Bard s’améliore en logique et en raisonnement.

'Bard improves in logic and reasoning.'

Deux améliorations de Bard sont lancées aujourd’hui. Tout d’abord, Bard s’améliore dans les tâches mathématiques, les questions de codage et la manipulation de chaînes de caractères. Et il dispose d’une nouvelle fonction d’exportation vers Google Sheets : Ainsi, lorsque Bard génère une table dans sa réponse – comme si vous lui demandez de “créer une table pour les inscriptions bénévoles pour mon refuge animalier” – vous pouvez maintenant l’exporter directement vers Sheets.

Meilleures réponses pour les requêtes de raisonnement et de mathématiques avancées

Une nouvelle technique appelée “exécution de code implicite” aide Bard à détecter les requêtes computationnelles et à exécuter du code en arrière-plan. Par conséquent, il peut répondre de manière plus précise aux tâches mathématiques, aux questions de codage et aux requêtes de manipulation de chaînes de caractères. Ainsi, Bard s’améliorera dans la réponse aux requêtes telles que :

• Quels sont les facteurs premiers de 15683615 ?
• Calculez le taux de croissance de mes économies
• Inversez le mot “Lollipop” pour moi

Creusons un peu plus cette nouvelle capacité et comment elle aide Bard à améliorer ses réponses.

• Cas d’utilisation révolutionnaires de l’IA dans l’industrie logistique.
• Art Généré par l’IA Les Implications et les Débats Éthiques
• 10 erreurs que vous NE DEVRIEZ JAMAIS commettre en Python

Compétences améliorées en logique et raisonnement

Les grands modèles de langage (LLM) sont comme des moteurs de prédiction – lorsqu’ils reçoivent une requête, ils génèrent une réponse en prédisant les mots susceptibles de suivre. Par conséquent, ils ont été extrêmement performants dans les tâches linguistiques et créatives, mais plus faibles dans des domaines tels que le raisonnement et les mathématiques. Pour aider à résoudre des problèmes plus complexes avec des capacités avancées de raisonnement et de logique, se fier uniquement à la sortie des LLM n’est pas suffisant.

Notre nouvelle méthode permet à Bard de générer et d’exécuter du code pour renforcer ses capacités de raisonnement et de mathématiques. Cette approche s’inspire d’une dichotomie bien étudiée dans l’intelligence humaine, notamment couverte dans le livre de Daniel Kahneman “Réfléchir vite et lentement” – la séparation de la pensée “Système 1” et “Système 2”.

• La pensée de Système 1 est rapide, intuitive et sans effort. Lorsqu’un musicien de jazz improvise sur place ou qu’un dactylographe pense à un mot et le voit apparaître sur l’écran, il utilise la pensée de Système 1.
• La pensée de Système 2, en revanche, est lente, délibérée et laborieuse. Lorsque vous effectuez une division longue ou que vous apprenez à jouer d’un instrument, vous utilisez le Système 2.

Dans cette analogie, les LLM peuvent être considérés comme fonctionnant purement sous le système 1 – produisant du texte rapidement mais sans réflexion approfondie. Cela conduit à des capacités incroyables, mais peut être limité de quelques manières surprenantes. (Imaginez essayer de résoudre un problème mathématique en utilisant uniquement le système 1 : vous ne pouvez pas vous arrêter et faire l’arithmétique, vous devez simplement cracher la première réponse qui vous vient à l’esprit.) La computation traditionnelle est étroitement alignée sur la pensée du système 2 : elle est formulée et inflexible, mais la bonne séquence d’étapes peut produire des résultats impressionnants, tels que des solutions à une division longue.

Avec cette dernière mise à jour, nous avons combiné les capacités des LLM (système 1) et du code traditionnel (système 2) pour aider à améliorer l’exactitude des réponses de Bard. Grâce à l’exécution de code implicite, Bard identifie les requêtes qui pourraient bénéficier d’un code logique, l’écrit “sous le capot”, l’exécute et utilise le résultat pour générer une réponse plus précise. Jusqu’à présent, nous avons constaté que cette méthode améliore l’exactitude des réponses de Bard aux problèmes de calcul et de mots basés sur les mathématiques dans nos jeux de données de défis internes d’environ 30 %.

Même avec ces améliorations, Bard ne sera pas toujours exact – par exemple, Bard pourrait ne pas générer de code pour aider à la réponse de la requête, le code qu’il génère pourrait être faux ou Bard pourrait ne pas inclure le code exécuté dans sa réponse. Toutefois, cette amélioration de la capacité à répondre avec des capacités structurées et axées sur la logique est une étape importante vers la rendant encore plus utile. Restez à l’écoute pour plus de détails.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!