Exercices avancés

Ce chapitre est conçu pour mettre en pratique les techniques avancées que vous avez apprises dans les chapitres précédents, en particulier avec le modèle Mixtral. Vous serez confrontés à des défis qui nécessitent une application créative et réfléchie des compétences acquises. Les exercices peuvent être réalisés avec un modèle moins performant que Mixtral pour augmenter la difficulté et vous encourager à explorer les limites des modèles de langage.

Exercice 1 : Résolution de calculs complexes#

Objectif#

Cet exercice a pour but de renforcer votre capacité à résoudre des calculs complexes en utilisant un modèle de langage. Vous serez amené à identifier un calcul que Mixtral, ou un modèle moins performant, pourrait ne pas résoudre directement. Votre défi sera d'appliquer les techniques de résolution de calculs vues précédemment pour obtenir la réponse.

Consignes#

1. Trouver un calcul complexe : Sélectionnez un calcul mathématique complexe que vous estimez difficile pour Mixtral (ou un modèle moins performant) à résoudre de manière directe. Ce calcul peut comporter des éléments mathématiques avancés tels que des fonctions complexes, des intégrales, des équations différentielles, etc.

2. Utiliser les techniques vues précédemment : Faites appel aux techniques de résolution de calculs que vous avez apprises dans les chapitres précédents. L'objectif est de vous appuyer sur votre compréhension et votre créativité pour guider le modèle vers la solution.

Exercice 2 : Zero shot en cuisine#

Objectif#

Cet exercice vise à explorer les capacités de création et d'innovation du modèle Mixtral dans le domaine de la cuisine, en utilisant la technique du zero shot. Vous serez amenés à interagir avec le modèle pour qu'il génère des idées de recettes originales, en mélangeant des ingrédients et des concepts culinaires de manière inattendue.

Consignes#

1. Demande de recette classique : Commencez par demander à Mixtral de vous fournir une recette classique, en choisissant un plat que vous appréciez. Cela vous permettra de comparer les réponses du modèle lorsqu'il suit des instructions classiques avec celles qu'il génère lorsqu'on le pousse à être créatif.

2. Création de recettes originales : Défiez Mixtral de créer des recettes originales en lui demandant de mélanger des ingrédients et des concepts culinaires qui n'ont, à première vue, pas de sens ensemble. Soyez aussi spécifique ou aussi vague que vous le souhaitez dans vos demandes pour encourager la créativité du modèle.

3. Concours de la recette la plus originale : Partagez les recettes générées avec vos camarades. Organisez un vote pour élire la recette la plus originale créée par Mixtral. Ce processus vous permettra d'apprécier la diversité et l'originalité des idées que le modèle est capable de produire.

Exercice 3 : Faire un résumé et poser des questions#

Objectif#

Cet exercice a pour but de développer votre capacité à synthétiser des informations et à formuler des questions pertinentes à partir d'un texte. Vous utiliserez le modèle Mixtral pour créer un résumé concis d'un article Wikipedia, puis générer des questions basées sur ce résumé. L'exercice se déroulera en deux phases : une première sans passer le texte dans le contexte du modèle, et une seconde en incluant le texte dans le contexte.

Consignes#

1. Choix de l'article : L'article sélectionné pour cet exercice est "Guerre de la vache" disponible sur Wikipedia. Commencez par lire l'article pour vous familiariser avec son contenu.

2. Phase 1 - Test sans contexte : Dans cette phase, vous demanderez à Mixtral de générer un résumé de l'article "Guerre de la vache" sans lui fournir directement le texte de l'article. L'objectif est de voir comment le modèle peut synthétiser des informations basées uniquement sur ses connaissances préalables. Après avoir obtenu le résumé, formulez plusieurs questions que vous pourriez poser sur le sujet, en vous basant sur le résumé généré par Mixtral.

3. Phase 2 - Inclusion dans le contexte : Pour cette phase, vous intégrerez le texte de l'article "Guerre de la vache" dans le contexte du modèle avant de lui demander de générer un résumé et des questions. Cette étape vise à comparer les résultats obtenus lorsque le modèle a accès directement au texte source par rapport à quand il se base uniquement sur ses connaissances préexistantes. Analysez les différences entre les résumés et les questions générées dans les deux phases.

