Assimiler le zero-shot et le few-shot prompting
Le pouvoir de l'apprentissage en contexte
Vous ouvrez votre interface de messagerie avec une IA générative pour lui confier une tâche complexe de tri de courriels clients. Si vous lui jetez simplement le message en lui disant 'Classe-moi ça', vous risquez d'obtenir une réponse confuse et imprévisible. En revanche, si vous lui fournissez deux exemples de messages déjà triés, le modèle s'adapte immédiatement et reproduit la structure souhaitée à la perfection.
Ce phénomène s'appelle l'apprentissage en contexte (ou in-context learning). Contrairement aux humains, l'IA ne modifie pas sa mémoire à long terme lors de cet échange, mais elle utilise temporairement les informations fournies dans la conversation pour ajuster son comportement. Dans cette leçon, nous allons explorer les trois piliers de cette méthode : le zero-shot, le few-shot et le Chain-of-Thought.
Qu'est-ce que le zero-shot prompting ?
Le zero-shot prompting désigne l'action de formuler une requête à un modèle de langage sans lui fournir aucun exemple de réponse attendue. Le modèle doit s'appuyer exclusivement sur ses connaissances préalables, acquises lors de sa phase d'entraînement, pour comprendre l'instruction et générer le résultat.
Contenu premium
Abonnez-vous ou achetez la formation pour accéder à l'intégralité du contenu.
- Accès illimité à 1700 formations
Je m'abonne
Les bases et la structure technique d'un prompt
Les régimes d'exemples et de logique
Le framework de rédaction et mise en pratique
Je m'abonne
