Le développement des grands modèles de langage (LLM) et des outils d’IA sophistiqués a déclenché des changements transformateurs dans divers secteurs, notamment dans le marketing. Nous nous sommes habitués à la capacité de l’IA à générer diverses formes de contenu, à synthétiser des articles complexes, à transcrire des fichiers audio et même à produire du code. À mesure que ces modèles progressent, l’introduction du Protocole Contextuel de Modèle (PCM) est sur le point de redéfinir la visibilité dans les recherches et les capacités de l’IA.
Le PCM confère aux LLM et aux systèmes d’IA la capacité de s’interfacer plus efficacement avec les sources de données et les outils externes, offrant aux organisations une nouvelle approche pour fournir un contenu pertinent aux systèmes d’IA et aux utilisateurs finaux. Examinons les subtilités du PCM, ses fonctionnalités et son impact potentiel sur le marketing de recherche.
Comprendre le Protocole Contextuel de Modèle
Le Protocole Contextuel de Modèle (PCM) sert de cadre de protocole ouvert, facilitant les connexions directes entre les systèmes d’IA et les serveurs de données. Cette standardisation de l’échange d’informations fournit un contexte essentiel aux LLM. En permettant aux développeurs de créer des outils et des applications qui s’intègrent de manière transparente aux LLM, le PCM donne accès aux données et aux flux de travail externes grâce à des processus d’intégration rationalisés.
Pour illustrer ce concept, imaginez des LLM comme des bibliothécaires connaissant bien les fonds de leur bibliothèque locale. Ces bibliothécaires possèdent une connaissance exhaustive de la base de données de la bibliothèque et peuvent localiser efficacement les informations dans ses limites. Cependant, leur expertise est limitée aux ressources disponibles dans la bibliothèque locale, ce qui empêche l’accès aux documents ou aux informations situés en dehors de ses murs.
Par conséquent, les visiteurs de la bibliothèque à la recherche d’informations sont limités aux livres et aux ressources contenus dans la base de données de la bibliothèque locale, qui peuvent inclure des informations obsolètes si la collection de la bibliothèque est principalement constituée de publications plus anciennes.
Le PCM permet au bibliothécaire (LLM) d’accéder instantanément à n’importe quel livre dans le monde, fournissant des informations actualisées sur un sujet spécifique directement à partir des sources primaires.
Le PCM permet aux LLM de :
- Accéder sans effort aux données et aux outils directement à partir d’une source désignée.
- Récupérer des informations instantanées et actualisées à partir d’un serveur, éliminant ainsi la dépendance à la seule connaissance pré-entraînée.
- Exploiter les capacités agentiques, telles que la mise en œuvre de flux de travail automatisés et de recherches dans les bases de données.
- Exécuter des actions en se connectant à des outils personnalisés créés par des tiers, des développeurs ou des organisations.
- Fournir des citations précises pour toutes les sources d’information.
- Aller au-delà de la simple récupération de données pour englober des capacités telles que l’intégration aux API d’achat, facilitant ainsi les achats directs par les LLM.
Considérez un scénario d’entreprise de commerce électronique où un LLM pourrait :
- Accéder en toute sécurité à un système d’inventaire interne pour extraire des données en temps réel, y compris les prix des produits.
- Fournir une liste détaillée des spécifications des produits directement à partir de la base de données d’inventaire.
Les LLM peuvent non seulement cibler les utilisateurs à la recherche des dernières chaussures de course saisonnières, mais également faciliter l’achat direct d’une paire au nom de l’utilisateur.
PCM vs. Génération Augmentée par Récupération (RAG)
Bien que le PCM et la Génération Augmentée par Récupération (RAG) visent tous deux à améliorer les LLM en intégrant des informations dynamiques et actuelles au-delà de leur pré-entraînement statique, leurs approches fondamentales de l’accès à l’information et de l’interaction diffèrent considérablement.
RAG Expliqué
Le RAG permet à un LLM de récupérer des informations à travers une série d’étapes :
- Indexation : Le LLM convertit les données externes en une base de données d’incorporation vectorielle, utilisée pendant le processus de récupération.
- Vectorisation : Les requêtes de recherche soumises sont transformées en incorporations vectorielles.
- Processus de récupération : Un récupérateur recherche dans la base de données vectorielle pour identifier les informations les plus pertinentes en fonction de la similitude entre les incorporations vectorielles de la requête et celles de la base de données existante.
- Fourniture de contexte : Les informations récupérées sont combinées à la requête de recherche pour fournir un contexte supplémentaire via une invite.
- Génération de sortie : Le LLM génère une sortie basée sur les informations récupérées et ses connaissances de formation préexistantes.
Fonctionnalité du PCM
Le PCM fonctionne comme une interface universelle pour les systèmes d’IA, standardisant les connexions de données aux LLM. Contrairement au RAG, le PCM adopte une architecture client-serveur, offrant une approche plus complète et transparente de l’accès à l’information grâce au processus suivant :
- Connexion client-serveur : Les applications LLM agissent comme des hôtes, initiant des connexions. Grâce à l’application hôte, les clients établissent des connexions directes avec les serveurs de données, qui fournissent les outils et le contexte nécessaires aux clients.
- Outils : Les développeurs créent des outils compatibles avec le PCM qui exploitent le protocole ouvert pour exécuter des fonctions telles que des appels d’API ou accéder à des bases de données externes, permettant ainsi aux LLM d’effectuer des tâches spécifiques.