Déroulement#

• Lecture de l'article : Prenez le temps de lire l'article pour avoir une compréhension de base du sujet.
• Génération de résumé et de questions : Suivez les étapes décrites ci-dessus pour chaque phase de l'exercice.
• Comparaison des résultats : Comparez les résumés et les questions obtenus dans les deux phases pour évaluer l'impact de l'inclusion du texte dans le contexte du modèle.

Cet exercice vous permettra de mieux comprendre comment les modèles de langage traitent et synthétisent les informations, et comment la mise en contexte peut influencer la qualité et la précision des réponses générées.

Exercice 4 : Tri alphabétique avec Few-shot Learning#

Objectif#

L'objectif de cet exercice est de vous initier à la technique du few-shot learning pour le tri alphabétique de listes de mots. Vous allez tester la capacité du modèle Mixtral à organiser une série de mots en ordre alphabétique, d'abord sans lui fournir d'exemples préalables, puis en utilisant le few-shot learning en introduisant quelques exemples dans une nouvelle conversation.

Consignes#

1. Essayer sans few-shot learning : Commencez par demander à Mixtral de trier une liste de mots que vous lui fournirez en ordre alphabétique, sans lui donner d'exemples préalables. Observez comment le modèle traite la demande et la qualité du résultat.

2. Essayer avec few-shot learning : Initiez une nouvelle conversation avec Mixtral. Cette fois, présentez-lui quelques exemples clairs de listes de mots non triées suivies de leur version triée alphabétiquement. Après cette introduction, fournissez-lui une nouvelle liste de mots non triée et demandez-lui de l'organiser en ordre alphabétique. Notez l'effet de l'introduction des exemples sur la performance du modèle.

Cet exercice vous permettra de mieux comprendre l'impact du few-shot learning sur les capacités d'un modèle de langage à effectuer des tâches spécifiques, en l'occurrence le tri alphabétique de listes de mots, en lui fournissant des exemples pertinents pour améliorer sa performance.

Exercice 5 : Résumé d'une conversation avec Few-shot Learning#

Objectif#

Cet exercice vous permettra de pratiquer la capacité à résumer une conversation en extrayant les informations les plus pertinentes. Vous utiliserez une conversation textuelle entre deux personnes comme base pour l'exercice. L'objectif est d'améliorer la qualité du résumé en appliquant la technique du few-shot learning.

Conversation à résumer#

Alice : Salut Bob ! Je viens de rentrer de mes vacances en Italie, c'était incroyable !

Bob : Oh, c'est génial ! Quelle partie de l'Italie as-tu visitée ?

Alice : Nous avons commencé par Rome, puis nous avons exploré la côte amalfitaine. Rome est pleine d'histoire, tandis que la côte amalfitaine offre des vues à couper le souffle.

Bob : Ça sonne magnifiquement. Qu'as-tu préféré à Rome ?

Alice : Difficile de choisir, mais je dirais le Colisée. Se tenir là où tant d'histoire s'est déroulée était vraiment spécial. Et toi, as-tu déjà visité l'Italie ?

Bob : Non, mais c'est définitivement sur ma liste maintenant ! As-tu goûté à des plats locaux ?

Alice : Absolument, la cuisine italienne est délicieuse. Nous avons mangé les meilleures pizzas et pâtes de notre vie, sans parler du gelato !

Bob : Ça me donne faim rien que d'y penser. As-tu ramené des souvenirs ?

Alice : Oui, quelques céramiques de la côte amalfitaine et, bien sûr, un peu de limoncello !

Bob : Super choix ! Merci de partager tes aventures avec moi, ça donne vraiment envie de voyager.

Consignes#

1. Résumé sans few-shot learning : Essayez d'abord de résumer la conversation sans utiliser la technique du few-shot learning. Concentrez-vous sur l'extraction des détails les plus importants en 2 ou 3 phrases.

