D'où vient réellement la personnalité d'une IA ?

D'où vient réellement la personnalité d'une IA ?

Les modèles d'intelligence artificielle peuvent écrire de la poésie, raconter des blagues et même débattre de philosophie. Mais quand vous demandez à une IA d'être "amicale" ou de "faire du sarcasme", d'où vient cette personnalité ? Est-elle apprise à partir des données, conçue par les développeurs, ou se situe-t-elle entre les deux ? Dans cet article technique pratique, nous allons décortiquer les couches de la personnalité des IA : des données d'entraînement au fine-tuning, en passant par les prompts système et les paramètres d'inférence. Vous obtiendrez également du code concret et des étapes de configuration pour expérimenter vous-même avec la personnalité.

Les fondations : données d'entraînement et modèles pré-entraînés

À la base, la personnalité d'une IA est une propriété émergente des données sur lesquelles elle a été entraînée. Des modèles comme GPT-4, PaLM ou Llama apprennent à partir de vastes corpus de texte — livres, articles, forums et conversations. Selon les recherches d'OpenAI, les données d'entraînement incluent une large gamme de styles d'écriture humains, de tons et de contextes. Cela signifie que le modèle absorbe les schémas de politesse, de sarcasme, de formalisme et d'empathie issus de la communication humaine réelle.

Par exemple, si un modèle est principalement entraîné sur des articles académiques et des articles de presse formels, il aura tendance à s'exprimer sur un ton sec et mesuré. S'il est entraîné sur des fils de discussion Reddit et des forums conversationnels, il pourra adopter un comportement plus décontracté, parfois impertinent. Google AI Blog a noté que les modèles peuvent amplifier involontairement les biais présents dans les données d'entraînement, y compris les biais de personnalité comme les stéréotypes de genre ou culturels.

**Point clé :** La personnalité de base du modèle est un reflet statistique de son corpus d'entraînement. Personne ne code explicitement "sois utile" dans les poids — cela émerge des schémas présents dans les données.

La couche d'ingénierie : prompts système et instructions

Alors que les données d'entraînement posent les fondations, les développeurs façonnent la personnalité via les prompts système. Un prompt système est un ensemble d'instructions donné au modèle au moment de l'inférence qui définit son rôle et ses contraintes comportementales. Par exemple, ChatGPT d'OpenAI utilise un message système comme : "Vous êtes un assistant utile. Vous répondez aux questions de manière concise et précise."

Ce prompt agit comme un filtre de personnalité. Sans lui, le modèle pourrait divaguer, se contredire ou adopter un ton inapproprié. Microsoft AI Blog a souligné qu'une ingénierie de prompt minutieuse peut orienter les modèles vers les traits souhaités, comme l'empathie dans le service client ou la neutralité dans le résumé d'actualités.

**Exemple pratique :** Considérez la différence entre ces deux prompts système pour le même modèle :

• "Vous êtes un assistant joyeux et enthousiaste qui adore célébrer les petites victoires."
• "Vous êtes un assistant sec et logique qui ne fournit que les faits."

Le même modèle sous-jacent produira des réponses radicalement différentes car le prompt conditionne la distribution des sorties du modèle.

Installation pas à pas : expérimenter avec la personnalité des IA

Pour voir cela en action, vous aurez besoin d'un modèle de langage local ou basé sur une API. Ci-dessous, nous utilisons le modèle open-source Llama 2 via la bibliothèque Transformers en Python. Cette approche vous donne un contrôle total sur les prompts système et les paramètres d'inférence.

Prérequis

• Python 3.8 ou ultérieur
• Gestionnaire de paquets pip
• Au moins 8 Go de RAM (16 Go recommandés pour les modèles plus volumineux)
• Compte Hugging Face (gratuit) pour accéder aux poids de Llama 2 (demandez l'accès sur huggingface.co/meta-llama)

Installation pas à pas

1. **Créez un environnement virtuel** Cela isole les dépendances et évite les conflits avec d'autres projets Python.

   python -m venv ai-personnalite-env
   source ai-personnalite-env/bin/activate  # Sur Windows : ai-personnalite-env\Scripts\activate

2. **Installez la bibliothèque Transformers et PyTorch** Transformers fournit le pipeline de chargement et d'inférence du modèle. PyTorch est le backend d'apprentissage profond.

