DOI

10.24348/coria.2024.court_13

Cet article aborde les limitations des grands modèles de langage (LLM: large language models) pour la réponse aux questions complexes (CQA: complex question answering) et propose une classification des modèles d’hybridation pour y remédier. Alors que les LLM résolvent bien les questions standards en exploitant les données publiques, ils sont confrontés à différentes limites pour des questions ou des problèmes plus spécifiques, ambiguës et complexes (ex: quelle est la meilleure solution et les alternatives possibles pour un problème écologique, économique ou industriel ?). Des projets récents comme ChatGPT ont démontré publiquement le potentiel important des LLM mais ont aussi mis en évidence leurs limites. Nous passons en revue ces limitations, et proposons une classification de modèles architecturaux LLM hybrides pour les surmonter, les augmenter, pour permettre une résolution de problèmes plus efficace dans des scénarios complexes.