Few-shot : apprends par l'exemple
In questa pagina
Il arrive un moment où la description seule ne suffit plus. Tu as défini ton style avec cinq adjectifs, précisé ton format en huit lignes, et ChatGPT rate toujours la cible. La solution n’est pas de mieux décrire, mais de montrer. Le prompting few-shot consiste à fournir des exemples du résultat attendu pour que le modèle puisse en extraire le motif et l’appliquer. C’est la technique la plus fiable dont tu disposes pour obtenir des résultats cohérents à chaque fois.
Le principe
« Few-shot » désigne une invite accompagnée de quelques exemples, par opposition au « zero-shot » qui n’en contient aucun. Tu fournis un, deux ou trois exemples de ce que tu veux, puis tu demandes au modèle de continuer en suivant ce même schéma. La différence est particulièrement visible sur les jugements subjectifs, où la bonne réponse dépend de ton échelle plutôt que 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 comme un incident ou un détail mineur à tes yeux.
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 tes critères. Le quatrième exemple est le plus utile de tous : il montre précisément qu’une livraison lente n’annule pas un avis satisfait.
Classifie chaque commentaire client comme positif, neutre ou négatif.
Exemples :
- « Excellent produit, livraison rapide, je recommande vivement ! » -> 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 prompting few-shot est essentiel chaque fois qu’une instruction est plus facile à montrer qu’à formuler. Cela s’applique lorsque tu veux que ChatGPT écrive avec ta voix, lorsque ton format ne correspond à aucun standard existant, ou lorsque la classification repose sur des critères que tu aurais du mal à définir en une seule règle. Il excelle également pour convertir des données d’un format à un autre et pour la production en lot, où vingt contenus doivent se ressembler sans se répéter.
Répliquer un style d’écriture
Tes meilleurs travaux passés constituent la meilleure spécification possible. Les deux descriptions ci-dessous en disent bien plus que le ton : rythme de phrase court, ouverture sur un bénéfice, insertion d’un chiffre au milieu et conclusion sur un cas d’usage concret. Aucun adjectif n’aurait pu communiquer tout cela.
Voici comment j'écris mes descriptions de produits :
Exemple 1 :
Produit : Casque sans fil
Description : Dites adieu aux fils emmêlés. Ce casque Bluetooth
se connecte en 2 secondes, tient 30 heures sur une charge et bloque le bruit
comme si vous étiez seul au monde. Parfait pour le bureau, le train ou le canapé.
Exemple 2 :
Produit : Clavier mécanique compact
Description : 65 touches, zéro compromis. Les interrupteurs tactiles offrent
un retour précis sans réveiller les voisins. Le rétroéclairage RGB
s'ajuste d'un seul geste. Compact mais complet, il se glisse
dans n'importe quel sac.
En suivant le même schéma, écris la description pour :
Produit : Souris verticale ergonomique
C’est exactement la manœuvre à essayer sur les contenus que tu produis chaque semaine. Colle deux de tes meilleures livraisons passées, ajoute tes notes brutes, et laisse le modèle gérer le formatage que tu faisais toi-même.
Voici 2 exemples de résumés hebdomadaires que j'envoie à mon manager :
[Colle ton résumé de la semaine 1]
[Colle ton résumé de la semaine 2]
En suivant exactement ce format et ce style, rédige le résumé de cette semaine
à partir de ces notes brutes :
[Colle tes notes de la semaine]
Transformer des données
Pour normaliser des informations désorganisées, montre la paire entrée/sortie. Le modèle en déduit deux choses à la fois : quels champs extraire et comment traduire une formulation familière en étiquettes structurées — « ne mind pas faire un peu de backend occasionnellement » devient une ligne « Polyvalence », ce qu’aucune instruction générale n’aurait pu Achiever.
Transforme ces descriptions de poste informelles en profils structurés.
Entrée : « Recherche dev frontend React, 3-5 ans d'exp, maîtrise
TypeScript et ne mind pas faire un peu de backend occasionnellement.