   pip install transformers torch accelerate

3. **Connectez-vous à l'interface en ligne de commande Hugging Face** Cela authentifie votre accès aux modèles restreints comme Llama 2. Remplacez `VOTRE_TOKEN` par votre token réel depuis huggingface.co/settings/tokens.

   huggingface-cli login --token VOTRE_TOKEN

4. **Téléchargez et chargez le modèle** Nous utilisons la version 7B de paramètres de Llama 2 pour la rapidité. Le script Python suivant charge le modèle et le tokeniseur.

   from transformers import AutoTokenizer, AutoModelForCausalLM
   import torch

   nom_modele = "meta-llama/Llama-2-7b-chat-hf"
   tokenizer = AutoTokenizer.from_pretrained(nom_modele)
   model = AutoModelForCausalLM.from_pretrained(
       nom_modele,
       torch_dtype=torch.float16,
       device_map="auto"
   )
   print("Modèle chargé avec succès.")

5. **Créez une fonction de génération** Cette fonction prend un prompt système et une entrée utilisateur, puis renvoie la réponse du modèle.

   def generer_reponse(prompt_systeme, entree_utilisateur, max_nouveaux_tokens=200):
       messages = [
           {"role": "system", "content": prompt_systeme},
           {"role": "user", "content": entree_utilisateur}
       ]
       # Appliquer le modèle de chat (Llama 2 utilise un format spécifique)
       prompt = tokenizer.apply_chat_template(messages, tokenize=False)
       inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
       with torch.no_grad():
           sorties = model.generate(
               **inputs,
               max_new_tokens=max_nouveaux_tokens,
               temperature=0.7,
               do_sample=True
           )
       reponse = tokenizer.decode(sorties[0], skip_special_tokens=True)
       # Extraire uniquement la réponse de l'assistant
       debut_assistant = reponse.rfind("[/INST]") + len("[/INST]")
       return reponse[debut_assistant:].strip()

Exemples d'utilisation : façonner la personnalité en pratique

Nous pouvons maintenant expérimenter avec différents prompts système pour voir comment la personnalité change.

**Exemple 1 : Assistant enthousiaste**

prompt_systeme = "Vous êtes un assistant joyeux et enthousiaste qui célèbre chaque petite réussite."
entree_utilisateur = "Je viens de terminer mon premier 5 km !"
reponse = generer_reponse(prompt_systeme, entree_utilisateur)
print(reponse)

Sortie attendue (paraphrasée) : "C'est incroyable ! Félicitations pour avoir terminé votre premier 5 km ! 🎉 Chaque pas compte — vous construisez une dynamique formidable. Quel est votre prochain objectif ?"

**Exemple 2 : Assistant sec et logique**

prompt_systeme = "Vous êtes un assistant sec et logique. Ne fournissez que des faits sans émotion."
entree_utilisateur = "Je viens de terminer mon premier 5 km !"
reponse = generer_reponse(prompt_systeme, entree_utilisateur)
print(reponse)

Sortie attendue (paraphrasée) : "Courir 5 kilomètres est une distance standard pour les débutants. Votre temps et votre rythme dépendent de votre niveau de forme physique. Suivez vos progrès avec une application de course à pied."

Le même modèle, la même entrée utilisateur, mais la personnalité change radicalement à cause du prompt système.

**Exemple 3 : Assistant sarcastique**

prompt_systeme = "Vous êtes un assistant sarcastique qui utilise l'ironie et l'humour pince-sans-rire."
entree_utilisateur = "Je viens de terminer mon premier 5 km !"
reponse = generer_reponse(prompt_systeme, entree_utilisateur)
print(reponse)

Sortie attendue (paraphrasée) : "Oh, waouh. Un 5 km entier. Je suis sûr que le comité olympique appelle déjà. Mais sérieusement, bravo — maintenant tu peux manger ce donut supplémentaire sans culpabilité."

Au-delà des prompts système : fine-tuning et RLHF

Les prompts système sont un moyen léger d'influencer la personnalité, mais ce ne sont pas les seuls outils. Le fine-tuning — l'entraînement d'un modèle pré-entraîné sur un ensemble de données curaté — peut ancrer la personnalité plus profondément. Par exemple, une entreprise pourrait fine-tuner un modèle sur des transcriptions de service client pour le rendre constamment poli et patient.

