Invites de synthèse et d’extraction

Les grands modèles de langage (LLM) sont des outils puissants pour traiter de grandes quantités de texte. Deux tâches fondamentales et particulièrement utiles que vous pouvez réaliser avec eux sont la synthèse et l’extraction.

La synthèse vous aide à comprendre rapidement les points principaux de longs documents. L’extraction permet de repérer et d’extraire des données précises et structurées. La maîtrise de ces techniques vous fait gagner du temps et rend les informations exploitables !

La synthèse consiste à condenser un texte long en une version plus courte, tout en veillant à conserver son sens fondamental et ses informations clés. Imaginez que vous créiez un aperçu concis ou un résumé.

Pour demander à un LLM de produire un résumé, vous fournissez généralement le texte et une consigne claire. Par exemple :

"Summarize the following article: [ARTICLE TEXT]"

Vous pouvez guider le LLM afin qu’il produise des résumés adaptés précisément à vos besoins. Dans votre instruction, donnez des précisions sur les éléments suivants :

• Longueur : « en 3 phrases », « en moins de 100 mots », « un bref résumé ».
• Format : « sous forme de puces », « dans un paragraphe », « sous forme de titre ».
• Style/Ton : « pour un public non technique », « sur un ton formel », « comme un article d’actualité ».

La précision aide le LLM à fournir exactement la sortie que vous recherchez.

Résumons un court paragraphe sur l’ingénierie des instructions. Voici comment vous pourriez construire votre instruction :

Texte d’entrée : « L’ingénierie des instructions est un concept de l’intelligence artificielle, notamment du traitement du langage naturel, qui se concentre sur la conception et l’optimisation d’instructions afin d’utiliser efficacement des modèles de langage pour un large éventail d’applications et de sujets de recherche. Il s’agit d’une discipline relativement récente qui décrit les méthodes permettant de communiquer avec des LLM pour orienter leur comportement vers les résultats souhaités sans modifier les poids du modèle. »

Instruction :

"Summarize the following text in one concise sentence: Prompt engineering is a concept in artificial intelligence, especially natural language processing, that focuses on developing and optimizing prompts to efficiently use language models for a wide range of applications and research topics. It's a relatively new discipline, outlining the methods for communicating with LLMs to steer their behavior for desired outcomes without modifying the model's weights."

L’extraction consiste à identifier et à extraire des éléments précis d’un texte plus long. Contrairement à la synthèse, vous ne condensez pas le texte ; vous isolez des points de données, des faits ou des entités particuliers.

Les tâches d’extraction courantes consistent notamment à trouver des noms, des dates, des lieux, des fonctionnalités de produits ou le sentiment exprimé. Cette technique est essentielle lorsque vous devez convertir du texte non structuré en données structurées.

Lors de l’extraction d’informations, il est souvent utile de préciser le format de sortie souhaité. Les données extraites sont ainsi plus faciles à traiter, à analyser ou à intégrer à d’autres systèmes.

• Listes : « Énumérez tous les noms d’entreprises mentionnés. »
• JSON : « Extrayez le nom, l’âge et la ville sous forme d’objet JSON. »
• Tableaux : « Présentez les résultats dans un tableau comportant les colonnes “Élément” et “Prix”. »

Des consignes de mise en forme claires sont indispensables pour obtenir des sorties de données structurées.

Extrayons les coordonnées d’un extrait de courriel. Voici comment vous pourriez formuler une instruction pour un LLM :

Texte d’entrée : « Cher John Smith, merci pour votre demande. Notre représentante commerciale, Sarah Jones, est joignable à sarah.jones@example.com ou par téléphone au (555) 123-4567. Notre bureau se trouve au 123, rue Main, Anytown, USA. »

Instruction :

"Extract the following information from the text: recipient name, sales representative name, sales representative email, sales representative phone, and office address. Present the output as a JSON object. Text: Dear John Smith, Thank you for your inquiry. Our sales representative, Sarah Jones, can be reached at sarah.jones@example.com or by phone at (555) 123-4567. Our office is located at 123 Main St, Anytown, USA."

Pour des tâches plus complexes, vous pouvez souvent combiner ces deux techniques puissantes :

• Résumer puis extraire : obtenez d’abord un résumé concis d’un long document, puis extrayez des entités ou des faits précis de ce résumé.
• Extraire puis résumer : extrayez tous les faits pertinents, puis demandez au LLM de résumer ces faits dans un énoncé cohérent.

Cette approche modulaire peut aider à gérer la complexité et à améliorer l’exactitude de vos résultats.

Pour obtenir les synthèses et les extractions les plus efficaces de vos LLM :

• Soyez précis : énoncez clairement vos exigences (p. ex. la longueur du résumé, le format de sortie ou les entités précises à extraire).
• Utilisez des délimiteurs : encadrez le texte à traiter par des délimiteurs clairs, comme des triples guillemets (""") ou des balises XML, afin de le séparer de vos instructions.
• Fournissez du contexte : expliquez brièvement l’objectif de la synthèse ou de l’extraction si cela aide le LLM à comprendre le but recherché.
• Itérez : si la sortie initiale n’est pas parfaite, affinez votre instruction. De petites modifications peuvent faire une grande différence !

Examinez les scénarios suivants. Lequel de ces travaux nécessiterait principalement une extraction (et non une synthèse) à partir d’un texte donné ?

Dans cette leçon, nous avons étudié deux techniques puissantes d’ingénierie des instructions pour traiter du texte avec des LLM :

• Synthèse : nous avons appris à condenser un texte en versions plus courtes, en contrôlant la longueur, le format et le style afin d’en saisir rapidement l’essentiel.
• Extraction : nous nous sommes concentrés sur l’extraction d’informations précises et structurées, comme des noms, des dates ou des faits, en insistant sur l’importance de préciser les formats de sortie, comme JSON ou les listes.

La maîtrise de ces techniques améliorera considérablement votre capacité à traiter et à exploiter efficacement des informations issues de textes non structurés à l’aide de LLM.