Cet article étudie l'écart de performance de la personnalisation des LLM entre les données synthétiques et humaines. Il révèle que les données humaines exposent des limitations significatives du système dans l'extraction d'attributs, la pertinence des attributs et la génération de réponses véritablement personnalisées.
Ce travail présente un cadre pour le développement de Grands Modèles Linguistiques Centrés sur l'Humain (HCLLMs), intégrant les perspectives du PNL, de l'IHM et de l'IA responsable. Il soutient la nécessité de prioriser rigoureusement les préoccupations, les préférences et les valeurs humaines à chaque étape du développement des LLMs, plutôt que comme une simple considération post-formation.
L'auteur relate sa transition d'une approche de surveillance réactive et axée sur les données à une gestion plus attentive et alignée sur le rythme du Fuerte Siuntio. Il a compris que la vraie présence et la compréhension de l'histoire des données sont plus importantes qu'un traitement constant.