Skip to main content

Zero-Shot vs Few-Shot (La puissance de quelques exemples)

POUR AGENT IAChatGPTClaude

Comparaison de deux techniques fondamentales de prompting. Le Zero-Shot consiste en une requête directe sans exemples. Le Few-Shot implique la transmission à l'IA de plusieurs échantillons de réponses souhaitées avant l'exécution de la tâche, afin de calibrer précisément le format et le ton.

1. Vue d'ensemble du concept et de sa finalité

Lorsqu'un débutant tente pour la première fois d'obtenir un format spécifique de l'IA (par exemple, des avis courts avec une note entre parenthèses), il rédige généralement une explication interminable : « Veuillez analyser l'avis, ne rien ajouter de superflu, indiquer obligatoirement une note de 1 à 5 entre parenthèses rondes, puis écrire une seule phrase... ». En réponse, le modèle oublie souvent la moitié des règles.

En prompt engineering, il existe une règle simple : mieux vaut montrer un exemple une fois que d'expliquer les règles dix fois.

  • Zero-Shot (Requête directe) : vous donnez la tâche directement, en comptant sur l'érudition générale du modèle.
  • Few-Shot (Requête avec exemples) : vous fournissez au modèle 2 à 3 exemples de travail parfait avant de lui donner la tâche réelle.

2. Comparaison pratique entre Zero-Shot et Few-Shot

┌─────────────────────────────────────────────────────────────┐
│                 À QUOI RESSEMBLE UN PROMPT FEW-SHOT         │
├─────────────────────────────────────────────────────────────┤
│ ❌ Prompt Zero-Shot faible :                                │
│    « Classifiez cet avis : Café très bon, mais le serveur   │
│      a mis du temps à apporter l'addition ».                │
│    (Le modèle peut répondre par un long paragraphe           │
│     de réflexions)                                          │
├─────────────────────────────────────────────────────────────┤
│ ✅ Prompt Few-Shot exemplaire (avec 2 exemples) :            │
│                                                             │
│    Exemple 1 :                                              │
│    Entrée : « La pizza était froide, je ne reviendrai plus » │
│    Sentiment : Négatif (Note : 1/5)                         │
│                                                             │
│    Exemple 2 :                                              │
│    Entrée : « Livraison rapide et livreur courtois »        │
│    Sentiment : Positif (Note : 5/5)                         │
│                                                             │
│    À toi maintenant :                                       │
│    Entrée : « Café très bon, mais le serveur a mis          │
│              du temps à apporter l'addition »               │
│    Sentiment :                                              │
│                                                             │
│ ➔ Le modèle produira parfaitement : Mitigé (Note : 3/5)     │
└─────────────────────────────────────────────────────────────┘

3. Domaines d'application concrets du Few-Shot

01. Normalisation des adresses ou numéros de téléphone

Lorsqu'il faut harmoniser des entrées disparates issues d'Excel vers un format unique :

Entrée : 097-123-45-67 ➔ Sortie : +38 (097) 123-45-67 Entrée : 380509998877 ➔ Sortie : +38 (050) 999-88-77 Entrée : 063 111 22 33 ➔ Sortie : [le modèle saisit instantanément le patron]

02. Rédaction publicitaire dans un style auteur spécifique

Si vous souhaitez que l'IA rédige des publications exactement comme vous, donnez-lui 2 de vos meilleures publications comme référence stylistique :

« Voici l'exemple 1 de ma publication : [texte]. Voici l'exemple 2 de ma publication : [texte]. Maintenant, écris une nouvelle publication sur la cybersécurité en respectant scrupuleusement ce rythme et ce style ».

03. Extraction de données complexes vers un tableau

Montrez un seul exemple permettant de transformer une lettre juridique brute en ligne de tableau (Numéro de contrat, Date, Montant de la dette), et le modèle traitera les 50 lettres suivantes selon ce template sans aucune erreur.

/ Questions fréquentesSchema.org FAQPage

FAQ: Zero-Shot vs Few-Shot (La puissance de quelques exemples)

L'intelligence artificielle est un système de reconnaissance de motifs. Lorsque vous décrivez le style souhaité avec des mots, le modèle peut interpréter ces instructions à sa manière. En revanche, lorsque vous fournissez 2 à 3 exemples concrets (« Entrée ➔ Sortie »), le modèle saisit instantanément le rythme, la longueur, la structure et le ton sans nécessiter d'explications superflues.
/ Liens internes

Termes associés

Tous les termes
Prompts & RAG

Prompting Few-Shot (Apprentissage en contexte)

Méthodologie d'ingénierie des prompts où le modèle s'adapte à un format, un style ou une logique spécifique directement lors de l'inférence (Apprentissage en contexte) grâce à la présentation de 2 à 5 exemples de référence.

Lire le terme
Prompts & RAG

Zero-Shot CoT vs Dynamic Reasoning

Évolution historique et pratique des techniques de raisonnement : de la simple phrase « Let's think step by step » (Zero-Shot Chain-of-Thought) au budget de réflexion natif intégré aux modèles modernes.

Lire le terme
Prompts & RAG

Séparateurs et balises XML (Structuration des prompts)

Technique de formatage des prompts complexes à l'aide de balises XML (<context>, <rules>) et de triples guillemets (\\\"\\\"\\\"). Aide le modèle à distinguer clairement la fin de vos instructions du début du texte à traiter.

Lire le terme