Cette interface, appelée « interface de démonstration polyvalente », permet d’apprendre une tâche en utilisant l’une des trois méthodes : téléopération, kinesthésie ou démonstration naturelle.

Equipée de capteurs et d’une caméra, elle peut s’attacher à divers bras robotiques collaboratifs, offrant ainsi une flexibilité dans la manière dont les utilisateurs peuvent interagir avec le robot.

Lors d’une expérimentation, des experts manufacturiers ont testé l’interface en utilisant les trois méthodes pour enseigner des tâches courantes en milieu industriel.

Les résultats ont montré une préférence pour la méthode de démonstration naturelle.

Alors que les cyberattaques évoluent, l’exploitation de failles logicielles demeure une méthode privilégiée pour infiltrer des systèmes.

Traditionnellement, la création d’exploits nécessitait des compétences pointues en programmation et en systèmes d’exploitation.

Cependant, des chercheurs ont démontré que deux LLM, ChatGPT et Llama 2, pourraient interagir pour générer automatiquement des exploits, même sans expertise profonde préalable.

Dans leurs expériences, les chercheurs ont orchestré des conversations entre les LLM pour analyser des programmes vulnérables, identifier des failles, et finalement produire un code d’exploit fonctionnel pour une attaque de type débordement de tampon.

Bien que les résultats soient préliminaires, ils suggèrent que cette méthode pourrait mener à une automatisation accrue des tests de pénétration et de l’évaluation des vulnérabilités.

Bien que certains puissent générer du code pour traiter des requêtes symboliques, ils manquent souvent de discernement pour choisir le bon type de code ou d’approche.

Pour remédier à ces limitations, des chercheurs du MIT ont développé Codesteer, un assistant LLM plus léger qui guide un modèle plus vaste dans l’alternance entre code et texte afin d’améliorer la précision des réponses.

Codesteer analyse une requête, détermine la méthode la plus adaptée (texte ou code) et génère des suggestions pour corriger les réponses du LLM plus grand jusqu’à ce qu’une solution correcte soit trouvée.

Les tests ont montré une amélioration significative de la précision des tâches symboliques, passant de 53,3 % à 86,4 % en moyenne.

Cette méthode, qui sépare le réglage du modèle principal de la guidance fournie par Codesteer, offre un moyen innovant d’améliorer les performances des LLM dans divers domaines qui nécessitent des compétences de raisonnement avancées.