Comment apprendre à un modèle de langage à écrire de façon indiscernable d’une rédaction humaine

Un prompt comme 'écris comme un journaliste' ne fonctionne pas. C'est la première chose que découvre quiconque essaie d'utiliser des modèles de langage pour générer du contenu pour un média spécifique. Le texte est fluide, grammaticalement correct, parfois même captivant—mais ne sonne pas comme la publication souhaitée. Il sonne comme ChatGPT prétendant être journaliste. Une équipe de développeurs s'est donné pour mission de résoudre exactement ce problème, avec leur analyse technique détaillée apparaissant sur Habr.

L'auteur du post—Lena, pour qui c'est sa première publication sur la plateforme—décrit la tâche avec une honnêteté désarmante. L'objectif n'était pas que le modèle écrive 'bien'. L'objectif était que le texte soit indistinguible de ce qu'a écrit une équipe éditoriale spécifique : un portail de ville spécifique, un canal Telegram spécifique, une publication de niche spécifique. La différence entre ces deux formulations est un gouffre qui engloutit la plupart des tentatives d'automatiser le contenu.

Pourquoi c'est difficile ? Le style d'une publication n'est pas un ensemble de règles qui peuvent être écrites dans un prompt système. C'est des centaines de motifs implicites : longueur des phrases, fréquence des expressions familières, préférence pour certaines constructions syntaxiques, façons caractéristiques de commencer et de terminer les paragraphes, même les 'imperfections' typiques—comme l'habitude d'une équipe éditoriale spécifique d'abuser des tirets ou de mettre des points après chaque élément de liste. Les modèles de langage par défaut moyennent tout cela en un 'texte génériquement bien écrit' qui n'appartient à personne.

L'approche naïve—un prompt détaillé décrivant le style—atteint un plafond presque immédiatement. Vous pouvez écrire : 'utilise des phrases courtes, un ton conversationnel, commence par une question provocante'. Le modèle suivra docilement les instructions, mais le résultat sera une caricature, pas une imitation. C'est comme demander à un acteur de jouer 'une personne triste'—il vous montrera un stéréotype de tristesse, pas une personne triste spécifique. Un prompt stylistique décrit un genre, pas une voix.

L'étape suivante logique est les exemples few-shot, où les modèles reçoivent plusieurs textes exemplaires de la publication cible directement dans le contexte de la demande. Cela fonctionne notablement mieux, mais crée de nouveaux problèmes. La fenêtre de contexte n'est pas infinie, et plus vous chargez d'exemples, moins il reste de place pour la tâche réelle. De plus, le modèle commence à copier des phrases et des faits spécifiques des exemples plutôt que d'abstraire le style. Il mémorise la surface, pas la structure.

La véritable solution fonctionnelle, à laquelle l'équipe arrive, se situe à l'intersection de plusieurs approches. Le fine-tuning sur un corpus de textes de la publication permet au modèle d'absorber des motifs stylistiques au niveau des poids, pas du contexte. Mais il y a aussi des pièges ici : vous avez besoin d'un volume suffisant de données, un filtrage minutieux est nécessaire, et—plus intéressant encore—vous avez besoin de métriques qui mesurent la similitude stylistique, pas seulement la qualité du texte.

Les benchmarks standards comme la perplexité ou le score BLEU sont inutiles ici. L'équipe a développé ses propres métriques, analysant la distribution des longueurs de phrases, la diversité lexicale, la fréquence des marqueurs stylistiques et d'autres paramètres qui ensemble créent une 'empreinte' de la publication.

Ce cas est intéressant non seulement comme un défi technique. Il soulève une question fondamentale sur l'avenir des médias : si un modèle peut être enseigné à imiter un style éditorial indistinguiblement, qu'est-ce que cela signifie pour le concept même de voix éditoriale ? D'une part, c'est un outil de mise à l'échelle puissant—une petite équipe éditoriale peut générer plus de contenu tout en préservant la cohérence stylistique. D'autre part, cela brouille la ligne entre l'authorship et l'imitation. Si un lecteur ne peut pas distinguer le texte d'un modèle du texte d'un journaliste, qui est l'auteur ?

Il y a aussi un côté pratique. Le marché du contenu est déjà inondé de textes AI génériques qui sonnent tous pareil. Les publications capables de maintenir une voix unique—même avec l'aide de modèles finement réglés—obtiennent un avantage compétitif. Le paradoxe est que la technologie qui menace de dépersonnaliser le contenu peut devenir un instrument pour préserver son individualité.

La publication sur Habr est essentiellement la documentation ouverte d'une approche que de nombreuses entreprises médiatiques développent à huis clos. Et c'est précisément cette ouverture qui la rend précieuse. La tâche d'imitation stylistique ne fera que devenir plus complexe à mesure que les publications commenceront à exiger des outils d'IA non seulement de la compétence, mais du caractère. Ceux qui apprendront à résoudre ce problème systématiquement, plutôt que par une réécriture infinie de prompts, établiront la norme de qualité du contenu d'IA dans les années à venir.