Dans le monde moderne, l'intelligence artificielle est devenue un compagnon familier pour répondre aux questions, qu'il s'agisse de planifier un voyage ou de rédiger un courriel. Dans le domaine de la santé et de la nutrition, les gens se tournent de plus en plus vers les chatbots pour obtenir des conseils sur quoi manger ou comment perdre du poids. Cependant, un écart important subsiste entre une réponse générique et une réponse qui aide véritablement un individu. Une recommandation qui ignore l'âge, le poids, les antécédents médicaux et les habitudes quotidiennes d'une personne est fondamentalement différente d'un plan personnalisé. Bien que de nombreux outils actuels tentent de personnaliser les conseils en collant simplement le profil d'un utilisateur dans une requête, ils échouent souvent à véritablement comprendre les détails avant de parler. Cela laisse un vide structurel critique : l'ordinateur voit les données, mais il ne s'arrête pas pour analyser ce que ces données signifient pour la personne spécifique qui pose la question.

Des chercheurs de l'Université ITMO à Saint-Pétersbourg ont développé une nouvelle méthode pour combler ce fossé, visant à rendre les conseils nutritionnels plus sûrs et plus utiles. Ils appellent leur approche PA-CoT, qui signifie Profile-Adaptive Chain-of-Thought (Chaîne de pensée adaptée au profil). Au lieu de se précipiter pour générer une réponse, cette méthode force l'intelligence artificielle à faire un pas en arrière délibéré et à analyser le profil de l'utilisateur comme une tâche distincte et dédiée. Considérez cela comme un médecin qui lit le dossier d'un patient et note les problèmes clés avant de parler au patient, plutôt que d'essayer de déterminer le diagnostic tout en parlant. Les chercheurs ont testé cette idée par rapport à onze autres méthodes courantes de prompting d'IA, en utilisant un nouvel ensemble de 200 scénarios de consultation nutritionnelle réalistes. Leurs conclusions montrent qu'en séparant l'analyse des données de l'utilisateur de la génération des conseils, le système produit des recommandations nettement plus personnalisées et plus sûres que celles produites par les méthodes standards.

Le cœur de cette nouvelle méthode réside dans la façon dont elle structure le processus de réflexion. Dans les approches traditionnelles, une IA reçoit une question et un bloc de texte contenant le profil de l'utilisateur, puis tente de répondre à tout en même temps. Les chercheurs ont constaté que cela conduit souvent l'IA à omettre des détails cruciaux ou à proposer des conseils génériques qui pourraient être dangereux. PA-CoT modifie le flux de travail en le décomposant en étapes distinctes. Premièrement, le système analyse le profil de l'utilisateur pour identifier les points les plus critiques que la réponse doit aborder. Il examine des valeurs spécifiques, telles que l'âge, le poids et les objectifs alimentaires, et détermine exactement ce que la réponse doit couvrir. Cette étape crée une feuille de route claire pour l'étape suivante. Ce n'est qu'une fois cette analyse terminée que l'IA génère la réponse réelle, en utilisant la feuille de route pour s'assurer que chaque élément de donnée pertinent est tissé dans le conseil. Enfin, une troisième étape fait office de contrôle de sécurité, examinant la réponse générée pour s'assurer qu'elle ne contient aucune recommandation nocive et qu'elle inclut les avertissements nécessaires pour les groupes vulnérables.

Pour tester si cette étape supplémentaire faisait réellement une différence, l'équipe a créé un nouveau benchmark appelé QPA, qui signifie Question-Profile-Answer (Question-Profil-Réponse). Ils ont construit ce jeu de données à partir de milliers de questions médicales réelles trouvées sur des forums en ligne, en les filtrant pour ne garder que celles liées à la nutrition. Pour chaque question, ils ont extrait les détails du profil de l'utilisateur, tels que son âge, son poids et ses objectifs de santé, créant ainsi un ensemble structuré de 200 cas de test. Ces cas ont été conçus pour imiter des situations réelles où les données peuvent être incomplètes, comme c'est souvent le cas dans les applications de santé réelles. Les chercheurs ont ensuite confronté leur méthode PA-CoT à une large gamme d'autres techniques, y compris le prompting standard, des méthodes qui tentent d'affiner les réponses par répétition, et des systèmes automatisés qui optimisent la manière dont les questions sont posées. Chaque réponse a été évaluée par un juge IA avancé selon quatre critères : si les conseils étaient factuellement corrects, s'ils couvraient toutes les parties de la question, à quel point ils utilisaient le profil spécifique de l'utilisateur, et s'ils étaient sûrs.