- Requêtes des utilisateurs : Les utilisateurs peuvent soumettre des requêtes spécifiques, telles que ‘Quel est le prix de la dernière chaussure de course Nike ?’
- Requête du système d’IA : Si le système d’IA ou le LLM est connecté à un outil ayant accès à une base de données de prix d’inventaire maintenue par Nike, il peut demander le prix de la dernière chaussure.
- Sortie avec des données en direct : La base de données connectée fournit au LLM des données en direct, provenant directement de la base de données de Nike, garantissant ainsi des informations actualisées.
| RAG | PCM | |
|---|---|---|
| Architecture | Système de récupération | Relation client-serveur |
| Comment les données sont accessibles | Récupération via une base de données vectorielle | Connexion avec des outils personnalisés créés par des tiers |
| Capacités de sortie | Informations pertinentes extraites de la base de données. | Sorties et fonctions personnalisées, y compris les capacités agentiques, basées sur les outils. |
| Actualité des données | Dépend du moment où le contenu a été indexé pour la dernière fois. | Actualisées à partir de la source de données en direct. |
| Exigences en matière de données | Doivent être encodées et indexées vectoriellement. | Doivent être compatibles avec le PCM. |
| Précision des informations | Hallucinations réduites grâce aux documents extraits. | Hallucinations réduites grâce à l’accès aux données en direct d’une source. |
| Utilisation des outils et actions automatisées | Impossible. | Peut s’intégrer à tout flux d’outils fourni sur le serveur et effectuer toute action fournie. |
| Évolutivité | Dépend de l’indexation et des limites de la fenêtre. | Peut évoluer facilement en fonction des outils compatibles avec le PCM. |
| Cohérence de la marque | Incohérente car les données proviennent de diverses sources. | Cohérente et forte, car les données approuvées par la marque peuvent être extraites directement de la source. |
Implications pour les spécialistes du marketing de recherche et les éditeurs
Bien qu’Anthropic ait été le pionnier du concept de PCM en novembre, de nombreuses entreprises, dont Google, OpenAI et Microsoft, prévoient d’intégrer le concept de PCM d’Anthropic dans leurs systèmes d’IA. Par conséquent, les spécialistes du marketing de recherche devraient accorder la priorité à l’amélioration de la visibilité du contenu grâce aux outils PCM et envisager les stratégies suivantes :
Collaboration avec les développeurs pour l’intégration
Collaborez avec les développeurs pour explorer des stratégies de fourniture de contenu à forte valeur ajoutée aux utilisateurs tout en fournissant un contexte significatif aux LLM grâce à des outils compatibles avec le PCM. Analysez comment exploiter les capacités agentiques exécutées via le cadre PCM.
Mise en œuvre des données structurées
Les données structurées et les schémas resteront des points de référence essentiels pour les LLM. Utilisez-les pour renforcer la lisibilité machine du contenu fourni via des outils personnalisés. Cette approche améliore également la visibilité dans les expériences de recherche générées par l’IA, garantissant ainsi une compréhension et une présentation précises du contenu.
Maintien d’informations à jour et précises
Étant donné que les LLM se connectent directement aux sources de données, vérifiez que tout le contenu fournit des données pertinentes, actuelles et précises afin de favoriser la crédibilité et d’améliorer l’expérience utilisateur. Pour les entreprises de commerce électronique, cela inclut la vérification des prix, des spécifications des produits, des informations d’expédition et d’autres détails essentiels, en particulier lorsque ces données peuvent être directement présentées dans les réponses de recherche de l’IA.
Souligner la voix et la cohérence de la marque
Un avantage notable de la personnalisation des outils pour le PCM réside dans la capacité d’établir une voix de marque forte et cohérente pour les LLM. Au lieu de s’appuyer sur des informations fragmentées provenant de diverses sources, les outils compatibles avec le PCM permettent de maintenir une voix de marque cohérente en fournissant un contenu faisant autorité directement aux LLM.
Intégrer les outils PCM dans votre stratégie marketing
À mesure que les systèmes d’IA s’adaptent au PCM, les spécialistes du marketing avant-gardistes devraient intégrer ce cadre émergent dans leurs stratégies et favoriser la collaboration interfonctionnelle pour développer des outils qui fournissent un contenu à forte valeur ajoutée aux LLM et engagent efficacement les utilisateurs. Ces outils facilitent non seulement l’automatisation, mais jouent également un rôle crucial dans la définition de la présence de la marque dans les environnements de recherche basés sur l’IA.
Essentiellement, le Protocole Contextuel de Modèle n’est pas simplement une amélioration progressive, mais un changement fondamental dans la façon dont l’IA interagit avec et diffuse les informations. En comprenant et en exploitant le PCM, les spécialistes du marketing peuvent s’assurer que leur contenu reste pertinent, précis et découvrable dans le paysage en évolution rapide de la recherche basée sur l’IA. L’accent mis sur les données structurées, les informations à jour et la cohérence de la marque sera primordial dans cette nouvelle ère, nécessitant une approche proactive et adaptative de la stratégie de contenu et de l’intégration de l’IA. À mesure que le PCM gagne en popularité, l’avantage concurrentiel reviendra à ceux qui adoptent ses capacités et les intègrent de manière transparente dans leurs opérations marketing.