Le few-shot : apprendre par l'exemple

Il arrive un moment où la description ne suffit plus. Vous avez décrit votre style en cinq adjectifs, précisé votre format en huit lignes, et ChatGPT reste à côté. La solution n’est pas de décrire mieux : c’est de montrer. Le few-shot prompting consiste à fournir des exemples du résultat attendu pour que le modèle en extraie le pattern et l’applique. C’est la technique la plus fiable dont vous disposez pour obtenir des sorties régulières d’une fois sur l’autre.

Le principe

« Few-shot » désigne un prompt accompagné de quelques exemples, par opposition au « zero-shot », sans exemple. Vous donnez un, deux ou trois exemples de ce que vous voulez, puis vous demandez la suite sur le même modèle. L’écart se mesure surtout sur les jugements subjectifs, là où la bonne réponse dépend de votre échelle et non d’une vérité universelle. En zero-shot, c’est-à-dire sans aucun exemple, la demande suivante laisse le modèle hésiter entre neutre et négatif : rien ne lui indique si un retard de livraison compte, chez vous, comme un incident ou comme un détail.

Classifie ce commentaire client comme positif, neutre ou négatif :
"La livraison a pris 3 jours de plus que prévu mais le produit est correct."

Les mêmes mots, précédés de quatre exemples calibrés, produisent une classification alignée sur vos critères. Le quatrième exemple est le plus utile de tous : il montre justement qu’une livraison lente n’annule pas un avis satisfaisant.

Classifie chaque commentaire client comme positif, neutre ou négatif.

Exemples :
- "Produit excellent, livraison rapide, je recommande !" -> Positif
- "Le produit fonctionne mais rien d'exceptionnel." -> Neutre
- "Déçu, la qualité ne correspond pas aux photos." -> Négatif
- "Bon rapport qualité-prix, livraison un peu lente." -> Neutre

Maintenant classifie :
- "La livraison a pris 3 jours de plus que prévu mais le produit est correct."

Quand la technique fait la différence

Le few-shot s’impose chaque fois que la consigne est plus facile à montrer qu’à formuler. C’est le cas quand vous voulez que ChatGPT écrive avec votre voix, quand votre format ne correspond à aucun standard existant, ou quand la classification repose sur des critères que vous seriez bien en peine de définir en une règle. Il excelle également sur la conversion de données d’un format vers un autre et sur la production en série, lorsque vingt contenus doivent se ressembler sans se répéter.

Reproduire un style de rédaction

Vos meilleures productions passées constituent le meilleur cahier des charges possible. Les deux descriptions ci-dessous transmettent bien plus qu’un ton : un rythme de phrase court, une ouverture par le bénéfice, un chiffre planté au milieu et une chute concrète sur les usages. Aucun adjectif n’aurait fait passer tout cela.

Voici comment je rédige mes descriptions de produits :

Exemple 1 :
Produit : Casque audio sans fil
Description : Fini les fils qui s'emmêlent. Ce casque Bluetooth
se connecte en 2 secondes, tient 30h sur une charge et isole du bruit
comme si vous étiez seul au monde. Pour le bureau, le train ou le canapé.

Exemple 2 :
Produit : Clavier mécanique compact
Description : 65 touches, zéro compromis. Les switches tactiles
offrent un retour précis sans réveiller les voisins. Le rétroéclairage
RGB se règle en un geste. Compact mais complet, il se glisse
dans n'importe quel sac.

Sur le même modèle, rédige la description pour :
Produit : Souris ergonomique verticale

C’est exactement la manœuvre à tenter sur un contenu que vous produisez chaque semaine. Collez deux de vos meilleures livraisons passées, ajoutez vos notes brutes, et laissez le modèle faire la mise en forme dont vous aviez pris l’habitude de vous charger.

Voici 2 exemples de résumés hebdomadaires que j'envoie à mon manager :

[Collez votre résumé semaine 1]

[Collez votre résumé semaine 2]

En suivant exactement ce format et ce style, rédige le résumé
de cette semaine à partir de ces notes brutes :
[Collez vos notes de la semaine]

Transformer des données

Pour normaliser de l’information désordonnée, montrez le couple entrée / sortie. Le modèle en déduit deux choses à la fois : les champs à extraire, et la façon de traduire une formulation orale en libellé structuré — « pas contre faire du backend de temps en temps » devient une ligne « Polyvalence », ce qu’aucune consigne générale n’aurait obtenu.

Transforme ces descriptions de poste informelles en fiches structurées.

