Blog›Guides

Few-Shot vs Zero-Shot Prompting expliqué : Guide pour débutants

Découvrez la différence entre le prompting few-shot et zero-shot, quand utiliser chacun, et comment créer des exemples efficaces pour de meilleurs résultats d'IA.

Lorsque vous commencez à travailler avec de grands modèles de langage comme GPT-4 ou Claude, vous remarquez rapidement que la façon dont vous formulez une demande change drastiquement la réponse. Deux techniques fondamentales - le prompting zero-shot et few-shot - sont la base de presque toutes les stratégies avancées. Ce guide explique les deux, les compare, et vous montre exactement quand utiliser laquelle.

Qu'est-ce que le Prompting Zero-Shot ?

Le prompting zero-shot consiste à donner au modèle une tâche sans aucun exemple. Vous décrivez simplement ce que vous voulez, et le modèle utilise ses connaissances pré-entraînées pour répondre.

Exemple de zero-shot :

Classifiez le sentiment de cet avis : "La batterie dure éternellement et la caméra est nette." Sortie 'positif' ou 'négatif'.

Le modèle comprend l'instruction et renvoie 'positif' - aucun exemple nécessaire. Le zero-shot fonctionne car les LLM modernes sont entraînés sur des ensembles de données massifs qui incluent des instructions et des modèles.

Quand le Zero-Shot Fonctionne le Mieux

Tâches simples et bien définies : Analyse de sentiment, traduction, classification de base.

Questions de connaissances générales : Résumés, définitions, brainstorming.

Lorsque vous prototypiez rapidement et avez besoin d'une référence de base.

Le guide d'ingénierie de prompts d'OpenAI note que le zero-shot peut être étonnamment efficace si vos instructions sont claires et spécifiques.

Limites du Zero-Shot

Peut échouer sur des tâches nuancées ou spécifiques à un domaine (par exemple, jargon juridique).

Formatage ou structure de sortie incohérents.

Ne peut pas gérer "montrez-moi un exemple" pour des tâches nécessitant une imitation de style.

Comme l'explique le Guide d'ingénierie de prompts, le zero-shot est un point de départ, pas toujours la solution finale.

Qu'est-ce que le Prompting Few-Shot ?

Le prompting few-shot fournit au modèle quelques exemples (généralement 2 à 5) du comportement entrée-sortie souhaité avant de poser la question réelle. Les exemples agissent comme un signal d'entraînement dans le prompt lui-même.

Exemple de few-shot :

Avis : "Qualité médiocre, cassé en un jour." Sentiment : négatif

Avis : "Fonctionne très bien, très satisfait." Sentiment : positif

Avis : "L'écran est lumineux mais le son est faible." Sentiment :

Le modèle déduit un modèle (retour mixte) et pourrait sortir 'neutre' ou 'mixte' en fonction des exemples. Cela enseigne au modèle le format exact, le ton, et les cas limites qui vous intéressent.

Pourquoi le Few-Shot Fonctionne

Montre au modèle votre format de sortie attendu (étiquettes, JSON, puces).

Démontre les cas limites (par exemple, avis "mixtes").

Aligne le modèle sur votre style (formel, décontracté, semblable à du code).

La vue d'ensemble de l'ingénierie de prompts d'Anthropic souligne que les exemples few-shot sont l'un des moyens les plus fiables pour orienter le comportement de Claude.

Quand Utiliser le Few-Shot

Tâches avec un format spécifique (par exemple, sortie JSON, extraction de tableaux).

Tâches subjectives comme le ton ou la voix de marque.

Lorsque les résultats zero-shot sont incohérents ou inexacts.

Pour une inspiration réelle, consultez le modèle d'infographie de recette - il utilise des exemples de style few-shot pour générer un contenu visuel cohérent.

Différences Clés en Un Coup d'Œil

Voici une répartition simple :

Nombre d'exemples : Zero-shot en a zéro ; few-shot en a quelques-uns (généralement 2 à 10).

Fenêtre de contexte : Le few-shot consomme plus de tokens, mais donne des conseils plus riches.

Performance : Le few-shot améliore souvent la précision et la cohérence, surtout pour les tâches complexes.

Coût : Les prompts few-shot sont plus volumineux, donc ils coûtent plus cher par appel API.

Flexibilité : Le zero-shot est rapide et économique pour les tâches simples ; le few-shot est précis mais nécessite une conception.

Les stratégies de prompting de Google Gemini soulignent que le few-shot est une technique "avancée" fondamentale, mais pas toujours nécessaire.

Quand Choisir Zero-Shot vs Few-Shot

Choisissez Zero-Shot si :

La tâche est courante et le modèle est déjà bon (par exemple, traduction, Q&R simple).

Vous avez besoin d'un prototype rapide et peu coûteux.

Vous avez une entrée très longue (comme un document complet) et ne pouvez pas consacrer de tokens aux exemples.

Choisissez Few-Shot si :

Vous avez besoin d'un format de sortie spécifique (JSON, XML, données structurées).

La tâche est de niche ou a un jargon de domaine (par exemple, juridique, médical).

Vous avez essayé le zero-shot et obtenu des sorties incohérentes ou erronées.

