Maximiser la créativité de GPT-4 grâce aux prompts en chaîne de pensée

Ce qu’il faut en retenir :

• Des chercheurs ont testé différentes méthodes de prompt avec GPT-4 pour stimuler sa créativité dans la génération d’idées.
• Ils voulaient développer de nouveaux produits pour étudiants à moins de 50$.
• La diversité des idées a été mesurée avec la similarité cosinus et le nombre d’idées uniques.
• La méthode de prompt “en chaîne de pensée” (CoT) s’est démarquée en générant plus d’idées uniques.
• La méthode CoT demande à l’IA de résoudre une tâche en plusieurs étapes sans les spécifier.
• Cette méthode amène l’IA à se concentrer sur des données plus analytiques issues du jeu d’entraînement.
• Le choix de la bonne méthode de prompt est essentiel pour maximiser la diversité des idées.
• Les prompts en chaîne de pensée permettent d’ouvrir plus efficacement l’espace des idées.

Des chercheurs ont mené une étude pour déterminer comment les méthodes de prompt peuvent être utilisées pour générer des idées et quelles sont les méthodes qui produisent la plus grande diversité d’idées. Le document de travail de Lennart Meincke, Ethan Mollick et Christian Terwiesch de la Wharton School de l’Université de Pennsylvanie se concentre sur la génération d’idées avec GPT-4.

L’équipe a étudié comment différentes méthodes de prompt peuvent influencer la diversité des idées générées. Plus précisément, l’objectif était de développer de nouveaux produits pour les étudiants qui coûtent moins de 50 dollars. Les chercheurs ont testé différentes méthodes de prompt, notamment des prompts minimales, des prompts dans lesquelles le modèle d’IA adopte différentes personnalités, et des prompts dans lesquelles le modèle d’IA applique différentes techniques de créativité issues de la littérature existante.

La diversité des idées a été mesurée à l’aide de la similarité cosinus, une mesure de la similarité entre deux idées, mais sans comparaison avec les idées existantes. Les chercheurs ont également mesuré le nombre d’idées uniques et le taux d’épuisement de l’espace des idées.

L’équipe a constaté que différentes méthodes de prompt avaient des effets différents sur la diversité des idées générées. Mais la prompt “en chaîne de pensée” (CoT), une méthode de prompt établie de longue date, était celle qui se rapprochait le plus du niveau d’un groupe d’étudiants dans les tests et qui se démarquait largement.

Cette méthode était également celle qui générait le plus d’idées uniques. Cela suggère que la prompt CoT peut aider à ouvrir plus efficacement l’espace des idées et à générer une plus grande variété de solutions possibles.

Obtenir de meilleures idées d’IA – étape par étape

La prompt CoT demande au modèle d’IA de résoudre une tâche en plusieurs étapes. Vous n’avez pas à spécifier ces étapes ; il suffit de lui demander de procéder étape par étape pour améliorer le résultat.

La différence entre une prompt de base et la prompt en chaine de pensée

Ce n’est pas très clair pourquoi cela fonctionne – l’idée de base est que la prompt amène le modèle à se concentrer sur des données de meilleure qualité issues du jeu de données d’entraînement, qui sont plus analytiques.

Dans leur expérience, les chercheurs ont donné une tâche pour chaque étape : d’abord, GPT-4 devait générer 100 idées, parmi lesquelles l’IA devait ensuite filtrer les idées les plus fortes et les plus diverses.

Dans la dernière étape, GPT-4 devait donner un nom et une description du produit au résultat. Les chercheurs ont exclu environ 15 % des essais des statistiques car le modèle n’avait pas correctement réalisé la deuxième étape.

Ils soulignent toutefois que le choix de la bonne méthode de prompt est essentiel pour maximiser la diversité des idées générées. Le chevauchement entre les prompts est relativement faible, disent-ils, ce qui permet une prompt hybride, ou la génération de petits groupes d’idées en utilisant différentes méthodes de prompt.

Le co-auteur de l’étude, Ethan Mollick, a publié un GPT pour la génération d’idées qui suit le principe de l’étape par étape, mais ce n’est pas la prompt utilisée dans l’étude.

Une autre étude récente a montré que la longueur des étapes de raisonnement dans les prompts CoT est directement liée à la performance des modèles de langage dans les tâches de résolution de problèmes complexes. Cela était vrai même lorsque la prompt plus longue ne contenait pas d’informations nouvelles significatives.

---

Mes livres

Le Basilic de Roko	Mon parcours de rédacteur web	Science corrompue et servile	Nous, Tueurs en série