Télétravail OK, entre 45 et 55K. »
Sortie :
- Rôle : Développeur Frontend
- Stack : React, TypeScript
- Expérience : 3-5 ans
- Polyvalence : Backend occasionnel
- Télétravail : Oui
- Fourchette : 45-55K EUR
Entrée : « Besoin d'un PM senior pour piloter notre produit SaaS,
idéalement quelqu'un ayant travaillé en scale-up auparavant, nous sommes à Paris
mais en hybride 3 jours/semaine, budget 65-75K. »
Sortie :
- Rôle : Chef de Produit Senior
- Domaine : SaaS
- Expérience : Senior (environnement scale-up)
- Localisation : Paris, hybride 3 jours/semaine
- Fourchette : 65-75K EUR
Maintenant, transforme :
« Nous cherchons un analyste de données maîtrisant SQL et Python, quelqu'un
junior-intermédiaire qui souhaite développer des compétences en ML. Entièrement à distance,
35-42K, démarrage ASAP. »
Générer du contenu en lots
Pour les formats éditoriaux récurrents, un modèle annoté vaut mieux qu’une description. Le squelette ci-dessous définit l’ordre des blocs et la longueur de chacun ; les données brutes du cas client viennent simplement le remplir. Tu obtiens une série de publications homogènes, prêtes à être publiées sans débat éditorial à chaque fois.
Voici le format de nos publications LinkedIn présentant un cas client :
Exemple :
[Emoji pertinent] [Chiffre clé accrocheur]
[Nom du client] avait un problème : [problème en une ligne].
En [durée], nous avons mis en place [solution brève].
Résultat :
- [Métrique 1]
- [Métrique 2]
- [Métrique 3]
[Leçon ou enseignement en une phrase]
---
Cas à rédiger : notre client DataViz (éditeur de tableau de bord BI)
avait un taux de churn de 15 %/mois. En 4 mois, nous avons repensé
leur onboarding. Le churn est tombé à 6 %, le NPS est passé de 23 à 52,
et le time-to-value est passé de 14 jours à 3 jours.
Combien d’exemples fournir ?
Un seul exemple — one-shot — suffit pour un format simple. Deux ou trois couvrent la plupart des tâches courantes ; quatre à cinq deviennent utiles lorsque le motif est subtil. Au-delà, vérifie que chaque exemple apporte quelque chose de nouveau : des exemples redondants allongent l’invite sans l’améliorer. Deux qualités comptent plus que la quantité : la cohérence et la diversité. Des exemples dans des formats hétérogènes empêchent le modèle de savoir lequel imiter ; des exemples trop similaires lui font apprendre un cas spécifique plutôt que le principe, et il produira alors des variantes du même texte.
Commencer sans exemples
Le centre d’aide et le guide d’OpenAI sur les modèles de raisonnement donnent le même conseil : essaie d’abord sans exemples, puis ajoutes-en si le résultat n’est pas satisfaisant. Les modèles actuels s’en passent souvent lorsque l’instruction est claire, et un exemple mal choisi peut orienter la réponse dans une direction non souhaitée. Ce même guide met en garde contre un piège spécifique : tes exemples doivent correspondre exactement à tes instructions. Si l’instruction demande trois points à puces et que l’exemple en montre cinq, le résultat risque d’être médiocre.
Exemples contrastés
Pour les tâches de classification ou de notation, inclus des cas limites qui définissent l’échelle et justifient chaque note entre parenthèses. Le modèle applique alors ta grille, pas la sienne — ici, l’écart entre 3 et 5 vient de la présence d’une preuve chiffrée, ce que la justification rend explicite.
Note 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 5 heures par semaine sur des tâches administratives. » (bon angle mais pas de preuve)
5/5 : « Carrefour a réduit ses coûts administratifs de 34 % en 3 mois. Voici comment. » (chiffre, preuve sociale, curiosité)
Maintenant, note :
« Et si vous pouviez automatiser 80 % de votre reporting ? »
À toi de jouer
Passe du zero-shot au few-shot. Prends une tâche de classification ou de rédaction que tu répètes souvent. Exécute-la d’abord sans exemple et note ce qui cloche. Ajoute ensuite deux exemples tirés de tes meilleurs travaux, en vérifiant qu’ils suivent exactement ton instruction, puis ajoute un cas limite si la classification hésite. Compare les trois résultats et conserve la version la plus courte qui te satisfait.
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)
Punti chiave
- Few-shot signifie montrer quelques exemples pour que ChatGPT reproduise le motif attendu
- Essaie d’abord sans exemples, puis ajoutes-en si le résultat n’est pas satisfaisant
- Deux à trois exemples suffisent pour la plupart des tâches ; ils doivent suivre exactement ton instruction
- Utilise le few-shot pour le style, le format, la classification et la production en lot
- Des exemples contrastés et justifiés calibrent l’échelle pour les tâches d’évaluation