Lancelot

The issue is never the issue, the issue is always the cassage de noix.

Le texte est sympathique mais rien de tout ça n'est nouveau. C'est la même rengaine depuis l'époque de GamerGate il y a plus de 10 ans. Une preuve de plus qu'avoir raison ne veut pas dire gagner la bataille.

J'ai envie de lire Hyperion depuis très longtemps, mais je me dis que pour l'apprécier correctement il faudrait que je lise les Canterbury Tales d'abord.

Comme le nom de la série le suggère, la musique y joue un rôle important (en particulier pour marquer la différence d'époque). La BBC avait les droits et elle s'est fait plaisir.

Malentendu, malentendu... j'ai l'impression qu'il y en a que ça arrange bien de mal entendre. Sinon en ce moment je re-regarde Life On Mars, série british des années 2000 :

Ça m'a l'air à peu près aussi pertinent que le bouquin d'un journaliste de CNN qui essaierait d'analyser Trump.

Mais au final est-ce qu'on ne s'en battrait pas un peu les couilles ? Les gauchos s'entre-dévorent dans leur panier de crabes, très bien.

Le fameux "vibe physics".

lol. lmfao, even.

MS Copilot, basé sur du GPT 5. C'est l'outil approuvé pour usage interne par mon université.

Une réflexion que je me suis faite après ma journée à travailler sur un problème avec un LLM, et je m'excuse d'avance si ça semble être une évidence pour beaucoup d'entre vous, c'est qu'on peut limiter énormément les hallucinations en comprenant les forces du modèle et en n'essayant pas de faire fonctionner à rebrousse-poil. Je m'explique. Mon problème consiste en très gros à générer des listes de nombres avec beaucoup de contraintes. Bien entendu la première approche serait de directement demander au modèle "génère moi une liste de nombre avec tel ensemble de contraintes", mais c'est un échec cuisant : il génère des listes au pif sans stratégie, oublie de les vérifier ou les vérifie à moitié puis abandonne, ou (et c'est le plus grave pour l'utilisateur inattentif) hallucine qu'il les a vérifié. Alors on peut être tenté de continuer dans la même voie mais en complexifiant le prompt, "définis un algorithme de recherche pour générer une telle liste, suis strictement les étapes de cet algorithme sans halluciner, vérifie que la liste créée est correcte à l'aide de tel et tel test"... et ça marchera peut-être avec les modèles les plus performants, mais le résultat reste extrêmement moyen et on se perd dans le micro-management. C'est ce que j'appelais essayer de fonctionner à rebrousse-poil. Je me suis beaucoup amusé à explorer les limites de cette approche en demandant à un modèle de générer des prompts pour un autre et à diagnostiquer les outputs. Maintenant comment sortir de là et utiliser correctement les forces du modèle ? Le modèle est généralement bon pour imaginer une solution au problème (ici pour définir un algorithme qui aboutit à des listes correctes), mais il perd le fil quand il s'agit de l'appliquer. En revanche savez-vous qui ne perdra pas le fil ? Un script en Python. Et il se trouve que le modèle est également bon pour écrire du code. Donc une meilleure stratégie de prompt ressemble plutôt à "écris une fonction en Python qui génère une liste de nombre avec tel ensemble de contraintes, une autre fonction qui diagnostique que les contraintes sont respectées, puis applique ces deux fonctions et donne-moi le résultat".

Dans quel monde doit-on vivre pour avoir l'impression qu'une telle sortie aboutira sur quoi que ce soit de positif ?

Probablement un cas de

Je pense que les textes explicatifs d'installations d'art comptant pour rien se remplacent extrêmement facilement par de l'IA.

Les corrélations c'est toujours de la merde à interpréter.