Le Few-shot prompting ou incitation par quelques exemples est une technique d’ingénierie de prompt qui consiste à fournir au modèle d’intelligence artificielle quelques exemples de couples « entrée-sortie » pour lui montrer exactement la tâche qu’il doit accomplir.
C’est l’étape supérieure au Zero-shot prompting, où l’on donne une instruction sans aucun exemple.
Pourquoi utiliser le Few-shot prompting ?
Les modèles de langage (LLM) sont d’excellents prédicteurs statistiques. En leur donnant des exemples, vous :
- Standardisez le format : vous forcez l’IA à répondre avec une structure précise (JSON, tirets, ton spécifique).
- Réduisez les erreurs : vous aidez le modèle à comprendre les nuances complexes qu’une simple description textuelle pourrait manquer.
- Apprenez de nouveaux concepts : vous pouvez lui apprendre une règle métier propre à votre entreprise qu’il ne connaît pas par défaut.
Structure d’un prompt Few-shot
Un bon prompt Few-shot se décompose généralement ainsi :
- L’instruction : « Classe le sentiment des avis clients suivants. »
- Les exemples (les « shots ») :
- Entrée : « Le service était incroyablement lent. »
- Sortie : Négatif
- Entrée : « Une expérience merveilleuse, je reviendrai ! »
- Sortie : Positif
- La nouvelle tâche :
- Entrée : « C’était correct, mais sans plus. »
- Sortie : (L’IA complètera par « Neutre »)
Les limites à connaître
Bien que puissant, le Few-shot prompting a ses contraintes :
- Consommation de tokens : chaque exemple ajouté augmente la longueur de votre prompt, ce qui peut coûter plus cher ou saturer la fenêtre de contexte du modèle.
- Biais d’exemple : si tous vos exemples sont positifs, l’IA aura tendance à répondre positivement même si l’entrée est négative (c’est ce qu’on appelle le « biais de majorité »).
- Inutile pour les tâches simples : les modèles récents (comme Gemini 1.5 Pro ou GPT-4o) sont déjà si performants en « Zero-shot » que les exemples ne sont nécessaires que pour des tâches très spécifiques ou complexes.