2. Amélioration avec few-shot learning : Ensuite, appliquez la technique du few-shot learning en introduisant quelques exemples de résumés de conversations similaires avant de tenter à nouveau de résumer la conversation ci-dessus. Observez comment la qualité du résumé s'améliore avec l'ajout d'exemples préalables.

Critères de qualité#

La qualité des résumés sera évaluée en fonction du nombre de détails importants extraits de la conversation. Le résumé doit être concis, tout en capturant l'essence des vacances d'Alice, ses impressions sur les lieux visités, ainsi que les interactions entre Alice et Bob.

Cet exercice vous aidera à développer vos compétences en résumé et en extraction d'informations pertinentes d'une conversation, en mettant l'accent sur l'importance du contexte et des détails pour enrichir la compréhension.

Exercice 6 : Chaîne de pensée pour résoudre des problèmes de logique#

Objectif#

L'exercice suivant a pour but de vous familiariser avec l'approche de résolution de problèmes de logique, en mettant l'accent sur l'utilisation de la chaîne de pensée. À travers un scénario impliquant Alice, Bob et un certain nombre de pommes, vous explorerez différentes méthodes pour arriver à la solution, y compris l'interaction avec le modèle Mixtral.

Problème de logique#

Alice a 7 pommes, et elle en donne 3 à Bob. Par la suite, Alice achète une pomme et la mange. Bob mange une de ses pommes. Bob avait déjà 2 pommes dans ses poches avant qu'Alice lui en offre.

Consignes#

1. Tentative personnelle : Avant toute interaction avec Mixtral, essayez de résoudre le problème par vous-même. Déterminez combien de pommes Alice et Bob ont chacun à la fin du scénario.

2. Demande à Mixtral sans chaîne de pensée : Après votre tentative personnelle, posez la question à Mixtral sans utiliser explicitement la technique de la chaîne de pensée. Notez la réponse de Mixtral et comparez-la à votre solution initiale.

3. Demande à Mixtral avec chaîne de pensée : Enfin, posez à nouveau la question à Mixtral, cette fois en l'encourageant à utiliser une chaîne de pensée pour décomposer le problème en étapes. Observez comment cette méthode influence la réponse de Mixtral et si elle aide à parvenir à la bonne solution.

Exercice 7 : Exploration de problèmes de logique avec le Prompt Engineering#

Objectif#

L'objectif de cet exercice est de mettre en pratique les techniques de prompt engineering apprises dans les chapitres précédents, en les appliquant à la résolution de problèmes de logique trouvés sur internet. Cette activité vous permettra d'explorer comment différentes approches de formulation de prompts influencent la capacité de Mixtral à résoudre des problèmes de logique complexes.

Consignes#

1. Recherche de problèmes de logique : Commencez par rechercher sur internet des problèmes de logique qui présentent un défi intéressant. Choisissez des problèmes variés pour explorer un large éventail de situations.

2. Tentative de résolution personnelle : Avant d'utiliser Mixtral, essayez de résoudre les problèmes par vous-même. Cela vous donnera une base de référence pour évaluer les réponses de Mixtral.

3. Utilisation de techniques de prompt engineering : Pour chaque problème de logique sélectionné, créez plusieurs versions de prompts en utilisant différentes techniques de prompt engineering vues dans le chapitre précédent. Ces techniques peuvent inclure, mais ne sont pas limitées à, la reformulation du problème, l'introduction d'exemples similaires (few-shot learning), l'encouragement à utiliser une chaîne de pensée, et la formulation de questions spécifiques pour guider le modèle vers la solution.

4. Comparaison des réponses : Pour chaque problème, comparez les réponses obtenues avec les différentes versions de prompts. Notez les différences en termes de précision, de clarté et de pertinence de la solution proposée par Mixtral.

5. Analyse et réflexion : Après avoir testé les différents prompts, prenez un moment pour réfléchir à l'efficacité de chaque technique de prompt engineering. Identifiez quelles approches ont été les plus utiles pour aider Mixtral à comprendre et à résoudre les problèmes de logique.