Découvrez Comment Apple Révolutionne l’IA pour Épouser Parfaitement Tous les Styles d’Écriture !

Avec l’augmentation de l’utilisation de l’intelligence artificielle pour des tâches d’écriture telles que la rédaction d’e-mails et des résumés de documents, une frustration commune persiste : les résultats semblent souvent trop génériques. Bien que des modèles comme ChatGPT ou Gemini soient capables de recevoir des instructions détaillées, ils peinent à reproduire le ton ou la voix individuelle des utilisateurs sans un ajustement manuel considérable. Apple propose maintenant une solution.

Dans un nouvel article de recherche (Aligning LLMs by Predicting Preferences from User Writing Samples) qui sera présenté lors de la Conférence Internationale sur l’Apprentissage Automatique (ICML 2025), les chercheurs d’Apple dévoilent une technique nommée PROSE, conçue pour aider les modèles de langage à mieux inférer et adopter les préférences stylistiques uniques d’un utilisateur en apprenant directement de ses échantillons d’écriture passés.

Fonctionnement de PROSE

L’idée principale derrière PROSE (Préférences Raisonnement par Observation et Synthèse d’Exemples) consiste à aller au-delà des techniques d’alignement classiques, comme l’ingénierie des prompts ou l’apprentissage par renforcement à partir 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 d’innombrables brouillons générés par l’IA, PROSE fonctionne en deux étapes :

1. Affinage itératif : L’IA compare en continu ses propres réponses générées avec de véritables exemples fournis par l’utilisateur, ajustant sa « description de préférence » interne jusqu’à obtenir quelque chose qui correspond étroitement au style d’écriture de l’utilisateur.
2. Vérification de la cohérence : Pour éviter de se focaliser sur un seul exemple, qui peut ne pas être représentatif du style d’écriture global de l’utilisateur, l’IA vérifie que toute préférence inférée (par exemple, « utiliser des phrases courtes » ou « commencer par une blague ») est valide à travers plusieurs échantillons d’écriture.

En résumé, PROSE construit un profil de style auto-évolutif, le teste contre plusieurs exemples d’utilisateur, et l’utilise comme base pour les générations futures.

Importance de cette technologie pour Apple

Bien que l’article ne mentionne pas directement les produits ou services d’Apple, le lien est évident. Avec la volonté d’Apple d’approfondir ses fonctionnalités d’assistant personnalisées, des techniques comme PROSE pourraient jouer un rôle majeur dans la création de textes qui résonnent davantage avec chaque utilisateur.

De plus, Apple permet désormais aux développeurs d’accéder directement à ses modèles locaux grâce au nouveau cadre des Foundation Models, facilitant ainsi l’imagination d’un avenir dans lequel toute application pourrait exploiter un assistant d’écriture profondément personnalisé au niveau du système.

Une nouvelle référence également

Dans cette étude, Apple introduit également un nouveau jeu de données de référence appelé PLUME (Préférences Learning à partir d’Utilisateurs Emails et Mémo) pour évaluer des techniques d’alignement de style d’écriture comme PROSE.

Cela remplace un jeu de données précédent (PRELUDE) et vise à corriger des problèmes courants liés aux tests de personnalisation des LLM, tels que des définitions de préférences superficielles ou des tâches non représentatives.

Utilisant PLUME, les chercheurs ont comparé PROSE à d’autres approches, comme une autre méthode d’apprentissage des préférences nommée CIPHER et des techniques d’apprentissage In-context Learning (ICL).

Le résultat ? PROSE surpasse CIPHER de 33 % sur des métriques clés et dépasse même ICL lorsqu’il est associé à des modèles haut de gamme comme GPT-4o.

Fait intéressant, le document suggère également que la combinaison de PROSE avec ICL offre le meilleur des deux mondes, avec une amélioration de jusqu’à 9 % par rapport à ICL seul.

Une tendance plus large : une IA qui s’adapte à l’utilisateur

Le projet PROSE s’inscrit dans une tendance de recherche en IA qui vise à rendre les assistants non seulement plus intelligents, mais aussi plus personnels. Que ce soit par l’affinage sur appareil, la modélisation des préférences ou les prompts contextuels, la course est lancée pour réduire l’écart entre les résultats génériques des LLM et la voix unique de chaque utilisateur.

Bien sûr, une véritable personnalisation s’accompagne également de gros enjeux commerciaux, car elle prépare le terrain pour une fidélisation ultime des utilisateurs sur les plateformes. C’est un sujet à discuter un autre jour.

Qu’est-ce que PROSE ?

PROSE (Préférence Raisonnement par Observation et Synthèse d’Exemples) est une technique permettant aux modèles de langage de mieux comprendre et adopter les préférences d’écriture uniques d’un utilisateur, en apprenant directement à partir de leurs échantillons précédents.

Comment fonctionne PROSE ?

PROSE fonctionne en deux étapes : 1) Raffinement itératif où l’IA compare ses réponses générées avec de vrais exemples de l’utilisateur, et 2) Vérification de la cohérence pour s’assurer que les préférences inférées sont représentatives du style d’écriture global de l’utilisateur.

Pourquoi cela intéresse-t-il Apple ?

Bien que le document ne mentionne pas directement les produits Apple, il est clair que des techniques comme PROSE pourraient jouer un rôle important dans la personnalisation des fonctionnalités d’assistance d’Apple, rendant les textes générés plus adaptés à chaque utilisateur.

Quelle est l’importance de l’ensemble de données PLUME ?

PLUME (Apprentissage des Préférences à partir d’Emails et de Mémos Utilisateurs) est un nouvel ensemble de données présenté par Apple pour évaluer les techniques d’alignement de style d’écriture comme PROSE, remplaçant un ensemble précédent, PRELUDE, et visant à résoudre des problèmes courants dans les tests de personnalisation.