C’est samedi et, après avoir fait un millier de choses pendant cette semaine de vacances, dont préparer un réveillon pour 15 personnes, je m’aperçois que je n’ai pas écrit de nouvel article depuis le 1er décembre dernier. Qu’à cela ne tienne, je commence mon processus habituel : rechercher l’actu en data, ia, environnement, low-tech, si possible en Vendée mais pas forcément.
1er écueil : tout le monde est en vacances ou quoi ?
Les actualités en décembre, c’est la rubrique des lutins écrasés, encore plus concernant les sujets qui m’intéressent. A part un énième article sur le Vendée Globe et les capteurs embarqués pour étudier l’océan, il n’y a vraiment rien à se mettre sous la dent. Je passe au niveau France, pas folichon non plus même si l’article du Monde sur les manières dont ils utilisent l’IA est pas mal :
2ème écueil : l’IA m’a ôté l’envie d’écrire un article
Je passe au niveau monde et je reprends espoir en tombant sur cet article qui raconte, pour faire très court, que l’IA (enfin, les algos costauds, pas l’IA générative) prédit que le réchauffement climatique surviendra plus vite que prévu dans toutes les régions du monde étudiées. IA + climat, a priori c’est dans mes cordes. Sauf qu’il s’agit d’un très long article en anglais plutôt technique, qu’il est déjà 21H un samedi soir donc, je l’avoue, je décide d’utiliser l’IA générative pour me faciliter un peu le travail.
Résumer un article scientifique avec ChatGPT
Je demande à ChatGPT 4o de me résumer l’article mais décidément, le résultat est d’une banalité navrante. De deux choses l’une, soit l’article n’est finalement pas du tout intéressant (c’est possible), soit ChatGPT n’arrive pas à trouver les éléments intéressants dedans (et comment le pourrait-il ? Il ne sait pas ce que moi je trouve intéressant ou non, n’oublions pas que ce n’est qu’un algorithme prédictif). En plus, comme je l’ai forcé à respecter une méthodologie précise pour ne pas inventer et pour sourcer toutes ses affirmations, il ne se contente pas de l’article fourni et va chercher des éléments [NON-VÉRIFIÉS] (oui c’est ce que je lui ai dit d’afficher le cas échéant) sur Internet.
Résumer un article complexe avec NotebookLM
Un peu énervée, je passe à l’outil NotebookLM qui, lui, n’ira pas chercher en ligne et se limitera bien à l’article que je lui donne. Il est décidément plus intéressant et me fournit un bon résumé. Malgré tout, l’article ne me passionne toujours pas donc je lui pose quelques questions supplémentaires du genre « donne-moi les chiffres et dates précis inclus dans les nouvelles prévisions et dis-moi en quoi ces prévisions sont différentes des précédentes ». Alors… oui bien sûr… l’IA me répond mais cela fait déjà une heure que je lis des micro-résumés de micro-points dans cet article et je me rends compte… que ça m’a coupé toute envie d’écrire mon propre article.
Alors que je ferme tous les onglets ouverts, je suis assaillie de questions :
- Qu’est-ce qui vient de se passer ?
- Est-ce que le sujet ne m’intéressait pas tant que ça ?
- Est-ce que j’ai renoncé trop tôt ?
- Est-ce que je n’aurais pas dû utiliser l’IA et prendre le temps de lire tranquillement cet article en anglais ?
- Est-ce de la fainéantise totale ? de la fatigue ?
L’IA générative me coupe l’envie d’écrire
Et bien, pour être honnête, ce n’est pas la première fois que ça m’arrive depuis que je teste les outils d’IA générative… L’IA générative semble simplement INCAPABLE de rendre un sujet intéressant, encore moins passionnant ! Et elle peut vous dégoûter du sujet que vous lui avez pourtant vous-même soumis… comme un mauvais professeur peut vous dégoûter d’une matière ou un mauvais journaliste vous désintéresser d’une actualité.
