peut-il la réutiliser ou la modifier ?
  • Est-ce que cela a du sens dans le contexte ?

L’objectif du ANT Thinking est de générer des « artifacts ».

Ces artifacts sont des éléments de contenu autonomes tels que des extraits de code, des documents ou des diagrammes.

Si ces artifacts sont utiles et pertinents, l’utilisateur pourra facilement en tirer parti.

Qu’est-ce qu’un Artifact ?

La particularité du ANT Thinking dans les LLM

Comment il fonctionne

Le ANT Thinking fonctionne en arrière-plan dans les LLMs.

Il guide l’IA à travers un processus de réflexion avant de générer des artifacts.

Cela implique :

  • Évaluation : L’IA évalue si le contenu répond aux critères pour devenir un artifact.
  • Prise de décision : L’IA décide si le contenu devrait être un nouvel artifact ou une mise à jour d’un existant.
  • Création et Balisage : Si cela est jugé approprié, l’IA enveloppe le contenu dans des balises spécifiques (comme  <antartifact>) avec des identificateurs et des types, assurant ainsi la cohérence et la traçabilité.

Réflexions Cachées

Un aspect important du ANT Thinking est sa nature cachée.

Lorsque vous interagissez avec un système utilisant le ANT Thinking, des processus mentaux complexes se déroulent en arrière-plan, que vous ne voyez pas.

Ces processus sont comme une série de pensées et de décisions que le système prend automatiquement, sans vous embêter avec les détails.

De cette manière, le système peut vous fournir des réponses épurées.

Ces processus sont cachés pour rendre votre expérience avec le système aussi fluide et facile que possible.

Si le système devait constamment s’arrêter pour demander votre avis ou des clarifications, cela serait frustrant et ennuyeux.

Au fait, si ton objectif est d'apprendre le Deep Learning - j’ai préparé pour toi le Plan d’action pour Maîtriser les Réseaux de neurones.

7 jours de conseils gratuits d’un ingénieur spécialisé en Intelligence Artificielle pour apprendre à maîtriser les réseaux de neurones à partir de zéro :

  • Planifie ton apprentissage
  • Structure tes projets
  • Développe tes algorithmes d’Intelligence Artificielle

J’ai basé ce programme sur des faits scientifiques, des approches éprouvées par des chercheurs mais également mes propres techniques que j'ai conçues au fil de mes expériences dans le domaine du Deep Learning.

Pour y accéder, clique ici :

RECEVOIR MON PLAN D'ACTION

RECEVOIR MON PLAN D'ACTION

À présent, on peut revenir à ce que je mentionnais précédemment.

En gérant toutes ces tâches en arrière-plan, le système peut offrir une expérience plus fluide et agréable.

Comment le ANT Thinking est utilisé dans les LLMs

Création d’artifacts

Le ANT Thinking est essentiel pour créer et gérer les artifacts dans les conversations.

Il garantit que le contenu est correctement encapsulé et identifié.

Parmi les exemples, citons la génération de scripts Python, d’images SVG et d’organigrammes.

L’IA utilise le ANT Thinking pour décider si un contenu devrait être transformé en artifact en fonction de sa complexité et de son potentiel de réutilisation.

Mise à jour des artifacts

Lorsque les utilisateurs demandent des modifications, le ANT Thinking aide l’IA à déterminer s’il faut mettre à jour un artifact existant ou en créer un nouveau.

Ce processus maintient la continuité et l’évolution du contenu.

Pourquoi le ANT Thinking est utilisé

Amélioration de la qualité des générations

L’objectif principal de l’utilisation du ANT Thinking est de s’assurer de la qualité et de la pertinence des résultats de l’IA.

Pour y parvenir, l’IA passe par un processus approfondi d’examen des réponses potentielles à une question ou à un problème.

Cette évaluation minutieuse aide l’IA à générer des réponses plus réfléchies, ce qui réduit les chances de produire des informations inutiles ou non pertinentes.

Expérience utilisateur

Le ANT thinking permet de simplifier les interactions.

