Few-Shot Prompting
Šiame puslapyje
Apprends par l’exemple
Le few-shot prompting consiste à fournir au modèle un ou plusieurs exemples de la tâche à accomplir avant de soumettre ta demande réelle. Au lieu d’expliquer abstraitement ce que tu attends, tu le lui montres concrètement – tout comme un formateur qui, au lieu de décrire pendant vingt minutes ce qu’est un bon compte-rendu de réunion, distribue deux exemples bien rédigés et laisse les participants les assimiler. Cette technique est l’une des plus efficaces pour obtenir des résultats précis et cohérents avec les modèles Mistral.
Le principe est simple : le modèle s’appuie sur les exemples fournis pour comprendre le format attendu, le ton, le niveau de détail et la logique, puis il reproduit ce schéma pour ta demande. Un exemple bien choisi remplace souvent tout un paragraphe d’explications – et le fait mieux.
Zero-shot, one-shot, few-shot : trois niveaux de guidage
Le vocabulaire du domaine distingue trois variantes selon le nombre d’exemples. En zero-shot, tu donnes une instruction sans aucun exemple et le modèle s’appuie uniquement sur ses connaissances :
Classify the sentiment of this text as positive, neutral, or negative:
"Customer service was responsive but delivery was late."
Le zero-shot fonctionne pour des tâches simples et courantes que le modèle a rencontrées des milliers de fois lors de son entraînement. Pour des tâches spécifiques à ton activité, c’est souvent insuffisant : le modèle classera, mais pas nécessairement selon tes critères.
En one-shot, un seul exemple suffit parfois à guider le modèle. L’exemple montre à la fois le format de sortie et la manière de justifier la réponse :
Classify the sentiment and justify in one sentence.
Example:
Text: "Excellent product, highly recommended!"
Sentiment: positive
Justification: Expression of enthusiasm and explicit recommendation.
To classify:
Text: "Customer service was responsive but delivery was late."
Sentiment:
Justification:
Avec le few-shot, plusieurs exemples réduisent l’ambiguïté et renforcent la cohérence. C’est particulièrement utile lorsque les cas limites abondent – comme cet avis mitigé qui mélange un point positif et un point négatif :
Classify the sentiment and justify in one sentence.
Example 1:
Text: "Excellent product, highly recommended!"
Sentiment: positive
Justification: Expression of enthusiasm and explicit recommendation.
Example 2:
Text: "The price is fair for what it is."
Sentiment: neutral
Justification: Factual evaluation without strong emotion.
Example 3:
Text: "Three weeks of waiting for a defective product."
Sentiment: negative
Justification: Delay issue combined with a quality defect.
To classify:
Text: "Customer service was responsive but delivery was late."
Sentiment:
Justification:
Avec trois exemples couvrant les trois catégories, le modèle a vu à quoi ressemble chaque cas et calibrera sa réponse en conséquence.
Implémenter le few-shot avec l’API Mistral
Dans une invite textuelle, les exemples s’empilent comme ci-dessus. Mais avec l’API, il existe une méthode plus propre : utilise les rôles user et assistant pour créer des échanges artificiels qui servent d’exemples. Tu crées un historique de conversation de toutes pièces où le modèle a « déjà » répondu parfaitement :
messages = [
{
"role": "system",
"content": "You classify customer reviews. Respond only with the indicated format."
},
# Example 1
{
"role": "user",
"content": "Classify: \"Excellent product, highly recommended!\""
},
{
"role": "assistant",
"content": "Sentiment: positive\nJustification: Expression of enthusiasm and explicit recommendation."
},
# Example 2
{
"role": "user",
"content": "Classify: \"Three weeks of waiting for a defective product.\""
},
{
"role": "assistant",
"content": "Sentiment: negative\nJustification: Delay issue combined with a quality defect."
},
# Actual request
{
"role": "user",
"content": "Classify: \"Customer service was responsive but delivery was late.\""
}
]
En passant les exemples sous forme de messages user/assistant, le modèle les traite comme un historique de conversation réussi qu’il doit poursuivre dans la même veine. C’est le schéma à privilégier dès que tu passes à l’échelle de la production : les exemples restent séparés des données, faciles à maintenir et à enrichir.
Quand utiliser le few-shot
Le few-shot excelle dans quatre types de situations. D’abord, la classification personnalisée : lorsque tes catégories ne sont pas standard – par exemple des types de tickets internes spécifiques à ton entreprise – aucune description ne vaut quelques tickets déjà classés. Ensuite, l’extraction de données, lorsque le format de sortie est spécifique à ton organisation. Puis, la rédaction avec un ton particulier : si tu veux que le modèle adopte ton style éditorial, montre-lui deux ou trois de tes propres textes plutôt que d’essayer de décrire ton style avec des adjectifs. Enfin, les tâches ambiguës en général : dès que la description textuelle ne suffit pas à lever les doutes, un exemple tranche la question.
Combien d’exemples fournir
Le nombre optimal dépend de la complexité de la tâche. Pour une tâche simple avec un format clair – classification binaire, extraction d’un seul champ – un ou deux exemples suffisent. Pour une tâche comportant plusieurs catégories ou un format complexe, compte sur trois à cinq exemples, idéalement un par catégorie. Au-delà de cinq, tu entres dans le domaine des tâches très spécifiques ou riches en cas limites à couvrir explicitement.
Garde cependant le coût en tête : chaque exemple consomme des jetons d’entrée, et avec les modèles Mistral, les jetons d’entrée sont facturés. Une invite de classification appelée dix mille fois par jour avec huit exemples redondants coûte significativement plus cher que la même avec trois exemples bien choisis, pour souvent un gain de qualité nul. Trouve le bon équilibre entre précision et efficacité.
Construire de bons exemples
Quelques bonnes pratiques pour conclure. Varie tes exemples pour couvrir différents cas possibles, y compris les cas limites : trois exemples tous positifs n’apprennent rien sur la gestion des avis négatifs. Conserve un format rigoureusement identique d’un exemple à l’autre – la moindre variation de structure sera interprétée comme significative et reproduite. Utilise des exemples réalistes, proches de tes données réelles : un modèle entraîné sur tes vrais avis clients classera mieux tes vrais avis clients que s’il n’a vu que des phrases de manuel. Et place toujours la demande réelle en dernier : le modèle prête plus d’attention au début et à la fin de l’invite.
Svarbiausi punktai
- Le few-shot prompting montre au modèle ce que tu attends par l’exemple
- Utilise les rôles user/assistant pour créer des exemples dans l’API Mistral
- 1 à 5 exemples suffisent dans la plupart des cas
- Varie les exemples pour couvrir différents scénarios, format identique partout
- Le few-shot est idéal pour la classification, l’extraction et la rédaction avec un format spécifique