Un nouveau projet « Show HN » analyse la fraîcheur des données d’entraînement de vingt modèles d’intelligence artificielle majeurs, révélant des écarts notables entre leur date de sortie et la limite temporelle de leurs connaissances.
Le site stale.jock.pl, présenté sur Hacker News, compile des informations sur la date de publication et la date de coupure des données d’entraînement pour des modèles comme GPT-4, Claude 3 Opus ou Llama 3. Cette initiative vise à éclairer les utilisateurs sur la pertinence temporelle des informations que ces IA sont capables de traiter.
L’étude montre que même des modèles récents peuvent s’appuyer sur des ensembles de données dont la collecte s’est arrêtée plusieurs mois avant leur lancement public. Cette « obsolescence » des données d’entraînement peut influencer la capacité des IA à fournir des informations à jour sur des événements ou des développements très récents. Comprendre ces limites est essentiel pour évaluer la fiabilité et la pertinence des réponses générées par ces systèmes.
Cette analyse soulève des questions importantes quant à la mise à jour continue des bases de connaissances des intelligences artificielles et leurs implications pour l’accès à l’information la plus récente.
Source : Hacker News (Algolia)