Vous voulez imposer un ton ou un style particulier.

Un exemple pratique : le prompt Spécialiste de l'inclusion numérique pour la génération de texte alternatif bénéficie d'exemples few-shot qui montrent comment décrire des images complexes de manière inclusive.

Comment Créer des Exemples Few-Shot Efficaces

Des exemples mal choisis peuvent nuire plus qu'aider. Suivez ces bonnes pratiques :

1. Choisissez des Exemples Représentatifs

Incluez des exemples qui couvrent la variété des entrées attendues. Pour le sentiment, incluez positif, négatif et neutre. Pour la génération de code, montrez différents types d'entrées.

2. Gardez les Exemples Cohérents

Si vos exemples sont incohérents (par exemple, l'un renvoie 'positif' en minuscules, un autre 'Positif'), le modèle peut être confus. Maintenez un formatage uniforme.

3. Utilisez le Bon Nombre

2 à 5 exemples suffisent généralement. Plus peut aider pour les tâches complexes mais augmente l'utilisation de tokens. Commencez petit et augmentez seulement si nécessaire.

4. Étiquetez ou Structurez Clairement

Si vous utilisez des étiquettes, placez-les après l'entrée et utilisez un séparateur comme un deux-points ou une flèche. Par exemple : Entrée : ... Sortie : ...

5. Testez et Itérez

Essayez différents ensembles d'exemples et comparez les résultats. La Compétence experte en ingénierie de prompts sur wikiprompt peut vous aider à formaliser ce processus.

Erreurs Courantes à Éviter

Utiliser des exemples non pertinents : Des exemples qui ne correspondent pas à votre tâche confondent le modèle.

Trop d'exemples : Cela peut diluer l'attention et augmenter le coût. Gardez-le léger.

Format incohérent : Le modèle apprend des modèles ; si vous êtes désordonné, il le sera aussi.

Oublier les cas limites : Incluez des exemples pour les entrées délicates comme le sarcasme, les chaînes vides, ou les formats rares.

Pour des variations plus avancées, le Prompt d'analyse complexe combinant des techniques montre comment mélanger le few-shot avec d'autres méthodes comme le prompting de rôle ou la chaîne de pensée.

Combinaison Avancée : Zero-Shot + Few-Shot

Vous pouvez combiner les deux dans un seul prompt. Par exemple, commencez par une instruction zero-shot, puis fournissez une démonstration few-shot pour une sous-étape, puis posez la question finale.

C'est ce que fait le Prompt de copie marketing structurée en XML : il donne une description de tâche, puis quelques exemples de sorties XML, puis demande une nouvelle. Cette approche hybride est puissante.

Cas d'Utilisation Réels

Classification du Support Client

Utilisez le few-shot pour montrer des exemples de tickets (facturation, problème technique, retour) et les étiquettes de catégorie souhaitées.

Génération de Contenu avec une Voix de Marque

Fournissez des exemples de publications passées qui correspondent au ton souhaité. Le modèle imitera ce style.

Extraction de Données à Partir de Texte Non Structuré

Montrez quelques exemples de la façon d'extraire des noms, des dates, ou des montants dans un format JSON.

Génération de Code avec des Bibliothèques Spécifiques

Si vous voulez du code utilisant certaines API, incluez un petit extrait d'exemple pour établir le modèle.

Conseil Pratique : Commencez par Zero-Shot, Passez au Few-Shot

Ne compliquez pas les choses. Commencez par une instruction zero-shot claire. Si la sortie n'est pas satisfaisante, ajoutez des exemples. La conception de prompts de Google Vertex AI recommande cette approche itérative.

Par exemple, si vous demandez à l'Agent de conformité des avis de l'App Store Apple de vérifier quelque chose, essayez d'abord une description zero-shot. S'il manque des cas limites, ajoutez quelques exemples d'avis problématiques.

Liste de Contrôle Récapitulative

[ ] Tâche simple ? Commencez par zero-shot.

[ ] Besoin d'un format spécifique ? Utilisez few-shot.

[ ] Gardez les exemples cohérents (étiquettes, casse).

[ ] Incluez les cas limites.

[ ] Commencez avec 2-3 exemples, testez, et ajoutez-en plus si nécessaire.

[ ] Vérifiez le coût en tokens par rapport à la performance.

Lectures Complémentaires

Pour approfondir votre compréhension, consultez ces ressources officielles :

La bibliothèque de prompts d'Anthropic contient de nombreux exemples few-shot.

Learn Prompting propose un cours structuré.

Anthropic sur l'ingénierie de prompts pour les entreprises explique les applications réelles.

Conclusion

Le prompting zero-shot et few-shot sont tous deux des outils essentiels. Le zero-shot est votre référence rapide et économique ; le few-shot est votre technique de précision lorsque la précision compte. En comprenant leurs différences et comment créer des exemples, vous obtiendrez de bien meilleurs résultats avec n'importe quel LLM.

Pour plus de ressources éducatives, explorez notre catégorie éducation ou recherchez des prompts few-shot. Essayez les prompts liés ci-dessus pour voir ces techniques en action.