Margaret Mitchell : comprendre les choix cachés dans les données des LLM
PROPOS RAPPORTÉS
Margaret Mitchell revient sur les choix de collecte et de conception des grands modèles de langage. Elle explique pourquoi la fluidité de leurs réponses peut encourager des interprétations excessives, et pourquoi les données disponibles ne représentent pas équitablement toutes les langues et populations. L’entretien invite à examiner les sources, le consentement et les effets sociaux des modèles, plutôt qu’à considérer leurs résultats comme neutres.
Synthèse en français, sans citation littérale. Elle ne représente pas l’intégralité de la source.
Crédits et licences
Illustration générée par IA, et non photographie documentaire.
Illustration générée par IA adaptée d’un arrêt sur image du programme BigScience d’AI4LAM avec Margaret Mitchell, CC BY 3.0, via Wikimedia Commons. Style, cadrage, pose et fond modifiés.
Modifications : Transformation cartoon ; posture redressée ; cadrage carré tête-épaules ; haut sombre uni ; suppression du décor de visioconférence ; fond noir et reflets violets. Déclinaisons WebP pour l’affichage web, sans recadrage supplémentaire.
Une illustration éditoriale ne constitue pas un soutien ou une affiliation de la personne représentée à MIND AI THINK TANK.
Les personnes référencées ne sont pas présentées comme membres, partenaires ou soutiens de MIND AI THINK TANK. Leurs interventions sont étudiées comme sources publiques.
D’autres regards sur ces domaines
Des interventions publiques indépendantes, rapprochées par leurs thèmes.
Isaac BayohConcevoir une IA attentive aux langues et aux cultures africaines
Sara HookerSara Hooker : les données des entreprises, un enjeu d’autonomie face à l’IA
Anima AnandkumarAnima Anandkumar : construire une IA adaptée aux phénomènes physiques
Alex KarpAlex Karp : responsabilité, partage des gains et protection des données
