Few-shot Learning

Qu'est-ce que c'est

Le Few-shot Learning (apprentissage à partir de quelques exemples) est une technique d'ingénierie de prompts dans laquelle nous fournissons au modèle de langage un petit ensemble d'exemples (généralement entre 2 et 5) avant de lui demander de réaliser la tâche finale. Au lieu de simplement dire à l'IA ce que nous voulons qu'elle fasse — ce que nous appelons le Zero-shot Learning — nous lui montrons comment nous voulons que ce soit fait.

Pour les PME, cette approche est le pont entre l'usage générique de l'IA et l'usage spécialisé. La plupart des modèles d'IA modernes, comme ceux d'OpenAI ou d'Anthropic, sont entraînés sur des milliards de données, mais ils ne connaissent pas les détails spécifiques de votre entreprise, le ton de voix de votre marque ou la structure exacte de votre catalogue de produits. Le Few-shot Learning permet d'"enseigner" ces nuances instantanément au sein d'une seule conversation, sans coûts de développement logiciel.

Comment ça marche

La logique derrière le Few-shot Learning repose sur la capacité de reconnaissance de motifs (patterns) des LLM (Large Language Models). Lorsque nous incluons des exemples dans la requête (le prompt), nous utilisons ce qu'on appelle la "fenêtre de contexte" pour activer des connaissances spécifiques du modèle.

La structure typique d'une requête avec Few-shot Learning est :

1. Instruction : Une description claire de la tâche.
2. Exemple 1 (Input/Output) : Un échantillon d'un cas réel et la réponse correcte.
3. Exemple 2 (Input/Output) : Un autre échantillon pour renforcer le modèle.
4. Tâche finale : La nouvelle donnée que nous voulons traiter.

Le modèle ne modifie pas son architecture et n'est pas ré-entraîné. Il utilise simplement les exemples comme un guide statistique pour prédire le mot suivant de manière plus précise, alignée avec les contraintes que nous venons de définir. C'est l'équivalent de donner à un nouveau stagiaire trois factures remplies pour qu'il comprenne comment remplir la quatrième.

Quand l'utiliser

Cette technique doit être votre premier choix lorsque l'instruction textuelle (Zero-shot) ne suffit pas à garantir la cohérence. Elle est particulièrement utile dans quatre scénarios :

1. Extraction de Données Structurées : Quand vous avez besoin que l'IA extraie des informations d'e-mails et les place dans un format spécifique (ex : JSON ou CSV) pour les intégrer à votre ERP.
2. Ton de Voix et Style : Si l'IA écrit de manière trop robotique ou enthousiaste pour la culture de votre entreprise, fournir trois exemples d'e-mails écrits par vous l'aide à répliquer votre style naturel.
3. Classification Complexe : Quand vous avez des catégories qui peuvent être ambiguës. Par exemple, distinguer si un feedback client est une "Réclamation Technique" ou une "Demande d'Assistance" exige des nuances que seuls des exemples pratiques définissent bien.
4. Limitation des Hallucinations : En voyant des exemples de réponses correctes, l'IA est moins susceptible d'inventer des informations ou de s'écarter du format souhaité.

C'est une alternative beaucoup moins chère et plus rapide au Fine-tuning, qui nécessite des milliers d'exemples et des coûts de calcul élevés.

Erreurs communes

L'erreur la plus fréquente est le manque de diversité dans les exemples. Si vous donnez trois exemples de réclamations sur des factures, l'IA peut oublier comment gérer les réclamations concernant les retards de livraison. Les exemples doivent couvrir la gamme de situations que vous attendez que le modèle rencontre.

Une autre erreur est le mauvais formatage. Si les exemples sont désorganisés, l'IA va confondre ce qui est instruction de ce qui est contenu. Utilisez des étiquettes claires comme "Entrée :" et "Sortie :" pour délimiter chaque cas.

Enfin, il existe un risque de biais de sélection. L'IA a tendance à donner plus d'importance au dernier exemple fourni. Si le dernier exemple est très court, les réponses suivantes auront tendance à être courtes. Essayez de maintenir une cohérence de taille et de ton dans tous les exemples que vous incluez dans le prompt.

Exemple pratique pour une PME

Imaginez un cabinet de conseil industriel qui doit analyser des rapports d'audit et extraire uniquement les risques critiques dans un format simple pour le gestionnaire.

Sans Few-shot, la requête serait : "Lis ce rapport et liste les risques". Le résultat serait probablement un texte long et vague.

Avec le Few-shot Learning, la requête serait :

"Lis le rapport et extrais les risques critiques en suivant ce modèle :

Exemple 1 : Rapport : Fuite détectée sur la vanne secondaire avec risque de contamination. Risque : Critique - Infrastructure - Vanne

Exemple 2 : Rapport : L'extincteur de la salle des machines a sa validité expirée depuis le mois dernier. Risque : Élevé - Sécurité - Équipements

Tâche : Rapport : Le tableau électrique principal présente des signes de surchauffe constante pendant l'équipe de nuit."

Avec ces deux exemples, l'IA comprend immédiatement qu'elle doit catégoriser par (Niveau - Domaine - Composant), en maintenant la brièveté dont l'entreprise a besoin.

Questions fréquemment posées

Q : Combien d'exemples dois-je inclure dans le prompt ? R : Typiquement, 2 à 5 exemples suffisent. Inclure trop d'exemples consomme plus de tokens (ce qui augmente le coût) et peut finir par confondre le modèle ou atteindre la limite de la fenêtre de contexte.

Q : Dois-je savoir programmer pour utiliser le Few-shot Learning ? R : Non. Cette technique repose uniquement sur le texte et l'organisation logique. Elle peut être appliquée directement dans ChatGPT, Claude ou via les API que votre équipe informatique utilise déjà.

Q : Le Few-shot Learning est-il la même chose que le Fine-tuning ? R : Non. Le Few-shot se produit "en temps réel" dans la requête et l'IA ne conserve pas cet apprentissage pour la session suivante. Le Fine-tuning modifie en permanence le modèle par l'entraînement, ce qui est plus complexe et coûteux.

Q : Puis-je utiliser des exemples négatifs (ce qu'il ne faut pas faire) ? R : Oui. Souvent, inclure un exemple de mauvaise réponse avec la mention "Éviter ceci" aide l'IA à rester dans les limites souhaitées, bien que les exemples positifs soient généralement plus efficaces.

• 01Inclure 3 transcriptions de réunions précédentes pour que l'IA apprenne à rédiger des comptes-rendus au format de l'entreprise.
• 02Fournir 2 exemples de conversion de langage informel en langage juridique avant de rédiger un contrat.
• 03Montrer 5 exemples de classification de tickets de support par urgence et département.
• 04Donner 3 exemples de descriptions de produits du catalogue pour maintenir la même structure de vente.

Quer usar Few-shot Learning na sua empresa?

30 minutos, gratuito, sem compromisso. Dizemos onde encaixa.

Diagnóstico IA gratuito