Les résultats ont été clairs et décisifs. PA-CoT a obtenu le score moyen le plus élevé parmi les douze méthodes testées. Plus important encore, elle a mené la danse dans les deux domaines qui comptent le plus pour les conseils de santé : la personnalisation et la sécurité. La méthode a obtenu un score nettement plus élevé en personnalisation que son concurrent le plus proche, avec un écart si important que les intervalles de confiance statistiques ne se chevauchaient pas. Cela signifie que l'amélioration n'était pas un coup de chance, mais un résultat constant. De même, elle a obtenu le score le plus élevé sur la sécurité, garantissant que les conseils sont exempts de recommandations nocives. Les chercheurs ont constaté que d'autres méthodes complexes, qui tentaient d'optimiser automatiquement le prompt ou d'affiner la réponse par de multiples itérations, n'étaient pas aussi performantes. En fait, certaines de ces approches plus compliquées ont obtenu des scores de personnalisation inférieurs à ceux des méthodes simples. Cela suggère que ajouter de la complexité ne mène pas automatiquement à de meilleurs résultats ; au contraire, la clé était le choix architectural spécifique consistant à analyser le profil de l'utilisateur avant de générer la réponse.

L'une des découvertes les plus frappantes fut la façon dont la méthode gérait l'équilibre entre l'utilité et la sécurité. Dans de nombreuses tentatives précédentes, rendre une IA plus personnalisée la rendait souvent plus risquée, car le système pouvait essayer trop durement de s'adapter aux données de l'utilisateur et suggérer accidentellement quelque chose de dangereux. PA-CoT a résolu cela en séparant les tâches. L'étape qui crée les conseils personnalisés se concentrait entièrement sur l'utilisation des données de l'utilisateur, tandis qu'une étape distincte se concentrait entièrement sur la sécurité. Cela a permis au système d'être hautement adapté sans compromettre la sécurité. Par exemple, dans un cas de test impliquant un adolescent essayant de perdre du poids, le système a correctement identifié que l'âge et le poids de l'utilisateur étaient des facteurs critiques et a généré un plan respectant ces limites, tout en signalant la nécessité d'une supervision médicale professionnelle. En revanche, d'autres méthodes donnaient souvent des conseils génériques ignorant l'âge de l'utilisateur ou omettaient les avertissements de sécurité nécessaires.

Les chercheurs ont également exploré la quantité de données nécessaire pour que le système fonctionne efficacement. Ils ont découvert que même lorsque le profil de l'utilisateur était incomplet, avec de nombreux champs marqués comme inconnus, la méthode fonctionnait toujours bien. Elle pouvait identifier quelles informations manquaient et, dans le cadre d'un produit réel, pouvait être conçue pour poser des questions de suivi à l'utilisateur pour combler ces lacunes. Dans l'étude actuelle, le système travaillait avec les données fixes disponibles, mais l'architecture était construite pour gérer la nature dynamique des conversations réelles. Le coût de l'utilisation de cette méthode a également été pris en compte ; bien qu'elle nécessite plus d'étapes de traitement informatique qu'une réponse simple en une seule étape, le coût supplémentaire est minime par rapport au gain significatif de qualité et de sécurité.

Ce travail met en lumière un changement fondamental dans la façon dont l'intelligence artificielle peut être appliquée à des domaines sensibles comme la santé. Il démonte que la façon dont un modèle est incité à réfléchir est tout aussi importante que le modèle lui-même. En traitant le profil de l'utilisateur non pas comme un bloc de texte statique mais comme un sujet d'analyse dédiée, les chercheurs ont créé un système qui respecte l'individualité de la personne demandant de l'aide. L'étude ne prétend pas que ce système remplace les médecins ou les diététiciens professionnels ; les auteurs déclarent explicitement qu'il s'agit d'un prototype de recherche et qu'un déploiement dans le monde réel nécessiterait une validation par des experts humains. Cependant, les résultats fournissent des preuves solides qu'une approche de raisonnement structurée en plusieurs étapes peut considérablement améliorer la qualité des conseils générés par l'IA. Alors que l'intelligence artificielle s'intègre de plus en plus dans la vie quotidienne, des méthodes comme celle-ci offrent une voie vers des outils qui sont non seulement intelligents, mais aussi réfléchis, sûrs et véritablement utiles pour les personnes qui en ont le plus besoin.