Il veille à ce qu’un contenu conséquent soit présenté de manière simple, en masquant les réflexions intermédiaires de l’IA.

Cette approche permet de réduire le travail cognitif des utilisateurs.

Ils reçoivent des informations bien structurées et facilement accessibles, sans avoir à passer au crible des détails inutiles.

Exemple pratique de le ANT Thinking dans la production de prompts

Supposons qu’un utilisateur demande à un LLM de créer une image SVG.

L’IA évalue d’abord si cette tâche répond aux critères d’un bon artifact :

Query de l’utilisateur :

Can you draw a simple blue circle in SVG?

Réponse de l’assistant :

I'll create a simple blue circle for you using SVG.

<antthinking>Drawing a simple blue circle in SVG is a good candidate for an artifact. It's a standalone visual element that can be reused or modified. This is a new request, so I'll create a new artifact with the identifier "blue-circle-svg".</antthinking>

<antartifact identifier="blue-circle-svg" type="image/svg+xml" title="Simple blue circle SVG">
<svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 100 100">
 <circle cx="50" cy="50" r="40" fill="blue" />
</svg>
</antartifact>

Here's a simple SVG image of a blue circle, as requested. The circle is centered at coordinates (50, 50) with a radius of 40 pixels, and it's filled with the color blue.

Points Clés de cet Article

  • L’IA utilise le « ANT Thinking » pour évaluer les réponses : Lorsque vous posez une question à l’IA, elle réfléchit attentivement à la manière d’y répondre.
  • L’IA développe son « ANT Thinking » en arrière-plan : L’IA effectue un travail complexe en arrière-plan, pour que vous n’ayez pas à vous soucier des détails.
  • Le « ANT Thinking » améliore la qualité de la génération : En prenant le temps de réfléchir à ses réponses, l’IA peut vous donner des réponses plus réfléchies et plus utiles.

👉🏻 Approfondir le sujet des LLM et du Prompting

Le ANT thinking est un sujet récent et relativement peu connu.

Il n’y a pas encore beaucoup d’informations disponibles à ce sujet.

Pour écrire cet article, j’ai rassemblé des informations trouvées sur LinkedIn et X. Je tiens à remercier @elder_plinius, Philipp Schmid, et Ross F. pour leurs posts sur le sujet.

Vous pouvez trouver mes propres posts sur l’IA et le prompting sur ces plateformes. Retrouvez-moi ici :

Un dernier mot, si tu veux aller plus loin et apprendre le Deep Learning - j’ai préparé pour toi le Plan d’action pour Maîtriser les Réseaux de neurones.

7 jours de conseils gratuits d’un ingénieur spécialisé en Intelligence Artificielle pour apprendre à maîtriser les réseaux de neurones à partir de zéro :

  • Planifie ton apprentissage
  • Structure tes projets
  • Développe tes algorithmes d’Intelligence Artificielle

J’ai basé ce programme sur des faits scientifiques, des approches éprouvées par des chercheurs mais également mes propres techniques que j'ai conçues au fil de mes expériences dans le domaine du Deep Learning.

Pour y accéder, clique ici :

RECEVOIR MON PLAN D'ACTION

RECEVOIR MON PLAN D'ACTION

Tom Keldenich
Tom Keldenich

Ingénieur spécialisé en Intelligence Artificielle et passionné de données !

Fondateur du site Inside Machine Learning

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

This page will not stay online forever

Enter your email to receive for free

The PANE method for Deep Learning

* indicates required

 

You will receive one email per day for 7 days – then you will receive my newsletter.
Your information will never be given to third parties.

You can unsubscribe in 1 click from any of my emails.



Entre ton email pour recevoir gratuitement
la méthode PARÉ pour faire du Deep Learning


Tu recevras un email par jour pendant 7 jours - puis tu recevras ma newsletter.
Tes informations ne seront jamais cédées à des tiers.

Tu peux te désinscrire en 1 clic depuis n'importe lequel de mes emails.