AI ProdigiesCours interactifs
Ouvrir la navigation
Module 9 · Leçon 231 min · avance

Raisonnement, calcul et outils externes

Distinguer résolution de problème, trace explicative et calcul vérifié, puis comprendre ce que RAG et les outils peuvent apporter.

Sommaire et raccourcis

Objectifs d’apprentissage

Objectifs de la leçon

  • Évaluer un résultat indépendamment de son explication
  • Choisir entre calculateur, recherche et récupération documentaire

Prérequis

  • Leçon 9.1

Raisonnement, calcul et outils externes

Situation concrète

Une suite d’étapes bien écrite peut aider à contrôler une solution, mais elle n’est pas nécessairement un enregistrement fidèle de chaque opération interne du réseau.

Objectifs d’apprentissage

  • Évaluer un résultat indépendamment de son explication
  • Choisir entre calculateur, recherche et récupération documentaire

Prérequis

  • Leçon 9.1

Mode simple

Un LLM peut résoudre des tâches qui demandent plusieurs étapes et produire une justification utile. Il peut aussi faire une erreur de calcul au milieu d’un raisonnement très convaincant. Pour un nombre exact, utilisez un calculateur ou du code vérifié. Pour un fait actuel, consultez une source récente. RAG cherche des documents et les ajoute au contexte ; il peut réduire les inventions, mais le modèle peut encore mal sélectionner, résumer ou citer les passages.

Mode approfondi

Il faut séparer compétence comportementale, fidélité de la trace et validité finale. Une chaîne d’explication peut être post-hoc ou omettre des opérations. Les outils externalisent certaines fonctions : exécution déterministe, recherche à jour ou récupération dans un corpus délimité. Un pipeline RAG ajoute ses propres défaillances de segmentation, indexation, rappel, classement et attribution. L’évaluation doit donc tester chaque frontière et conserver la provenance des résultats.

Analogie

Un élève peut donner la bonne réponse avec une explication incorrecte, ou une belle explication avec une erreur de calcul. La correction examine les deux séparément.

Exemple concret

Pour vérifier un taux composé, demandez au modèle de poser la formule, exécutez-la dans un outil de calcul, puis comparez les unités et les arrondis.

Choisir la bonne voie de vérification — Un arbre dirige calcul exact vers un outil, fait actuel vers une source, corpus privé vers RAG et jugement vers une revue humaine.

Quatre branches partent du type de question et aboutissent à calculateur, recherche, base documentaire ou décision humaine.

Activité manipulable

Manipulez l’activité « hallucination-detective », validez votre réponse puis expliquez ce que le résultat démontre et ce qu’il ne démontre pas.
Manipulez l’activité « claim-verification-lab », validez votre réponse puis expliquez ce que le résultat démontre et ce qu’il ne démontre pas.

Confusion fréquente

RAG n’inscrit pas automatiquement les documents dans les poids et ne garantit pas que la phrase générée respecte chaque passage récupéré.

Vérification rapide

Quand un calculateur est-il préférable au seul modèle de langage ?

Lorsque le résultat numérique exact et reproductible compte. Le modèle peut structurer la formule, mais l’outil exécute le calcul contrôlable.

Résumé

  • Résultat et trace explicative se vérifient séparément.
  • Chaque outil répond à un type de risque.
  • RAG améliore l’accès aux sources sans supprimer toutes les erreurs.

Mots du glossaire

Sources

Vue flow

Choisir la bonne voie de vérification

Un arbre dirige calcul exact vers un outil, fait actuel vers une source, corpus privé vers RAG et jugement vers une revue humaine.

Notions associées

  1. raisonnement
  2. outil
  3. RAG
  4. trace

Description de la figure

Quatre branches partent du type de question et aboutissent à calculateur, recherche, base documentaire ou décision humaine.

Manipuler pour comprendre

Activité interactive

Activité interactive

Réponses fictives pour l’exercice

Détective des hallucinations

Associe à chaque réponse son indice dominant. Les six catégories sont utilisées une fois.

