Cet article propose la Génération Logique Augmentée (GLA), un nouveau paradigme inspiré de la pensée méthodologique de Descartes, pour résoudre le problème des hallucinations qui surviennent lorsque les modèles de langage à grande échelle (MLL) effectuent des tâches à forte intensité de connaissances. La GLA décompose des questions complexes en sous-questions atomiques, ordonnées par dépendances logiques, et les résout séquentiellement, en s'appuyant sur les réponses précédentes pour guider la récupération contextuelle des sous-questions suivantes. De plus, elle intègre un mécanisme de terminaison logique qui interrompt l'inférence lorsqu'une sous-question sans réponse est rencontrée, empêchant ainsi la propagation des erreurs et réduisant les calculs inutiles. Enfin, elle synthétise toutes les sous-solutions pour générer une réponse validée. Les résultats expérimentaux sur quatre jeux de données de référence démontrent que la GLA améliore la robustesse de l'inférence, réduit les hallucinations et aligne l'approche de résolution de problèmes du LLM sur la cognition humaine. Il s'agit d'une alternative raisonnée aux systèmes GLA existants.
