Cas d'usage concrets pour les sorties prédites
Op deze pagina
Trois familles de cas d’usage
Le fil conducteur de ces trois familles est simple : les sorties prédites sont rentables lorsque la majeure partie du résultat est connue à l’avance. La nature de la tâche — code, texte ou modèle — importe moins que la proportion du résultat que vous pouvez fournir en tant que prédiction. Avec 90 % de contenu inchangé, le gain est spectaculaire ; à 30 %, il devient négligeable, quel que soit le cas d’usage.
Gardez ce ratio à l’esprit lorsque vous explorez les trois familles ci-dessous. Elles représentent des scénarios où ce ratio est naturellement élevé. Dans cette leçon, vous découvrirez des exemples concrets pour chaque catégorie, ainsi que des modèles que vous pourrez répliquer dans vos propres applications.
Cas d’usage 1 : Édition de code
C’est l’adéquation la plus naturelle, car le code maximise mécaniquement le ratio : renommer une variable dans un fichier de 500 lignes laisse 498 lignes strictement identiques. Vous partez d’un fichier source existant et souhaitez apporter une modification ciblée. Le modèle n’a besoin de régénérer que les lignes modifiées.
Renommer une variable
existing_code = """
def calculate_total(items):
tax_rate = 0.20
subtotal = sum(item.price for item in items)
tax = subtotal * tax_rate
total = subtotal + tax
return total
"""
prompt = (
"Rename the variable 'tax_rate' to 'vat_rate' throughout this code. "
"Reply with only the modified code."
)
response = client.chat.complete(
model="codestral-latest",
messages=[
{"role": "user", "content": prompt},
{"role": "user", "content": existing_code}
],
prediction={"type": "content", "content": existing_code}
)
Le modèle sait que la structure du code reste identique. Il ne recalcule que les jetons affectés par le renommage.
Modifier une importation ou une dépendance
existing_code = """
from flask import Flask, request, jsonify
from flask_cors import CORS
app = Flask(__name__)
CORS(app)
@app.route('/api/predict', methods=['POST'])
def predict():
data = request.get_json()
result = model.predict(data['input'])
return jsonify({'prediction': result})
"""
prompt = (
"Migrate this code from Flask to FastAPI. "
"Keep the same business logic. "
"Reply with only the code."
)
response = client.chat.complete(
model="codestral-latest",
messages=[
{"role": "user", "content": prompt},
{"role": "user", "content": existing_code}
],
prediction={"type": "content", "content": existing_code}
)
Cas d’usage 2 : Édition de texte
Le texte suit la même logique que le code, avec une nuance importante : les modifications de texte sont souvent moins localisées qu’il n’y paraît. Changer un chiffre dans un rapport peut déclencher la réécriture de la phrase qui le commente, du paragraphe de résumé et de la conclusion. Le gain est réel, mais mesurez-le sur vos documents réels plutôt que de supposer qu’il égale celui observé avec le code.
Mettre à jour une section d’un rapport
report = """
# Q4 2025 Quarterly Report
## Executive Summary
Revenue reached €2.3M in Q4 2025, up 15%
from Q3. Operating margin stands at 22%.
## Sales Performance
The sales team signed 47 new contracts, including 12 key accounts.
Average deal size grew 8% to €49,000.
## Q1 2026 Outlook
We anticipate 10% growth driven by the launch of the
Enterprise product and expansion into the German market.
"""
prompt = (
"Update this report for Q1 2026 with the following data: "
"Revenue = €2.7M (+17%), margin = 24%, 53 new contracts, "
"average deal size = €51,000 (+4%). "
"For the Q2 outlook, mention expansion into the Benelux region. "
"Keep the exact same structure."
)
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{"role": "user", "content": prompt},
{"role": "user", "content": report}
],
prediction={"type": "content", "content": report}
)
Cas d’usage 3 : Remplissage de modèles
Lorsque vous disposez d’un modèle fixe où seules quelques valeurs changent, la prédiction est quasi parfaite :
email_template = """
Hello {name},
Following up on our conversation on {date}, I confirm the following points:
1. The {project} project will start on {start_date}
2. The team will consist of {num_people} people
3. The estimated budget is €{budget} (excl. tax)
I remain at your disposal for any questions.
Best regards,
{signatory}
"""
# Partially fill the template for prediction
prediction = email_template.replace("{name}", "Mr. Dupont")
prediction = prediction.replace("{signatory}", "Marie Martin")
prompt = (
"Complete this email with the following information: "
"date = March 28, 2026, project = Cloud Migration, "
"start_date = April 15, 2026, num_people = 5, "
"budget = 85,000."
)
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{"role": "user", "content": prompt},
{"role": "user", "content": prediction}
],
prediction={"type": "content", "content": prediction}
)
Mesurer les gains réels
Pour évaluer l’efficacité des sorties prédites pour votre cas d’usage, comparez systématiquement les exécutions avec et sans prédiction :
import time
# Without prediction
start = time.time()
resp_normal = client.chat.complete(
model="mistral-large-latest",
messages=messages
)
time_normal = time.time() - start
# With prediction
start = time.time()
resp_predicted = client.chat.complete(
model="mistral-large-latest",
messages=messages,
prediction={"type": "content", "content": predicted_content}
)
time_predicted = time.time() - start
gain = (1 - time_predicted / time_normal) * 100
print(f"Without prediction: {time_normal:.2f}s")
print(f"With prediction: {time_predicted:.2f}s")
print(f"Latency gain : {gain:.1f}%")
Le gain varie selon le pourcentage de contenu correctement prédit. Pour une modification de 5 % dans un fichier de 500 lignes, attendez-vous à une réduction de la latence de 60 % à 80 %.
Belangrijkste punten
- L’édition de code (renommage, migration, refactoring léger) est le cas d’usage principal
- L’édition de texte (rapports, documents) bénéficie d’une structure stable
- Les modèles avec quelques valeurs dynamiques offrent le meilleur rapport gain/effort
- Mesurez toujours le gain réel dans votre contexte avant de déployer en production