Notion · Dialoguer avec un modèle
Few-shot
Une méthode qui montre quelques exemples de ce qui est attendu avant de demander une nouvelle réponse. Elle peut aider à stabiliser le format ou le style d’un travail répétitif.
Comment ça marche
Zero-shot, c’est demander sans montrer. Few-shot, c’est montrer quelques exemples de ce qu’on attend, directement dans la demande : voici une entrée et sa sortie idéale, voici une autre, maintenant fais pareil avec celle-ci. Le modèle repère le motif et le reproduit : le format, le ton, le niveau de détail, la façon de traiter les cas limites.
C’est d’une efficacité remarquable pour tout ce qui est difficile à décrire. Le style d’un compte rendu, la manière de classer des cas ambigus, le format exact d’une fiche, le ton d’une relance : trois exemples disent plus que trois paragraphes. Les exemples se choisissent avec soin, parce que le modèle imite tout, et se gardent dans un gabarit ou une bibliothèque pour servir à chaque fois.
Un exemple concret
Consigne : Classe chaque message client dans une catégorie : Taille, Qualité, Livraison, Service, Autre. Voici trois exemples.
Message : « Le pull est magnifique mais je nage dedans, j’ai pris ma taille habituelle. » Catégorie : Taille.
Message : « Commande reçue avec 10 jours de retard et le colis était ouvert. » Catégorie : Livraison.
Message : « La couture de la manche a lâché au deuxième lavage, et personne ne répond au chat depuis trois jours. » Catégorie : Qualité. (Quand deux sujets apparaissent, on retient celui qui concerne le produit.)
Message à classer : « Le jean est très beau mais la fermeture éclair bloque, et j’ai dû relancer deux fois pour avoir une réponse. »
Le troisième exemple est le plus important : il montre comment trancher un cas double. Sans lui, le modèle hésitait entre Qualité et Service une fois sur trois. Avec, il répond Qualité, de façon stable.
Ce que ça change pour une équipe
- Le format et le ton s’obtiennent du premier coup. Plus besoin de reformuler trois fois : on montre, le modèle suit.
- Les cas limites se règlent par l’exemple. La façon de trancher un cas ambigu, impossible à expliquer en règle, se montre en un exemple.
- Les gabarits se construisent vite. Une consigne courte et trois exemples validés : c’est un gabarit d’équipe, prêt à partager.
- Les résultats deviennent stables. Avec les mêmes exemples, les réponses se ressemblent d’un utilisateur à l’autre.
Les limites et les erreurs fréquentes
- Des exemples imparfaits. Une faute, une approximation dans un exemple, et le modèle la reproduit partout. Chaque exemple se relit comme un modèle à suivre.
- Des exemples tous semblables. Trois cas faciles n’apprennent rien sur les cas difficiles. Varier, et inclure le piège.
- Trop d’exemples. Dix exemples longs, c’est un contexte encombré et une facture qui monte. Trois bons exemples.
- Oublier que les exemples sont lus comme des données. Un exemple qui contient une donnée confidentielle la met dans chaque demande. Les exemples sont anonymisés.
Pour aller plus loin
Les exemples sont fournis dans le contexte, sans modifier les paramètres du modèle. Ils doivent couvrir les cas pertinents, éviter les informations sensibles et être évalués sur des entrées différentes.
Où ça se situe chez Opora
Programme 01 · Mieux utiliserUn usage responsable et sobre de l’IA
Montrer au lieu d’expliquer, avec deux ou trois exemples bien choisis, c’est une des techniques que nous pratiquons sur vos propres documents dans le programme Un usage responsable.
Questions fréquentes
Combien d’exemples faut-il ?
Deux ou trois bien choisis suffisent le plus souvent. Ils doivent couvrir la variété des cas (un simple, un complexe, un piège) et être irréprochables : le modèle reproduit tout, y compris les défauts. Au-delà de cinq ou six, le gain est faible et le coût en tokens monte.
Few-shot ou explication détaillée ?
Les deux se complètent, mais l’exemple gagne souvent. Expliquer un ton ou un format en mots est difficile ; le montrer est immédiat. Une consigne courte plus deux exemples bat une consigne longue sans exemple pour tout ce qui touche à la forme.
Quelle différence avec le fine-tuning ?
Le few-shot met les exemples dans la demande, à chaque fois : rien à installer, effet immédiat, mais des tokens consommés à chaque appel. Le fine-tuning entraîne le modèle sur des centaines d’exemples, une fois : plus de tokens à chaque appel, mais un travail de préparation. Few-shot d’abord ; fine-tuning si le volume le justifie.