Les modèles d'IA ont du mal à résoudre des énigmes longues et complexes. Une nouvelle méthode, LEAD, change la donne.

LES LIMITES DES MODÈLES D'IA SUR LES ÉNIGMES COMPLEXES

Les grands modèles de langage (LLMs) comme ceux qu’on utilise dans les chatbots ou les assistants virtuels ont un gros problème : ils ne gèrent pas bien les énigmes qui demandent plusieurs étapes de réflexion. Imagine que tu dois résoudre un casse-tête de 10 cases, mais que chaque erreur te bloque pour la suite. C’est exactement ce qui arrive aux IA. Même si on leur donne des stratégies générales, elles finissent par s’emmêler les pinceaux et ne savent plus revenir en arrière.

LE PIÈGE DU « NON-RETOUR » : POURQUOI LES ERREURS S’ACCUMULENT

Quand une IA décompose un problème en petites étapes, ça peut sembler malin. Mais si elle va trop loin dans cette décomposition, elle crée ce qu’on appelle un « goulot d’étranglement du non-retour ». En gros, certaines étapes sont tellement difficiles que l’IA fait toujours la même erreur dessus. Et comme elle n’a pas assez de contexte pour corriger son tir, elle reste bloquée. Résultat : même une petite faute au début peut faire échouer toute la solution.

Sur des casse-têtes contrôlés, les erreurs se concentrent sur quelques étapes « dures ». Une fois que ces erreurs sont faites, l’IA ne peut plus revenir en arrière.

LA SOLUTION LEAD : UNE NOUVELLE MÉTHODE POUR LES IA

Pour résoudre ce problème, des chercheurs ont inventé une technique appelée LEAD (Lookahead-Enhanced Atomic Decomposition). Le principe ? Au lieu de se concentrer uniquement sur les étapes une par une, LEAD ajoute deux choses :

  • Une validation à court terme : l’IA vérifie si ses premières étapes ont du sens avant de continuer.
  • Un recoupement des résultats : elle compare plusieurs tentatives pour voir où elle a fait des erreurs et les corriger.

Grâce à ça, l’IA garde assez de contexte pour ne pas se perdre, mais assez d’isolation pour éviter les blocages.

DES RÉSULTATS BLUFFANTS : L’IA RÉSOUT DES CASSE-TÊTES IMPOSSIBLES

Avec LEAD, les chercheurs ont testé un casse-tête appelé Checkers Jumping. Sans LEAD, l’IA arrivait à peine à résoudre des versions avec 11 niveaux de difficulté. Avec LEAD, elle a réussi à résoudre des versions bien plus complexes, jusqu’à niveau 13 . C’est un vrai bond en avant pour les modèles d’IA.

L’IA avec LEAD résout des casse-têtes jusqu’à 13 niveaux, contre seulement 11 sans cette méthode.

DÉCOMPOSER POUR MIEUX RÉSOUDRE : LA STRATÉGIE GAGNANTE

Une autre étude récente montre que les IA résolvent mieux les problèmes quand on leur demande de décomposer la tâche en sous-problèmes. Par exemple, au lieu de demander à l’IA de résoudre un problème en une seule fois, on peut lui dire : « D’abord, identifie les étapes clés. Ensuite, résous chaque étape une par une. » Cette méthode donne de meilleurs résultats qu’une approche classique.

ET SI ON APPLIQUAIT ÇA À D’AUTRES PROBLÈMES ?

Les chercheurs explorent aussi d’autres domaines où la décomposition pourrait aider. Par exemple, dans le rendu inverse (un problème où il faut séparer les différentes parties d’une image, comme la lumière, les ombres et les formes), une nouvelle méthode permet d’entraîner l’IA sans avoir besoin de données étiquetées. Ça réduit le besoin de supervision humaine et ouvre la voie à des solutions plus autonomes.

LE FUTUR DE L’IA : VERS DES SOLUTIONS PLUS ROBUSTES

Ces avancées montrent que les IA peuvent devenir bien plus fiables si on leur donne les bons Outils. Que ce soit pour résoudre des énigmes, analyser des images ou même aider dans des tâches quotidiennes, les méthodes comme LEAD ou la décomposition intelligente pourraient changer la donne. L’objectif ? Des IA qui ne se perdent plus dans les problèmes complexes et qui trouvent des solutions plus stables.

Sources :
  • Apple ML Research

L'indépendance de CLODCO est votre garantie.

Pour que l'actualité de l'IA reste sans filtre et sans concession, votre soutien est indispensable. Votre contribution est le seul moteur de notre liberté éditoriale.

Soutenir CLODCO