Bienvenue
😃 Bases
💼 Applications de base
🧙‍♂️ Intermédiaire
🤖 Agents
⚖️ Fiabilité
🖼️ Prompting d'images
🔓 Hacking de prompts
🔨 Outillage
💪 Calibrage de prompts
🎲 Divers
📙 Référence de vocabulaire
📚 Bibliographie
📦 Prompted Products
🛸 Ressources supplémentaires
🔥 Sujets Brûlants
✨ Générique

Few Shot Prompting

🟢 This article is rated easy
Reading Time: 2 minutes

Last updated on August 7, 2024

Une autre stratégie de prompting est le prompting en few-shot, qui consiste essentiellement à montrer au modèle quelques exemples (appelés "shots" en anglais) de ce que vous voulez qu'il fasse.

Considérons l'exemple ci-dessus, dans lequel nous essayons de classer/classifier les commentaires des clients comme positifs ou négatifs. Nous montrons au modèle 3 exemples de commentaires positifs/négatifs, puis nous lui montrons un nouveau commentaire qui n'a pas encore été classé (Ça marche pas !:). Le modèle voit que les 3 premiers exemples ont été classés comme étant positifs ou négatifs, et utilise ces informations pour classer le nouvel exemple comme négatif.

La façon dont nous structurons les exemples est très importante. Étant donné que nous avons structuré ces 3 exemples comme entrée : classement/classification, le modèle produit un seul mot après la dernière ligne, au lieu de dire une phrase complète comme cette critique est positive.


Note
Chaque paire entrée-sortie est appelée un exemple.

Plus sur la structure

Un cas d'utilisation clé pour la technique de prompting few-shot est lorsque vous avez besoin que la sortie soit structurée de manière spécifique qui est difficile à décrire au modèle. Pour comprendre cela, considérons un exemple pertinent : disons que vous devez compiler les noms et les professions de citoyens célèbres dans les villes voisines en analysant des articles de journaux locaux. Vous aimeriez que le modèle lise chaque article et produise une liste de noms et de professions au format Nom, Prénom [PROFESSION]. Pour amener le modèle à faire cela, vous pouvez lui montrer quelques exemples :

En montrant des exemples de format de sortie corrects au modèle, il est capable de produire une sortie correcte pour de nouveaux articles.

Note

Même si vous pourriez produire cette même sortie en utilisant une instruction prompt à la place, le prompt few-shot aide à rendre la sortie beaucoup plus cohérente.

Variantes de shot prompting (prompting avec des exemples)

Le mot anglais "shot" est synonyme de "exemple". En dehors du prompting à few-shot ("quelques exemples"), il existe deux autres types de prompting par exemple. N'y pensez pas trop ! La seule différence entre ces variantes réside dans le nombre d'exemples que vous montrez au modèle.

Variantes :

  • Prompting à 0-shot : aucun exemple n'est montré au modèle.
  • Prompting à 1-shot : 1 exemple est montré au modèle.
  • Prompting à few-shot : 2 exemples ou plus sont montrés au modèle.

Prompting à 0-shot

Le prompting à 0-shot est la forme la plus basique du prompting. Il s'agit simplement de montrer au modèle une instruction sans exemple et de lui demander de générer une réponse. Ainsi, tous les prompts de rôle et d'instructions que vous avez vus jusqu'à présent sont des prompts à 0-shot. Un exemple supplémentaire de prompt à 0-shot est :

Ajouter 2+2 :

C'est un prompt à 0-shot car nous n'avons montré au modèle aucun exemple complet.

Prompting à 1-shot

Le prompting 1-shot consiste à montrer au modèle un seul exemple. Par exemple, l'analogie 1-shot du prompt 0-shot Add 2+2: est :

Add 3+3 : 6
Add 2+2 :

Nous avons montré au modèle un seul exemple complet (Add 3+3: 6), donc il s'agit d'un prompt à 1-shot.

Prompting à few-shot

Le prompting few-shot consiste à montrer au modèle 2 ou plusieurs exemples. Tous les prompts au-dessus de cette section de variantes ont été des prompts few-shot. L'équivalent few-shot des deux prompts ci-dessus est :

Ajouter 3+3 : 6
Ajouter 5+5 : 10
Ajouter 2+2 :

Ceci est le cas puisque nous avons montré au modèle au moins 2 exemples complets (Ajouter 3+3 : 6 et Ajouter 5+5 : 10). Habituellement, plus vous montrez d'exemples au modèle, meilleure sera la sortie, donc le prompting few-shot est préférable au prompting à 0-shot ou 1-shot dans la plupart des cas.

Conclusion

Le prompting few-shot est une technique puissante pour rendre le modèle produire une sortie précise et correctement formatée !

Sander Schulhoff

Sander Schulhoff is the Founder of Learn Prompting and an ML Researcher at the University of Maryland. He created the first open-source Prompt Engineering guide, reaching 3M+ people and teaching them to use tools like ChatGPT. Sander also led a team behind Prompt Report, the most comprehensive study of prompting ever done, co-authored with researchers from the University of Maryland, OpenAI, Microsoft, Google, Princeton, Stanford, and other leading institutions. This 76-page survey analyzed 1,500+ academic papers and covered 200+ prompting techniques.

Edit this page
Word count: 0

Get AI Certified by Learn Prompting


Copyright © 2024 Learn Prompting.