French reliability intro md + json

i18n/fr/docusaurus-plugin-content-docs/current/reliability/_category_.json

@@ -0,0 +1,8 @@
+{
+  "label": "⚖️ Fiabilité",
+  "position": 30,
+  "link": {
+    "type": "generated-index",
+    "description": "Comment rendre les LLM plus fiables"
+  }
+}

i18n/fr/docusaurus-plugin-content-docs/current/reliability/intro.md

@@ -0,0 +1,13 @@
+---
+sidebar_position: 1
+---
+
+# 🟢 Introduction
+
+Ce chapitre couvre comment rendre les complétions plus fiables, ainsi que la manière d'implémenter des contrôles pour assurer la fiabilité des résultats.
+
+Dans une certaine mesure, la plupart des techniques précédemment abordées ont pour but d'améliorer la précision des complétions, et donc leur fiabilité, en particulier l'auto-consistance(@wang2022selfconsistency). Cependant, il existe un certain nombre d'autres techniques qui peuvent être utilisées pour améliorer la fiabilité, au-delà des stratégies de prompting de base.
+
+Les %%LLMs|LLM%% se sont révélés être plus fiables que ce que nous pourrions attendre en interprétant ce qu'un prompt *essaie* de dire lorsqu'ils répondent à des prompts mal orthographiés, mal formulés ou même activement trompeurs(@webson2023itscomplicated). Malgré cette capacité, ils présentent encore divers problèmes, y compris des hallucinations(@ye2022unreliability), des explications erronées avec les méthodes de %%CoT|CoT prompting%%(@ye2022unreliability), et de multiples biais, y compris le biais de l'étiquette majoritaire, le biais de récence et le biais de jeton commun(@zhao2021calibrate). De plus, le CoT en zero-shot peut être particulièrement biaisé lorsqu'il traite de sujets sensibles(@shaikh2022second).
+
+Parmi les solutions courantes à certains de ces problèmes figurent les calibrateurs pour éliminer les biais _a priori_, et les vérificateurs pour évaluer les complétions, ainsi que la promotion de la diversité dans les complétions.