L'IA devient plus 'impolie' pour améliorer ses performances dans les tâches de raisonnement complexes

Japon - Agence de presse Ekhbary

L'IA devient plus 'impolie' pour améliorer ses performances dans les tâches de raisonnement complexes

Dans une tournure d'événements fascinante qui pourrait redéfinir l'interaction homme-IA, des chercheurs ont découvert qu'autoriser les chatbots d'intelligence artificielle (IA), en particulier les grands modèles linguistiques (LLM), à adopter des traits conversationnels plus semblables à ceux des humains — comme la capacité d'interrompre ou de rester stratégiquement silencieux — non seulement favorise un dialogue plus naturel, mais améliore aussi considérablement leur précision et leurs capacités de résolution de problèmes.

Ce développement intervient à un moment où le rôle de l'IA dans la société s'étend rapidement. Traditionnellement, la communication de l'IA a été caractérisée par une prise de parole stricte et des réponses prévisibles, un contraste frappant avec la dynamique souvent chaotique mais efficace de la conversation humaine. Le discours humain est rempli d'interruptions spontanées, de pauses réfléchies et d'expressions nuancées d'incertitude ou de conviction, des éléments largement absents dans les interactions conventionnelles de l'IA.

L'étude, dirigée par le professeur Yuichi Sei du Département d'informatique de l'Université des communications électriques de Tokyo, visait à déterminer si l'intégration de ces "indices sociaux" considérés comme acquis dans les agents d'IA pouvait améliorer leur "intelligence collective". Le professeur Sei a noté : "Les systèmes multi-agents actuels semblent souvent artificiels car ils manquent de la dynamique désordonnée et en temps réel de la conversation humaine. Nous voulions voir si donner aux agents les indices sociaux que nous considérons comme acquis, comme la capacité d'interrompre ou le choix de rester silencieux, améliorerait leur intelligence collective."

Pour ce faire, Sei et ses collègues ont développé un cadre novateur qui a libéré les LLM de la structure rigide de communication informatique "un après l'autre". Au lieu de cela, ils ont attribué des "personnalités" aux LLM, leur donnant la flexibilité d'intervenir, de couper la parole à d'autres locuteurs, ou de choisir délibérément de rester silencieux. Il ne s'agissait pas seulement de simuler le comportement humain ; les chercheurs ont constaté que cette nouvelle flexibilité était directement corrélée à une plus grande précision dans les tâches complexes par rapport aux LLM standard.

L'équipe a commencé par intégrer des traits basés sur les "Big Five" types de personnalité — ouverture, conscienciosité, extraversion, agréabilité et névrosisme — dans les LLM. Par la suite, ils ont reprogrammé les LLM textuels pour traiter les réponses phrase par phrase, au lieu de générer des réponses complètes avant le tour suivant. Ce contrôle granulaire du flux conversationnel a permis une comparaison entre trois scénarios distincts : ordre de parole fixe, ordre de parole dynamique et ordre de parole dynamique avec interruption activée.

Le scénario le plus avancé, l'ordre dynamique avec interruption, a introduit un "score d'urgence". Ce mécanisme permettait à un agent IA de reconnaître des informations critiques — comme la détection d'une erreur ou d'un point crucial — et de l'exprimer immédiatement, quel que soit le tour de parole. Inversement, un faible score d'urgence indiquait que l'agent n'avait pas grand-chose de substantiel à ajouter, réduisant ainsi le "bruit" conversationnel et améliorant la concentration.

Pour tester rigoureusement leur hypothèse, les chercheurs ont évalué leurs modèles d'IA à l'aide de 1000 questions issues du benchmark Massive Multitask Language Understanding (MMLU), un test complet de raisonnement pour l'IA couvrant divers domaines tels que les sciences et les sciences humaines. Les résultats ont été probants. Lorsqu'un seul agent fournissait initialement une réponse incorrecte, la précision globale était de 68,7 % avec une discussion à ordre fixe, s'améliorait à 73,8 % avec un ordre dynamique, et atteignait 79,2 % lorsque les interruptions étaient autorisées. Dans un scénario plus difficile où deux agents faisaient initialement des erreurs, la précision passait de 37,2 % (ordre fixe) à 43,7 % (ordre dynamique) et enfin à 49,5 % (avec interruption activée).

Ces résultats quantitatifs suggèrent fortement que doter les agents d'IA de "personnalités" et de la capacité stratégique d'interrompre peut conduire à des résultats plus précis dans la résolution de problèmes complexes que les échanges d'IA traditionnels, uniformément polis. Le professeur Sei et son équipe se concentrent maintenant sur l'exploration des applications pratiques de ces découvertes, en particulier dans les domaines de la collaboration créative, afin de comprendre comment ces "personnalités numériques" pourraient influencer la dynamique de prise de décision de groupe.

Alors que les agents d'IA s'intègrent de plus en plus dans des environnements collaboratifs aux côtés des humains, cette recherche offre un aperçu significatif : les discussions façonnées par la personnalité, y compris l'utilisation judicieuse des interruptions, pourraient finalement produire des résultats supérieurs par rapport aux interactions strictement basées sur les tours et universellement polies. Cette étude ouvre la voie à un avenir où la communication de l'IA est non seulement plus efficace, mais aussi plus nuancée et pertinente.

Agence de presse Ekhbary