Chargement

Flux de travail de parallélisation

Leçon 613 min
Chargement

Lorsque vous créez des applications d'IA, vous rencontrerez souvent des tâches qui semblent simples mais qui deviennent complexes lorsque vous essayez de tout gérer en une seule requête. Explorons un modèle de flux de travail qui peut vous aider à décomposer des tâches complexes et à obtenir de meilleurs résultats de Claude.

Le problème des requêtes uniques complexes

Imaginez que vous créez une application de sélection de matériaux dans laquelle les utilisateurs téléchargent des images de pièces et obtiennent des recommandations sur le meilleur matériau à utiliser. Votre premier réflexe pourrait être d'envoyer l'image à Claude avec une requête simple lui demandant de choisir entre métal, polymère, céramique, composite, élastomère ou bois.

Page du sélecteur de matériaux avec une zone en pointillés indiquant de déposer une image de votre pièce pour une analyse du meilleur matériau.

Cette approche basique peut fonctionner, mais vous demandez à Claude de faire beaucoup d'analyse sans lui donner de conseils appropriés. Une amélioration naturelle consisterait à étoffer la requête avec des critères détaillés pour chaque type de matériau.

Message utilisateur adressé à Claude : un bloc d'image suivi d'un bloc de texte présentant huit critères pour le métal, puis le début des critères pour le polymère.

Cependant, cela crée un nouveau problème : vous vous retrouvez avec une requête énorme qui peut perturber Claude, car il doit jongler simultanément avec plusieurs analyses complexes. Le modèle peut se laisser distraire en essayant de prendre en compte tous les avantages et inconvénients de chaque matériau en même temps.

Une meilleure approche : la parallélisation

Plutôt que de tout regrouper dans une seule requête, vous pouvez diviser la tâche en plusieurs requêtes spécialisées exécutées en parallèle. Voici comment cela fonctionne :

Quatre requêtes parallèles adressées à Claude, chacune constituée d'un message utilisateur contenant l'image accompagnée des critères pour le métal, le polymère, la céramique ou le composite.

Envoyez la même image à Claude plusieurs fois, mais avec des requêtes spécialisées différentes. Chaque requête se concentre sur l'évaluation de la pièce pour un seul type de matériau :

  • Une requête analyse l'adéquation pour le métal
  • Une autre évalue les options en polymère
  • Une troisième examine les matériaux céramiques
  • Et ainsi de suite pour chaque type de matériau

Chaque requête peut être hautement spécialisée pour son matériau spécifique, en incluant des critères pertinents tels que les exigences de résistance, la tenue à la température ou les contraintes de fabrication.

L'agrégation des résultats

Une fois que vous avez reçu tous les résultats d'analyse individuels, vous effectuez une requête finale à Claude qui fait office d'agrégateur. Cette requête prend toutes les analyses spécialisées et demande à Claude de les comparer et de formuler une recommandation finale.

Les résultats d'analyse du métal, du polymère, de la céramique et du composite alimentent un Claude unique qui fournit la recommandation finale de matériau.

Désormais, Claude n'a plus besoin de comparer les matériaux à partir de zéro. Il peut au contraire se concentrer sur l'évaluation des résultats d'analyse et l'identification de l'option la plus prometteuse, sur la base des évaluations détaillées que vous avez déjà rassemblées.

Le modèle de parallélisation

Cette approche suit un modèle général appelé flux de travail de parallélisation :

Diagramme de flux de travail de parallélisation dans lequel une tâche utilisateur se divise en trois sous-tâches parallélisables alimentant un agrégateur.

  1. Diviser une seule tâche complexe en plusieurs sous-tâches spécialisées
  2. Exécuter les sous-tâches en parallèle (simultanément)
  3. Agréger les résultats ensemble lors d'une étape finale

L'idée clé est que les sous-tâches parallélisées n'ont pas besoin d'être identiques. Chacune peut avoir une requête spécialisée, des outils différents ou des approches uniques adaptées à son objectif spécifique.

Avantages de la parallélisation

Ce modèle de flux de travail offre plusieurs avantages :

  • Attention ciblée : Claude peut se concentrer sur une analyse spécifique à la fois plutôt que de jongler avec plusieurs considérations complexes
  • Optimisation facilitée : vous pouvez améliorer et tester la requête de chaque sous-tâche indépendamment
  • Meilleure évolutivité : l'ajout de nouveaux types de matériaux ou de nouveaux critères ne complique pas les sous-tâches existantes
  • Exécution plus rapide : comme les sous-tâches s'exécutent en parallèle, le temps total est souvent inférieur à celui d'une approche séquentielle

Quand utiliser ce modèle

La parallélisation fonctionne bien lorsque vous avez une tâche complexe qui peut être décomposée en sous-problèmes indépendants. Recherchez les situations où vous demandez à Claude d'envisager plusieurs options, d'effectuer plusieurs types d'analyse ou de gérer différents aspects d'un même problème simultanément.

Ce modèle est particulièrement utile lorsque chaque sous-tâche bénéficie d'une requête spécialisée ou lorsque vous souhaitez garantir une couverture exhaustive des différentes possibilités sans submerger le modèle avec trop de complexité à la fois.