Apple innove avec une nouvelle technique d’IA visant à améliorer la correspondance des styles d’écriture et à optimiser la lisibilité. En s’appuyant sur des algorithmes avancés, la société californienne entend transformer l’expérience utilisateur, renforçant ainsi sa position de leader dans le domaine des technologies numériques et de l’intelligence artificielle.
De plus en plus d’utilisateurs se tournent vers l’intelligence artificielle pour des tâches d’écriture telles que la rédaction d’e-mails et les résumés de documents. Cependant, une frustration commune demeure : la sortie de ces modèles est souvent trop générique. Même lorsque des modèles avancés comme ChatGPT ou Gemini reçoivent des consignes détaillées, ils peinent à capturer le ton ou la voix individuelle de l’utilisateur sans de nombreuses modifications manuelles. Pour remédier à cela, Apple propose une solution innovante.
Dans un nouvel article de recherche intitulé Aligning LLMs by Predicting Preferences from User Writing Samples, qui sera présenté lors de la Conférence Internationale sur l’Apprentissage Automatique (ICML 2025) le mois prochain, les chercheurs d’Apple dévoilent PROSE, une technique conçue pour aider les modèles de langage à grande échelle à mieux comprendre et adopter les préférences d’écriture uniques des utilisateurs en apprenant directement de leurs échantillons d’écriture passés.
Fonctionnement de PROSE
Le concept central derrière PROSE (Préférence Raisonnement par Observation et Synthèse d’Exemples) consiste à aller au-delà des techniques d’alignement typiques actuelles, telles que l’ingénierie des incitations ou l’apprentissage par renforcement basé sur des retours humains. Au lieu de cela, l’IA construit un profil interne et interprétable du style d’écriture réel de l’utilisateur.
Plutôt que de demander à l’utilisateur de fournir manuellement des guides de style ou de modifier de nombreux brouillons générés par l’IA, PROSE fonctionne en deux étapes :
- Affinage itératif : L’IA compare en permanence ses propres réponses générées avec de réels exemples de l’utilisateur, ajustant sa « description de préférence » jusqu’à ce qu’elle produise quelque chose qui correspond étroitement à l’écriture de l’utilisateur.
- Vérification de cohérence : Pour éviter de se concentrer uniquement sur un exemple, qui pourrait ne pas être représentatif du style global d’écriture de l’utilisateur, l’IA vérifie que toute préférence inférée (par exemple, « utiliser des phrases courtes » ou « commencer par une blague ») est valable à travers plusieurs échantillons d’écriture.
En gros, PROSE construit un profil de style auto-évolutif, le teste contre plusieurs exemples d’utilisateur, et utilise cela comme référence pour les générations futures.
Pourquoi cela compte pour l’intelligence d’Apple
Bien que l’article ne mentionne pas explicitement les produits ou services d’Apple, le lien est évident. À mesure qu’Apple s’implique davantage dans des fonctionnalités d’assistant personnalisées, des techniques comme PROSE pourraient jouer un rôle clé dans la rédaction de textes qui semblent plus adaptés à chaque utilisateur.
Avec Apple permettant désormais aux développeurs d’accéder directement à ses modèles locaux grâce à la nouvelle Foundation Models framework, il n’est pas difficile d’imaginer un futur où n’importe quelle application pourrait tirer parti d’un assistant d’écriture profondément personnalisé pour alimenter ses propres outils d’écriture.
Un nouveau repère également
Dans cette étude, Apple introduit également un nouvel ensemble de données de référence appelé PLUME (Préférence Learning à partir des Utilisateurs Emails et Mémos) pour évaluer des techniques d’alignement de style d’écriture telles que PROSE.
Ce nouvel ensemble remplace un précédent (PRELUDE) et vise à corriger des problèmes courants dans les tests de personnalisation des LLM, tels que des définitions de préférence superficielles ou des tâches non représentatives.
En utilisant PLUME, les chercheurs ont comparé PROSE à des approches antérieures, comme une autre méthode d’apprentissage des préférences appelée CIPHER et des techniques d’apprentissage contextuel standards (ICL).
Le résultat ? PROSE a surpassé CIPHER de 33 % sur des indicateurs clés et a même battu ICL lorsqu’il était associé à des modèles haut de gamme comme GPT-4o.
Il est intéressant de noter que le papier suggère également que la combinaison de PROSE avec ICL offre le meilleur des deux mondes, avec jusqu’à 9 % d’amélioration par rapport à ICL seul.
La tendance plus large : IA qui s’adapte à vous
Le projet PROSE s’inscrit dans une tendance plus large de recherche en IA : rendre les assistants non seulement plus intelligents, mais également plus personnels. Que ce soit par le biais d’un ajustement fin sur appareil, de la modélisation des préférences ou de requêtes contextuelles, la course est lancée pour réduire l’écart entre la sortie générique des LLM et la voix unique de chaque utilisateur.
Bien sûr, la véritable personnalisation s’accompagne de lourds enjeux commerciaux, car elle prépare également le terrain pour le verrouillage ultime des plateformes. Mais cela est un sujet à aborder un autre jour.
Qu’est-ce que PROSE ?
PROSE est une technique développée par Apple qui permet aux modèles de langage de mieux comprendre et adopter les préférences d’écriture uniques d’un utilisateur en apprenant directement à partir de ses échantillons d’écriture passés.
Comment fonctionne PROSE ?
PROSE fonctionne en deux étapes : d’abord, il affine itérativement ses réponses en les comparant à des exemples réels de l’utilisateur, puis il vérifie la cohérence pour s’assurer que les préférences inférées sont représentatives du style d’écriture global de l’utilisateur.
Pourquoi cela est-il important pour Apple ?
Cette approche permet à Apple de rendre ses assistants plus personnalisés, en adaptant les textes générés pour qu’ils ressemblent davantage à la voix individuelle de chaque utilisateur, ce qui pourrait améliorer l’expérience globale des utilisateurs.
Qu’est-ce que le jeu de données PLUME ?
PLUME est un nouveau jeu de données introduit par Apple pour évaluer les techniques d’alignement de style d’écriture comme PROSE, remplaçant un précédent jeu de données et corrigeant des problèmes courants liés à la personnalisation des modèles de langage.