Il y a un second problème avec ce type d’outils. Quand j’étais jeune, j’avais très peur de rater mon train pour aller à la fac de Nantes et j’arrivais à la gare quasiment une heure avant en ayant piqué le premier journal qui me passait sous la main sur la table chez mes parents. Bref, je me suis retrouvée plus d’une fois à lire Le Monde Diplomatique et pour une étudiante en langues, les sujets étaient parfois ardus, surtout parce que je n’avais pas le contexte, je ne suivais pas l’actualité géopolitique depuis des années comme mes parents. On me parlait du conflit israélo-palestinien et je ne savais même pas qui était Yitzhak Rabin ou quand s’était déroulée la guerre des 6 jours. Et bien, cet article à propos de l’IA et du climat, c’était la même chose : le contexte était absent (à part une liste d’auteurs et références longue comme le bras que je n’allais pas aller vérifier une par une).
Car oui, j’ai fini par le lire intégralement pour comprendre pourquoi l’IA m’en avait dégoûté. Le 3ème et dernier problème, c’est le niveau de l’article soumis. Très long, très technique, illustré par des diagrammes complexes, il faudrait environ 20 pages pour le vulgariser et le rendre intéressant pour le grand public et ça, les outils que j’utilise ne savent pas faire, ils résument en 500 à 1000 mots en général, pas plus.
Je joue mon va-tout !
Laissons une dernière chance à l’IA générative sur cet article scientifique. Comme j’utilise Perplexity, je change de modèle et j’utilise mes 10 recherches journalières sur le dernier modèle de raisonnement d’Open AI appelé « O1 ». J’en profite pour passer en recherche « académique ». Voici le prompt utilisé (très basique, j’admets) :
Trouve les éléments intéressants dans cet article et résume-les moi de façon passionnante dans un texte de minimum 1000 mots en français.
Wow ! Quel changement ! D’accord, ce résumé fait plus de 1800 mots mais quelle différence dans la qualité ! Je vois enfin ce que cet article cherche à nous expliquer dès les premiers paragraphes :
Les chercheurs partent d’un constat central : il est indispensable de considérer la “variabilité interne” et les spécificités régionales pour comprendre à quel rythme certaines zones géographiques du globe se réchauffent. Jusqu’à récemment, de nombreuses études se focalisaient plutôt sur les seuils de réchauffement globaux (par exemple, le franchissement du fameux 1,5°C au niveau planétaire). Or, dans la réalité, les régions ne sont pas toutes égales face au changement climatique. Certaines se réchauffent beaucoup plus vite que le reste du globe (c’est le cas, par exemple, de l’Arctique), tandis que d’autres font face à des feedbacks régionaux spécifiques (tels que la rétroaction entre les sols, l’humidité et la température). De plus, les aléas et incertitudes des différents modèles climatiques, conjugués à la variabilité naturelle du climat, rendent difficile l’évaluation exacte des calendriers d’atteinte de ces seuils. C’est dans ce contexte que Barnes et al. 1 proposent une nouvelle méthode basée sur l’apprentissage automatique et le concept de “transfer learning”.
Même le style est différent, moins pompeux et descriptif, plus dynamique.
La clé de voûte de leur approche repose sur l’usage de réseaux de neurones spécifiques à chaque région, plutôt que d’un unique modèle global. Il existe 43 régions définies selon la nomenclature du GIEC (IPCC regions). Les auteurs entraînent donc 43 réseaux de neurones convolutionnels (CNN), chacun étant chargé de prédire le moment où sa propre région dépassera différents seuils de réchauffement.
C’est clair, précis, tout ce que j’aime. Et je confirme, l’article d’origine était parfaitement passionnant, c’est vraiment que les premiers outils IA que j’ai utilisés étaient mal choisis. Et dire que j’ai failli passer à côté !!!
En fait, le texte généré par O1 est tellement bon que je me vois mal le paraphraser dans un article de blog à part entière. Alors je corrige quelques coquilles, j’explique 3 termes restés obscurs, je mets un peu en forme et je vous l’offre ci-dessous avec mes meilleurs vœux pour l’année 2025 😀
Laisser un commentaire