![](\"https:\/\/oaidalleapiprodscus.blob.core.windows.net\/private\/org-PXteLUy4B6mslwRon6h7ri9z\/user-0jfma6aPNvZyLXZUbw4CmvZG\/img-C98fm743BCk88FINKaXfJQ8o.png?st=2024-06-27T10%3A10%3A31Z&se=2024-06-27T12%3A10%3A31Z&sp=r&sv=2023-11-03&sr=b&rscd=inline&rsct=image\/png&skoid=6aaadede-4fb3-4698-a8f6-684d7786b067&sktid=a48cca56-e6da-484e-a814-9c849652bcb3&skt=2024-06-27T01%3A38%3A02Z&ske=2024-06-28T01%3A38%3A02Z&sks=b&skv=2023-11-03&sig=rD\/U\/lVC9gRkb0HZowOXgpdwe%2BNWf8BV9m8mIwN3YD8%3D\")
<\/p>\n<\/p>\n
Les applications cr\u00e9atives et la gestion des mod\u00e8les de langue pr\u00e9-entra\u00een\u00e9s ont consid\u00e9rablement am\u00e9lior\u00e9 la qualit\u00e9 de la recherche d’information (IR). Ces mod\u00e8les sont souvent form\u00e9s avec des ensembles de donn\u00e9es volumineux comprenant des millions de requ\u00eates et de jugements de pertinence, ce qui permet de g\u00e9n\u00e9raliser \u00e0 de nouveaux sujets rares.<\/p>\n
Cependant, l’utilit\u00e9 et la n\u00e9cessit\u00e9 de ces vastes ensembles de donn\u00e9es pour l’optimisation des mod\u00e8les de langue sont remises en question. En particulier, il n’est pas certain que ces donn\u00e9es massives soient indispensables, et il n’est pas \u00e9vident comment former des mod\u00e8les IR pour des langues ou des domaines avec peu ou pas de donn\u00e9es IR \u00e9tiquet\u00e9es.<\/p>\n
Des chercheurs de l’Universit\u00e9 de Waterloo, de Stanford et d’IBM Research AI ont propos\u00e9 une technique pour former de petits mod\u00e8les de recherche d’information neuronale avec seulement dix \u00e9tiquettes de pertinence, nomm\u00e9e PATH. Cette m\u00e9thode cr\u00e9e des requ\u00eates fictives via un mod\u00e8le de langue qui optimise automatiquement les invites, garantissant une qualit\u00e9 de formation optimale.<\/p>\n
Utilisant le benchmark BIRCO, l’\u00e9quipe a montr\u00e9 que ce proc\u00e9d\u00e9 am\u00e9liore grandement les performances, surpassant des mod\u00e8les bien plus grands comme RankZephyr et rivalisant avec RankLLama, tout en utilisant minimale de donn\u00e9es \u00e9tiquet\u00e9es.<\/p>\n
Ces r\u00e9sultats prouvent qu’avec des ajustements appropri\u00e9s, des mod\u00e8les plus petits peuvent surpasser des mod\u00e8les bien plus grands, d\u00e9montrant l’efficacit\u00e9 de l’optimisation automatique des prompts pour cr\u00e9er des ensembles de donn\u00e9es de qualit\u00e9 sup\u00e9rieure.<\/p>\n","protected":false},"excerpt":{"rendered":"
Les applications cr\u00e9atives et la gestion des mod\u00e8les de langue pr\u00e9-entra\u00een\u00e9s ont consid\u00e9rablement am\u00e9lior\u00e9 la qualit\u00e9 de la recherche d’information (IR). Ces mod\u00e8les sont souvent form\u00e9s avec des ensembles de donn\u00e9es volumineux comprenant des millions de requ\u00eates et de jugements de pertinence, ce qui permet de g\u00e9n\u00e9raliser \u00e0 de nouveaux sujets rares. Cependant, l’utilit\u00e9 et […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-171","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"yoast_head":"\n