Accélérez votre apprentissage avec ChatGPT | de Thomas A Dorfer | janvier 2023

Une évaluation subjective de sa capacité à expliquer des concepts complexes de manière claire et concise

Plusieurs semaines se sont maintenant écoulées depuis qu’OpenAI a présenté et publié son nouvel outil, ChatGPT, dans la nature. Il est depuis devenu viral à la fois parmi la communauté de l’IA et le grand public et les conversations avec l’outil ont été largement diffusées sur les réseaux sociaux.

Les pistes que cet outil ouvre, dans pratiquement tous les domaines, sont insondables. Dans cet article, nous explorerons son utilité dans le domaine du développement personnel et de l’apprentissage. Plus précisément, nous explorerons si ChatGPT est capable de décomposer des concepts complexes d’une manière plus compréhensible qui permet un apprentissage plus rapide.

La motivation derrière cet article découle de ma propre découverte que certains concepts, en particulier les algorithmes complexes, sont parfois difficiles à comprendre et les explications dans les manuels ou les articles de revues peuvent souvent être un peu énigmatiques et pleines de mathématiques ou de jargon. ChatGPT semble être un outil approprié qui pourrait être d’une aide précieuse dans ce type de situations.

Choisissons trois concepts qui ne sont pas nécessairement triviaux à comprendre dans le domaine de la science des données et de l’IA :

• Concept 1 : Analyse en composantes principales
• Concept 2 : rétropropagation
• Concept 3 : Soutenir les machines vectorielles

L’analyse en composantes principales, ou ACP, fait partie de ces concepts qui peuvent être un peu difficiles à comprendre au début. Il sert généralement à réduire la dimensionnalité des données complexes et de grande dimension tout en conservant leurs tendances et leurs modèles. Pour ce faire, il transforme les données en un plus petit nombre de dimensions, qui agissent ensuite comme des résumés de caractéristiques.

Voyons comment ChatGPT expliquerait cette méthodologie lorsqu’il serait invité à le faire en termes simples :

C’est une réponse assez claire et succincte qui explique le principe de base de l’ACP et pourquoi cette technique est utilisée. Cependant, un aspect crucial que cette réponse omet est l’algorithme sous-jacent derrière PCA. Jetons un coup d’œil à sa sortie lorsqu’il est spécifiquement invité à expliquer – encore une fois, en termes simples – l’algorithme PCA.

Cela semble être une réponse très raisonnable à notre requête pour une version simplifiée de l’algorithme PCA. Il suppose, cependant, que le demandeur ait des connaissances de base en algèbre linéaire. Cela est évident car il omet les explications de certains concepts mathématiques qu’il mentionne, tels que les vecteurs propres et les valeurs propres. Néanmoins, il indique clairement ce que ces concepts représentent dans le domaine de l’ACP.

Dans l’ensemble, compte tenu de notre requête plutôt rudimentaire pour une explication algorithmique simplifiée de l’ACP, il s’agit d’une réponse très satisfaisante.

La rétropropagation est un algorithme extrêmement populaire et couramment utilisé pour former des réseaux de neurones à anticipation. L’objectif est de minimiser l’erreur entre la sortie réelle et la sortie prévue du réseau via une fonction de perte. Essentiellement, la rétropropagation calcule le gradient de la fonction de perte par rapport à chaque poids en utilisant la règle de la chaîne – un concept emprunté au calcul différentiel qui nous permet de trouver la dérivée d’une fonction composite. Les dégradés sont calculés couche par couche puis itérés vers l’arrière, ou rétropropagépour ajuster les poids des nœuds du réseau afin de minimiser l’erreur.

Voyons maintenant comment ChatGPT expliquerait ce concept :

Encore une fois, c’est une manière très claire et concise d’expliquer un concept assez complexe en termes simples. Bien sûr, il omet quelques détails mathématiques sur l’algorithme, mais encore une fois, nous lui avons demandé une explication simplifiée, qu’il a certainement fournie.

Enfin, examinons dans quelle mesure ChatGPT peut expliquer le concept de machines à vecteurs de support, ou SVM. Les SVM appartiennent à la catégorie supervisée de l’apprentissage automatique et peuvent être utilisées à la fois pour les tâches de classification et de régression. En bref, un SVM prend des données étiquetées et détermine une limite de décision, ou hyperplan, qui sépare le mieux les points de données de différentes classes. La meilleure frontière de décision est celle qui maximise les marges entre les points de différentes classes.

Les SVM sont bien adaptés pour gérer des données non linéaires et de grande dimension. Pour ce faire, ils appliquent le astuce du noyauau cours de laquelle les données sont projetées dans un espace de dimension supérieure où les classes sont linéairement séparables.

Voici comment ChatGPT l’expliquerait :

Une fois de plus, il livre avec succès une description légère, concise et facile à suivre d’un concept plutôt compliqué. Bien que la réponse soit assez courte, elle contient les aspects les plus essentiels des SVM, y compris leur applicabilité, des explications sur la terminologie pertinente et une brève description de l’astuce du noyau.

Bien que ChatGPT semble être un excellent outil pour faciliter et accélérer son propre apprentissage, il y a une mise en garde majeure à laquelle il faut être attentif :

Informations erronées : GPT-3, le modèle de langage qui alimente ChatGPT, a été formé à l’aide de bases de données textuelles sur Internet. Cela comprend 45 téraoctets de données astronomiques recueillies à partir de livres, de textes Web, de Wikipédia, d’articles et d’autres écrits sur Internet. Plus précisément, 300 milliards de mots ont été introduits dans le système. Cela inclut à la fois des informations correctes et incorrectes. Ainsi, il est très possible que ChatGPT renvoie des réponses qui sont en fait tout simplement fausses.

OpenAI aborde également ce problème sur leur Page ChatGPT-FAQ:

ChatGPT n’est pas connecté à Internet et peut parfois produire des réponses incorrectes. Il a une connaissance limitée du monde et des événements après 2021 et peut également produire occasionnellement des instructions nuisibles ou un contenu biaisé.

Nous vous recommandons de vérifier si les réponses du modèle sont exactes ou non. Si vous trouvez qu’une réponse est incorrecte, veuillez fournir ce commentaire en utilisant le bouton « Je n’aime pas ».

Comme nous l’avons vu, ChatGPT peut être un outil extrêmement utile pour décomposer des concepts complexes en blocs d’informations simples et digestes qui sont facilement compréhensibles. Bien que cela puisse certainement aider les gens à accélérer leur parcours d’apprentissage, il ne faut pas faire aveuglément confiance à l’outil avec tout ce qu’il produit. Il est donc recommandé de revérifier les informations avec des sources plus fiables telles que des manuels ou des articles de revues et d’utiliser ChatGPT uniquement comme un outil complémentaire pour faciliter l’apprentissage.