Temperature
Aussi : Sampling temperature, Temperature setting, Temperature parameter, Temperature (LLM), Parametre de temperature, Temperatur-Parameter
Un reglage qui controle le caractere aleatoire ou previsible des reponses d'un modele d'IA : bas pour la coherence, haut pour la creativite.
De quoi il s'agit
La temperature est un reglage qui controle la part de hasard qu'un modele d'IA generative utilise pour produire du texte. A chaque etape, le modele dispose d'une liste de mots possibles classes par probabilite. La temperature determine si le modele choisit presque toujours le mot le plus probable ou repartit ses choix vers des options moins evidentes. Une temperature basse (proche de 0) donne un resultat cible et repetitif. Une temperature elevee (au-dessus de 1) donne un resultat plus varie et surprenant, parfois au detriment de l'exactitude.
Pourquoi c'est important
La temperature est l'un des rares leviers d'IA qu'une equipe metier peut ajuster sans reentrainer un modele, et elle influence directement le risque de marque et la qualite. Un chatbot de support repondant a des questions de conformite a besoin d'une temperature basse pour donner la meme reponse fiable a chaque fois, alors qu'un outil de brainstorming de campagne profite d'une temperature plus elevee pour faire emerger des angles neufs. Un mauvais reglage coute cher dans les deux sens : trop bas, le contenu parait robotique et identique d'un client a l'autre ; trop haut, le modele derive vers des propos hors marque ou approximatifs. Un dirigeant qui evalue un fournisseur d'IA devrait demander quelle temperature est configuree et pourquoi.
Comment ça marche
En pratique, la temperature apparait comme un champ numerique dans un appel d'API ou un panneau de reglages, souvent entre 0 et 2. Un responsable marketing utilisant un generateur d'objets d'e-mail peut tester la meme instruction a 0,2, 0,7 et 1,2 pour voir ou la variete culmine avant que la qualite ne chute. La valeur agit avec l'instruction et les autres controles : une instruction precise avec une temperature basse produit des resultats quasi deterministes utiles pour les textes juridiques ou financiers, tandis qu'une instruction plus ouverte avec une temperature moderee convient a l'ideation. Elle ne change pas ce que le modele sait, seulement la maniere dont il selectionne parmi ses predictions. Une pratique courante consiste a garder une temperature basse pour tout ce qui touche au client et aux faits, a l'augmenter pour l'ideation interne, et a documenter la valeur choisie pour reproduire et auditer les resultats.