Entrée : "On cherche un dev frontend React, 3-5 ans d'exp, qui connaît
TypeScript et qui est pas contre faire du backend de temps en temps.
Remote OK, entre 45 et 55K."
Sortie :
- Poste : Développeur Frontend
- Stack : React, TypeScript
- Expérience : 3-5 ans
- Polyvalence : Backend occasionnel
- Remote : Oui
- Fourchette : 45-55K EUR

Entrée : "Besoin d'un PM senior pour piloter notre produit SaaS,
idéalement quelqu'un qui a déjà bossé en scale-up, on est à Paris
mais hybride 3j/semaine, budget 65-75K."
Sortie :
- Poste : Product Manager Senior
- Domaine : SaaS
- Expérience : Senior (environnement scale-up)
- Localisation : Paris, hybride 3j/semaine
- Fourchette : 65-75K EUR

Maintenant transforme :
"On a besoin d'un data analyst qui maîtrise SQL et Python, quelqu'un
de junior-mid qui veut monter en compétences sur le ML. Full remote,
35-42K, start ASAP."

Générer du contenu en série

Sur les formats éditoriaux récurrents, un gabarit annoté vaut mieux qu’une description. Le squelette ci-dessous fixe l’ordre des blocs et la longueur de chacun ; les données brutes du cas client n’ont plus qu’à le remplir. Vous obtenez ainsi une série de posts homogènes, publiables sans arbitrage éditorial à chaque fois.

Voici le format de nos posts LinkedIn pour présenter un cas client :

Exemple :
[Emoji pertinent] [Chiffre clé accrocheur]

[Nom du client] avait un problème : [problème en 1 ligne].

En [durée], nous avons mis en place [solution courte].

Résultat :
- [Métrique 1]
- [Métrique 2]
- [Métrique 3]

[Leçon ou takeaway en 1 phrase]

---

Cas à rédiger : notre client DataViz (éditeur de dashboards BI)
avait un taux de churn de 15 %/mois. En 4 mois, nous avons refondu
leur onboarding. Le churn est passé à 6 %, le NPS de 23 à 52,
et le time-to-value de 14 jours à 3 jours.

Combien d’exemples fournir

Un seul exemple, le one-shot, suffit sur un format simple. Deux ou trois couvrent la plupart des tâches courantes, quatre à cinq deviennent utiles quand le pattern est subtil. Au-delà, vérifiez que chaque exemple apporte quelque chose de nouveau : des exemples redondants allongent le prompt sans l’améliorer. Deux qualités priment sur la quantité : la cohérence et la diversité. Des exemples au format hétérogène empêchent le modèle de savoir lequel imiter ; des exemples trop semblables lui font apprendre un cas particulier plutôt que le principe, et il produira alors des variantes du même texte.

Commencer sans exemple

Le centre d’aide et le guide d’OpenAI sur les modèles de raisonnement donnent le même ordre : essayez d’abord sans exemple, puis ajoutez-en si le résultat ne convient pas. Les modèles actuels se passent souvent d’exemples quand la consigne est claire, et un exemple mal choisi peut tirer la réponse dans une direction que vous ne vouliez pas. Le même guide met en garde contre un piège précis : vos exemples doivent correspondre exactement à vos instructions. Si la consigne demande trois puces et que l’exemple en montre cinq, le résultat risque d’être mauvais.

Les exemples contrastés

Sur les tâches de classification ou de notation, incluez des cas limites qui balisent l’échelle et justifiez chaque note entre parenthèses. Le modèle applique ensuite votre barème et non le sien — ici, l’écart entre 3 et 5 tient à la présence d’une preuve chiffrée, ce que la justification rend explicite.

Évalue la qualité de ces accroches commerciales (note de 1 à 5).

1/5 : "Bonjour, nous vendons des logiciels." (trop vague, pas d'accroche)
3/5 : "Vos équipes perdent 5h par semaine sur les tâches admin." (bon angle mais pas de preuve)
5/5 : "Carrefour a réduit ses coûts admin de 34 % en 3 mois. Voici comment." (chiffre, preuve sociale, curiosité)

Maintenant évalue :
"Et si vous pouviez automatiser 80 % de votre reporting ?"

À vous de jouer

Passer du zéro au few-shot. Prenez une tâche de classement ou de rédaction que vous répétez souvent. Lancez-la d’abord sans exemple et notez ce qui ne va pas. Ajoutez ensuite deux exemples tirés de vos meilleures productions, en vérifiant qu’ils respectent exactement votre consigne, puis un cas limite si le classement hésite. Comparez les trois résultats et gardez la version la plus courte qui donne satisfaction.

Sources officielles : Best practices for prompt engineering with the OpenAI API (centre d’aide OpenAI) · Prompt engineering · Reasoning best practices (documentation de l’API OpenAI)

Points clés à retenir

• Le few-shot consiste à montrer quelques exemples pour que ChatGPT reproduise le modèle attendu
• Essayez d’abord sans exemple, puis ajoutez-en si le résultat ne convient pas
• Deux à trois exemples suffisent pour la plupart des tâches ; ils doivent respecter exactement votre consigne
• Utilisez le few-shot pour le style, le format, la classification et la production en série
• Les exemples contrastés, justifiés, calent l’échelle des tâches d’évaluation