Demander à ChatGPT de faire une synthèse d'un paragraphe - Tutoriel ChatGPT

Il existe un type de prompt que je trouve très intéressant d'un point de vue pratique, puisque ce type de prompt comme nous allons le voir peut trouver des cas d'application dans la vie de tous les jours. Je vais prendre un exemple pour clarifier un peu mes propos, supposons que j'ai un e-mail comme celui-ci, alors on va lire ce message : « Commence par le correctif de l'anomalie A1523. Développe la fonctionnalité de la mise à jour des comptes, crée une nouvelle branche dans le repo sur Azure DevOps. Fais l'intégration de ton code dans l'environnement de recette et appelle Anne pour la tenir au courant une fois que tout ça est fait et n'oublie pas de soumettre ton rapport d'activité à Marc. » Donc ce type de texte, vous avez compris, peut être l'objet d'un message envoyé par par exemple, un manager d'un projet ou développeur de ce même projet. Dans cet e-mail, le développeur a reçu un certain nombre de tâches à accomplir. Je vais lui demander d'analyser ce texte et de réaliser une to do list à partir de ce texte. Donc là, je lui dis tout simplement : « Génère une to do list à partir du paragraphe suivant. » Donc vous avez bien compris, le but c'est que ici, je fournis à ChatGPT un document, ici il s'agit d'un simple message, un simple paragraphe, mais ça aurait pu être un document qui contient des dizaines de pages. J'envoie ça à ChatGPT et dans le cadre d'un document volumineux, je pourrais demander à ChatGPT de l'analyser et d'extraire un contenu bien précis, et non pas tout simplement de faire un résumé ou toute opération de ce type. Je peux envoyer un document à ChatGPT qui contient plusieurs centaines de pages et je vais lui demander de synthétiser le contenu tout en orientant sa synthèse dans un domaine bien particulier. Ici, je lui ai juste envoyé un message tout simple et je lui ai demandé de construire une to do list. Alors, il me dit quoi ? Alors, je vois que ChatGPT me ressort six tâches à accomplir, donc il me dit : Corriger l'anomalie A1523, Développer la fonctionnalité de la mise à jour des comptes, Créer une nouvelle branche dans le repo sur Azure DevOps, Intégrer le code dans l'environnement de recette, Appeler Anne pour la tenir au courant une fois que tout est terminé et puis Soumettre le rapport d'activité à Marc. Donc là, nous constatons déjà que par rapport au paragraphe ici, toutes les tâches ont été détectées et ont été traduites sous forme de tâches dans une to do list. Donc, vous voyez comment je peux utiliser les LLM comme ChatGPT pour réaliser des traitements un peu particuliers sur des documents. Alors je peux aller encore un peu plus loin, je peux demander à ChatGPT la chose suivante : « Peux-tu estimer le temps de réalisation de chacune des tâches de cette to do list ? » Alors, j'envoie ce prompt à ChatGPT et il me dit : « Voici une estimation de temps de réalisation pour chaque tâche de la to do list. » Comment ChatGPT va estimer le temps nécessaire pour réaliser chacune des tâches de cette to do list ? Tout simplement, il va regarder dans toute sa base de connaissances, dans toutes les données sur lesquelles il a été entraîné et puis il va faire une estimation de chacune de ces tâches en fonction de ses connaissances. Dit autrement, il va utiliser son expérience en quelque sorte afin de réaliser cette estimation. Donc pour corriger l'anomalie, là il me dit : « Corriger l'anomalie A 1523. Estimation : 2 à 4 heures. Cela dépend de la complexité de l'anomalie et du temps nécessaire pour identifier et tester la solution. » Donc bien sûr, généralement effectivement quand on corrige des anomalies, ça consiste à apporter des petites modifications à des programmes qui ont été déployés dans un environnement de recette ou même de production et généralement une anomalie, on l'estime en fonction de sa complexité et là en moyenne donc ChatGPT, ce qu'il a retrouvé dans sa base de connaissances, c'est que en moyenne pour corriger une anomalie, il va falloir deux à quatre heures. Après par contre pour le développement d'une nouvelle fonctionnalité, donc la fonctionnalité de la mise à jour des comptes, là il dit Estimation : 1 à 2 jours. Ce qui est cohérent puisque généralement, le développement de nouvelles features dans une application, dans un projet nécessite un peu plus de temps que le simple fait de corriger des anomalies ; bien sûr cela n'est pas une règle, évidemment, il y a des anomalies qui nécessitent parfois un temps beaucoup plus important que le temps nécessaire pour développer une nouvelle fonctionnalité. Et puis, je regarde ici : Créer une nouvelle branche dans Azure Repos, il me dit c'est 15-30 minutes, ce qui est cohérent. Puis après, Intégrer le code dans l'environnement de recette, un à deux heures, effectivement, le fait d'intégrer un nouveau code dans un nouvel environnement peut prendre un peu de temps. On peut rencontrer des anomalies sur des déploiements, etc. Et puis après, pour appeler Anne, 10 à 15 minutes, toujours un temps raisonnable pour ce type de tâches, et puis Soumettre le rapport d'activité à Marc, il dit que c'est 30 minutes à 1 heure ; en effet parce que le fait de soumettre un rapport, souvent on a besoin de préparer le rapport, le rédiger puis de l'envoyer et là, il me donne 30 minutes à 1 heure pour le faire. Donc, Estimation totale : de 2 à 3 jours et il me dit : « Cette estimation peut varier en fonction des difficultés rencontrées et des retours des parties prenantes. » Donc, je vois que ces LLM modernes sont non seulement capables de synthétiser un document en fonction des indications qu'on leur donne, ici je lui donne une indication de synthétiser ce document avec l'indication qui consiste à construire une to do list, donc on peut demander au LLM d'analyser un document, puis extraire pas n'importe quelle information, je vais pas lui demander de tout simplement faire un résumé d'un document, je peux en plus de ça lui donner des indications, des directives pour extraire uniquement des contenus ciblés par rapport à ce que je souhaite faire avec mon document. Et de même ici on peut aller plus loin, on peut même demander à, là, c'est LLM, d'utiliser leur propre base de connaissances, leur propre expérience pour l'appliquer sur nos propres données.