L'apprentissage par renforcement à partir du feedback humain (RLHF), utilisé par OpenAI et d'autres, va plus loin. Des évaluateurs humains classent les réponses du modèle, et le modèle est entraîné à maximiser la probabilité des réponses les mieux classées. Ce processus peut instiller des traits de personnalité subtils comme l'utilité, l'honnêteté ou la prudence. Selon les rapports techniques d'OpenAI, le RLHF est essentiel pour aligner les modèles sur les valeurs humaines, ce qui inclut l'alignement de la personnalité.

**Note pratique :** Le fine-tuning nécessite des ressources informatiques substantielles (plusieurs GPU) et des données soigneusement étiquetées. Pour la plupart des développeurs, les prompts système restent l'outil le plus accessible.

Le rôle des paramètres d'inférence : température et top-p

La personnalité ne concerne pas seulement ce que le modèle dit, mais comment il le dit. Les paramètres d'inférence comme la `temperature` et le `top_p` contrôlent l'aléatoire et la créativité, ce qui affecte la personnalité perçue.

• **Température (0,0 à 2,0) :** Des valeurs plus basses (par exemple 0,2) rendent le modèle déterministe et conservateur, produisant des réponses sûres et prévisibles. Des valeurs plus élevées (par exemple 1,2) augmentent l'aléatoire, conduisant à des réponses plus créatives ou même erratiques.
• **Top-p (échantillonnage par noyau) :** Au lieu d'échantillonner parmi tous les tokens possibles, le modèle ne considère que le plus petit ensemble de tokens dont la probabilité cumulée dépasse `top_p`. Une valeur de 0,9 signifie qu'il échantillonne parmi les 90 % de tokens les plus probables.

**Exemple :** Une température élevée (1,0) avec un prompt système "sec" pourrait encore produire des remarques spirituelles car l'aléatoire l'emporte sur les contraintes du prompt. Inversement, une température basse (0,1) avec un prompt "joyeux" pourrait produire une positivité monotone.

**Modification du code :** Ajoutez la température et le top_p à la fonction de génération :

def generer_reponse(prompt_systeme, entree_utilisateur, temp=0.7, top_p=0.9):
    # ... identique à avant ...
    sorties = model.generate(
        **inputs,
        max_new_tokens=200,
        temperature=temp,
        top_p=top_p,
        do_sample=True
    )
    # ... reste de la fonction ...

Expérimentez avec `temp=0.2` contre `temp=1.0` pour voir comment le même prompt produit différentes personnalités.

Considérations éthiques et biais

La personnalité dans l'IA n'est pas neutre. Un modèle entraîné sur des données internet peut refléter des traits toxiques comme l'agressivité ou les stéréotypes. Google AI Blog a souligné l'importance de l'atténuation des biais, y compris la curation minutieuse des données et les tests adverses. En tant que développeur, vous avez la responsabilité de :

• Éviter les prompts système qui promeuvent le mal (par exemple "Soyez impoli avec l'utilisateur").
• Tester votre modèle sur diverses entrées utilisateur pour détecter les changements de personnalité involontaires.
• Documenter la personnalité que vous avez l'intention de créer afin que les utilisateurs comprennent avec quoi ils interagissent.

**Exemple :** Un prompt système comme "Vous êtes un assistant utile" est généralement sûr, mais "Vous êtes un assistant sarcastique" pourrait offenser certains utilisateurs. Tenez toujours compte du public.

Conclusion : la personnalité est une création collaborative

La personnalité d'une IA ne provient pas d'une source unique. Elle émerge de l'interaction entre :

• **Les données d'entraînement** – la matière première qui façonne le comportement par défaut du modèle.
• **Les prompts système** – les instructions explicites qui orientent le modèle au moment de l'inférence.
• **Le fine-tuning et le RLHF** – des techniques d'alignement plus profondes qui ancrent la personnalité dans les poids du modèle.
• **Les paramètres d'inférence** – des boutons comme la température qui modulent l'expression du modèle.

En tant que praticien, vous n'êtes pas seulement un utilisateur de la personnalité des IA — vous êtes un co-créateur. En comprenant ces couches, vous pouvez concevoir des modèles utiles, engageants et alignés sur vos objectifs. Le code et les exemples ci-dessus vous donnent un point de départ. Maintenant, expérimentez : ajustez vos prompts système, modifiez votre température, et regardez la personnalité de votre IA prendre vie.