Un petit "shot" et ça repart

Alors qu’on s’approche tranquillement de la fin de cette série, il me faut te parler du …“Few-Shots prompting“.

Je dis “il faut”, car, avec la technique de la “chaîne de pensée”, c’est l’autre “grande” technique de base pour optimiser les réponses de ChatGPT et compagnie...

Quand un exemple vaut mille mots

Le Few-Shots Prompting (appelé aussi multi-shots, n-shots) , c’est simple : tu donnes au modèle quelques (Few) exemples (Shots) de ce que tu attends.

Et… et c’est tout.

Mais ce "tout" peut faire toute la différence. En donnant au modèle des exemples clairs de ce que tu attends, tu peux améliorer la précision, la cohérence et la qualité de ses réponses.

C’est particulièrement utile pour certain type de tâches. Celles qui nécessitent un format de sortie spécifique par exemple. Ou bien des résultats structurés.

La “difficulté” du few-shot prompting réside dans le choix des exemples. Ces shots (exemples) doivent être :

• Pertinents : en lien direct avec la tâche

• Variés : couvrant différents cas

• Clairs : facilement compréhensibles

Trois à cinq exemples peuvent suffire. Mais, plus la tâche est complexe, plus il faut d'exemples soigneusement choisis.

Illustrons le concept avec ChatGPT-4o.

Zero Shot :

Rédige un objet de mail sur le thème du "Few-Shots Prompting"

→

Invitation à découvrir le "Few-Shot Prompting" : Révolutionner l'apprentissage automatique avec moins de données

Pas terrible. Pour ne pas dire : NUL.

Few-Shots :

Rédige un objet de mail sur le thème du "Few-Shots Prompting". 

Inspire-toi des exemples suivants :

### Exemples

-  C'est quoi un promt ?
-  Le prompt, histoire d'une interaction homme-IA
-  Dis ChatGPT, tu te souviens de moi ?
-  Anatomie d'un prompt
-  La force de l'entraînement. Le poids des mots

→

La puissance du "Few-Shots Prompting" : Quand un exemple vaut mille mots

Tu préfères quel objet de mail ? On est bien d’accord que la 2ème réponse est largemennnnt meilleure, non ?

Note au passage, que dans un usage réel, je n’aurais pas demandé UN objet de mail MAIS 10 ou 25. Générer. Générer. Générer.

Dans l’exemple “Few-Shots“ ci-dessus, je n’ai fourni que des “sorties“ (les objets de mail) comme “shots”. C’est une approche valide. Toutefois, pour certaines tâches, il est + adapté de fournir des paires d’ “entrée/sortie“. Dans notre cas, ici, j’aurais pu donner pour chaque exemple :

• en entrée : un résumé du corps du mail

• en sortie : l’objet du mail

Mon prompt aurait alors pu prendre cette forme :

Ta tâche est de rédiger un objet de mail.

Voici quelques exemples d'objets de mail que j'ai écrit  dans le passé à partir de résumés :
"""
Exemple 1 :
Résumé : Le billet explique les bases du "prompt engineering," c'est-à-dire l'art de formuler des instructions claires, précises et structurées pour interagir efficacement avec des modèles de langage comme ChatGPT. Il propose des exemples pratiques pour débuter et souligne l'importance de bien séparer le contexte, les données et les instructions dans un prompt.
Objet du mail : C'est quoi un promt ?
 
---

Exemple 2 :
Résumé : Le billet explique l'importance de bien comprendre et exploiter les capacités des modèles de langage comme ChatGPT ou Claude, en mettant en avant leur vaste connaissance et leur capacité générative. Il souligne également l'importance d'affiner les prompts et d'évaluer les réponses pour maximiser l'efficacité de l'interaction avec ces modèles.
Objet du mail : Le prompt, histoire d'une interaction homme-IA

---

Exemple 3 :
Résumé : Le billet explique que les modèles de langage comme ChatGPT ne personnalisent pas leurs réponses en fonction des échanges passés, mais se basent uniquement sur la conversation en cours, dans les limites de leur fenêtre contextuelle. Il clarifie également la différence entre le modèle de langage lui-même et l'application ChatGPT, qui peut mémoriser des informations via une fonctionnalité appelée "memory" sans modifier le modèle sous-jacent.
Objet du mail : Dis ChatGPT, tu te souviens de moi ?
"""

Rédige un objet de mail à partir de ce résumé :
"""
Résumé : Le billet explique la technique du "Few-Shots Prompting" qui consiste à fournir au modèle quelques exemples pour améliorer la précision et la qualité des réponses. Il compare cette approche avec le "Zero-Shot Prompting" et illustre l'efficacité des exemples dans la génération de contenu pertinent. 
Objet du mail :

→

Quand quelques exemples changent tout : le "Few-Shots Prompting" expliqué

Hmm. Pas mal cet objet de mail !

Si tu as du mal à trouver des bons exemples, surtout au début, demande à Claude ou ChatGPT, ils sont là pour ça !

Ce qu'il faut retenir :

• Le Few-Shots Prompting permet d'améliorer la précision et la cohérence des réponses des modèles de langage en fournissant quelques exemples pertinents

• Le choix des exemples est crucial : ils doivent être pertinents, variés, et clairs pour maximiser l'efficacité du modèle dans la réalisation de la tâche demandée

Aller + loin :

• Lire le papier : Language Models are Few-Shots Learner