Few-shot prompting (guidage par l'exemple)
Le few-shot prompting est une méthode qui consiste à fournir à une intelligence artificielle quelques exemples concrets avant de lui soumettre une tâche.
Le few-shot prompting est une technique qui consiste à présenter à un modèle de langage quelques exemples de paires entrée-sortie avant de lui soumettre la demande finale. Au lieu d'expliquer une consigne complexe de manière purement théorique, vous montrez directement à l'intelligence artificielle le résultat attendu à partir de deux ou trois cas concrets. Cette méthode permet au modèle de saisir immédiatement la structure, le ton et les règles implicites de votre requête.
Dans le monde du travail, cette approche ressemble à l'accueil d'un nouveau collègue dans un bureau ou un atelier : plutôt que de lui faire lire un manuel de procédures de cinquante pages, on lui montre deux dossiers types déjà traités. L'IA applique exactement le même principe en reproduisant la logique observée sur de nouvelles données.
Comment fonctionne l'apprentissage en contexte ?
Le few-shot prompting repose sur l'apprentissage en contexte, ce qui signifie que le modèle ne modifie pas sa mémoire interne permanente. Il utilise simplement les exemples présents dans la fenêtre de discussion pour calibrer son niveau de langage, son vocabulaire et la structure de sa réponse.
Cette technique est particulièrement redoutable pour trois grands types de travaux :
- La classification : trier des messages selon une grille d'analyse précise sans ambiguïté.
- L'extraction de données : récupérer des dates, des montants ou des noms dans un texte brut pour les convertir dans un format standardisé comme une liste ou un tableau.
- La transformation de style : adapter un compte rendu technique pour en faire une note de synthèse accessible à des non-spécialistes.
Un cas concret dans une PME francophone
Imaginons une entreprise de torréfaction artisanale qui possède des boutiques à Liège, à Nantes et à Sherbrooke. Le service client reçoit chaque jour des dizaines de courriels d'avis ou de questions. Pour classer rapidement ces messages entrants, le responsable utilise un prompt few-shot :
Exemple 1 :
Message : "Mon colis envoyé à Namur est arrivé avec un paquet ouvert."
Catégorie : Réclamation livraison
Urgence : Haute
Exemple 2 :
Message : "Bonjour, proposez-vous des moutures adaptées aux cafetières à piston dans votre boutique du quartier Montcalm ?"
Catégorie : Conseil produit
Urgence : Basse
Nouveau message à traiter :
Message : "Votre espresso servi ce matin rue Crébillon à Nantes était excellent, merci à l'équipe !"
Catégorie :
Grâce aux deux premiers exemples, l'IA sait immédiatement quelles étiquettes employer et comment formater sa réponse, sans qu'il soit nécessaire d'interdire les bavardages ou de décrire chaque catégorie pendant des lignes entières.
Les règles pour construire des exemples efficaces
Pour tirer le meilleur parti du few-shot prompting, la qualité de vos démonstrations compte bien plus que leur quantité. Deux exemples parfaits valent souvent mieux que dix cas approximatifs.
Veillez d'abord à la cohérence : si votre premier exemple utilise des puces et le second un paragraphe rédigé, l'IA risque d'hésiter entre les deux présentations. Assurez-vous également de couvrir la diversité de vos besoins. Si vous souhaitez classifier des courriers administratifs dans une commune belge ou québécoise, intégrez au moins un exemple positif, un exemple négatif et un cas neutre pour éviter que le modèle ne développe un biais systématique.
L'erreur classique : surcharger le prompt
Le piège le plus fréquent consiste à multiplier inutilement les exemples. Au-delà de quatre ou cinq illustrations similaires, le gain de précision devient minime et vous consommez de l'espace dans la mémoire immédiate de l'outil. Pire encore, si l'un de vos exemples contient une coquille, une contradiction logique ou une faute de frappe, le modèle risque de reproduire fidèlement cette anomalie dans son résultat final.
Questions fréquentes
Combien d'exemples faut-il fournir dans un prompt few-shot ?
En général, deux à quatre exemples bien choisis suffisent largement pour la plupart des tâches courantes comme la classification ou le formatage.
Quelle est la différence entre zero-shot et few-shot prompting ?
Le zero-shot consiste à donner une instruction directe sans aucun exemple préalable, tandis que le few-shot fournit des cas concrets pour guider la réponse.
Le few-shot prompting entraîne-t-il le modèle pour toujours ?
Non, l'apprentissage se fait uniquement en contexte. Dès que vous ouvrez une nouvelle discussion, le modèle oublie les exemples que vous lui aviez montrés.
