La mise à la terre peut généralement être comprise comme « rendre les réponses du modèle aussi basées que possible sur des informations externes vérifiables ». La manifestation la plus courante est que le modèle génère des réponses en combinaison avec des résultats de recherche, des enregistrements de bases de données, des bases de connaissances d’entreprise ou d’autres sources explicites, et ramène ces sources avec elles. Récemment, de nombreux produits de recherche par IA ont mis l’accent sur l’ancrage, répondant essentiellement aux plaintes principales des utilisateurs : ne me donnez pas seulement des réponses qui ressemblent à de vraies réponses, je veux savoir sur quoi vous vous basez.
Sans ancrage, le modèle s’appuie principalement sur des motifs appris pendant l’entraînement pour répondre. L’avantage est que c’est rapide et fluide, mais lorsque le problème concerne la rapidité, des différences de détails ou des faits à longue traîne, il est facile de « le dire de façon très similaire, mais c’est en réalité instable ». L’objectif du grounding est de réduire cette incertitude, permettant au modèle d’abord de s’engager avec des matériaux externes plus proches du problème actuel, puis d’organiser la réponse en fonction de ce matériau.
Beaucoup assimilent l’ancrage au RAG, et cette compréhension n’est qu’à moitié juste. RAG est une implémentation de mise à la terre très courante, mais la mise à la terre est plus large. Vous utilisez Google Search, des bases de données d’entreprise, des tables structurées, des résultats de retour d’API et des résultats de web scraping pour contraindre le modèle, qui est en réalité un grounding. L’accent ne porte pas sur le terme technique utilisé, mais sur la question de savoir si la réponse est plus clairement « mise en œuvre » sur la base de preuves externes.
Pourquoi est-ce devenu un mot à la mode ? Parce que la recherche IA est passée de « puis-je répondre » à « j’ose y croire ». Surtout dans des situations telles que la recherche, la recherche, le shopping, les informations médicales et les enquêtes sur les politiques, les utilisateurs ne se satisfont pas d’un résumé complet, mais souhaitent rapidement voir les preuves, la provenance et l’entrée pour poursuivre la vérification. L’ancrage est exactement ce que représente cette couche de besoins.
Cependant, l’Ancrage ne devrait pas non plus être divinisé. Premièrement, avoir une source ne signifie pas que la source est fiable. Les pages web elles-mêmes peuvent être obsolètes, unilatérales, voire mal copiées les unes des autres. Deuxièmement, même si le modèle obtient la source, il peut citer de façon incomplète, assembler le mauvais contexte ou mélanger plusieurs sources en une seule conclusion. Troisièmement, si la phase de recherche elle-même est biaisée, la réponse fondée n’est que « plus de biais ancré ».
Ainsi, pour juger si un système fondé est bon ou non, il ne faut pas seulement examiner s’il existe des liens de citation, mais aussi trois éléments : si la source est réelle et cliquable, si la citation correspond à la conclusion précédente, et si le lien de recherche couvre autant que possible les informations clés. De nombreux produits mettent désormais l’accent sur « apporter des réponses sources », ce qui est en réalité une compétition pour la crédibilité, pas seulement la capacité d’écriture.
En résumé, au lieu de transformer soudainement un modèle en une base de données de faits, Grounding lui donne une emprise du monde réel. Cela devient de plus en plus important car la recherche par IA ne consiste plus seulement à résumer mieux que quiconque, mais à donner aux utilisateurs la confiance nécessaire pour prendre des décisions en fonction de cela.