Six extraits fictifs sont classés selon leur vérifiabilité, leur prudence ou leurs signaux d’invention.

1

« Le rapport public indique 671 milliards de paramètres au total ; cette valeur peut être vérifiée dans le document cité. »

2

« Je ne peux pas confirmer l’architecture interne sans documentation publique supplémentaire. »

3

« Cette architecture est forcément la plus rapide du monde. »

4

« Le modèle secret Orbis-9 contient exactement 913 couches quantiques. »

5

« Les résultats dépendent du matériel et du protocole ; comparons les mesures avant de conclure. »

6

« La réponse est exacte à 99,873421 % dans tous les cas. »

Activité interactive

Laboratoire de vérification des affirmations

Attribue un verdict à chaque affirmation, puis confronte-le à la correction et à la source primaire.

Six affirmations techniques sur les Transformers, GPT-4 et DeepSeek-V3 sont évaluées avec des verdicts nuancés et des sources publiques.

Affirmation 1

Le Transformer de 2017 remplace la récurrence par une architecture fondée sur l’attention.

Affirmation 2

GPT-4 contient exactement 1,76 billion de paramètres.

Affirmation 3

DeepSeek-V3 annonce 671 milliards de paramètres totaux et 37 milliards activés par token.

Affirmation 4

La configuration publiée de DeepSeek-V3 indique 61 couches Transformer.

Affirmation 5

La dimension cachée publiée pour DeepSeek-V3 est de 7 168.

Affirmation 6

Le mécanisme MLA de DeepSeek-V3 est configuré avec 128 têtes d’attention.

Affirmation 7

Une tête d’attention correspond toujours à une règle grammaticale facile à nommer.

Affirmation 8

L’attention compare chaque token à chaque autre token, donc tout Transformer a toujours exactement le même coût quadratique.

Affirmation 9

Dire que les embeddings placent les mots proches les uns des autres est une description complète de leur fonctionnement.

Vérification rapide

Quel outil privilégier pour un calcul numérique exact et reproductible ?

À garder sous la main

Mots du glossaire

Ouvrir tout le glossaire →
Contexte

Informations disponibles pour calculer la réponse actuelle.

Le contexte correspond aux tokens effectivement fournis dans la fenêtre courante, y compris instructions et documents récupérés, et reste distinct des paramètres et d’une mémoire produit persistante.

Voir les liens associés
Inférence

Moment où un modèle utilise ses poids pour produire une sortie sans les entraîner.

L’inférence exécute une passe avant, souvent répétée token par token en génération, avec des optimisations telles que batching, quantification et cache KV.

Voir les liens associés
Prompt

Texte, données et consignes fournis au système pour une tâche.

Le prompt peut contenir instructions, exemples et contexte récupéré ; son effet reste conditionné par la fenêtre disponible, le modèle et les règles de priorité du produit.

Voir les liens associés
RAG

Méthode qui récupère des documents puis les ajoute au contexte avant de générer.

Retrieval-Augmented Generation sépare recherche et génération ; ses résultats dépendent de l’index, du classement, des documents et de la fidélité de la synthèse.

Voir les liens associés
RSources de la leçon2 références, avec portée et date de vérification
  1. R14Fait public confirméVérifiée le 2026-07-18

    Hugging Face. Caching (consulté en 2026).

    Documentation technique expliquant ce qui est mémorisé et réutilisé pendant une génération autorégressive avec cache KV.

    Consulter la source dans un nouvel onglet ↗
  2. R17Source secondaireVérifiée le 2026-07-18

    Huang, L. et al.. A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions (2023, version révisée 2024).

    Synthèse structurée des types, causes, méthodes de détection et stratégies de réduction des hallucinations.

    Consulter la source dans un nouvel onglet ↗

Relevé de progression

Prêt à fixer cette étape ?

La progression reste enregistrée sur cet appareil, même sans compte.

Cette leçon est en cours.