Apprentissage few-shot

Définition

L'apprentissage few-shot consiste à guider un modèle d'IA vers une tâche en plaçant un petit nombre d'exemples dans le prompt, pour qu'il reproduise le schéma montré sans le moindre réentraînement.

Aussi connu sous : prompting few-shotapprentissage en contexteprompting par l'exemple

Comment cela fonctionne

Vous montrez au modèle quelques paires entrée-sortie — par exemple plusieurs tickets déjà étiquetés avec la bonne catégorie, ou déjà traités sur le ton que vous préférez — puis vous lui donnez une nouvelle entrée. Le modèle déduit le schéma de ces exemples et l'applique : c'est l'apprentissage en contexte, ainsi nommé parce qu'aucun poids n'est mis à jour.

Il se situe entre l'apprentissage zero-shot (aucun exemple) et le fine-tuning complet (réentraînement sur un grand jeu de données). Le few-shot est rapide à mettre en place et facile à ajuster : changez les exemples, vous changez le comportement.

Pourquoi c'est important pour le support

Le prompting few-shot est le moyen le plus rapide de faire adopter à un agent IA la voix et la mise en forme de votre équipe. Lui fournir une poignée de vos meilleures réponses réelles — souvent issues de macros ou de tickets résolus — l'oriente vers des réponses cohérentes et fidèles à votre marque, sans lancer de projet de fine-tuning.

Questions fréquentes

Quelle est la différence entre l'apprentissage few-shot et le fine-tuning ?

Le few-shot place les exemples dans le prompt au moment de l'exécution, sans modifier le modèle : rapide et souple, mais limité par la fenêtre de contexte. Le fine-tuning réentraîne les poids du modèle sur de nombreux exemples, ce qui est plus durable mais plus lent et plus coûteux à mettre en place.

Combien d'exemples faut-il pour du few-shot ?

En général une poignée — souvent de deux à quelques dizaines, selon la tâche et la fenêtre de contexte. L'objectif est d'avoir assez d'exemples pour démontrer le schéma sans évincer l'entrée réelle.

Termes liés

Apprentissage zero-shot

L'apprentissage zero-shot désigne le fait qu'un modèle d'IA accomplisse une tâche pour laquelle il n'a jamais été explicitement entraîné ni reçu d'exemples, en s'appuyant sur les connaissances générales acquises pendant le pré-entraînement et sur une description claire de la tâche..

Fine-tuning

Le fine-tuning consiste à poursuivre l'entraînement d'un modèle de langage pré-entraîné sur un jeu de données plus petit et propre à une tâche, afin de l'adapter à un domaine, à un style ou à un comportement — en modifiant les poids du modèle, et pas seulement ses instructions..

Prompt engineering

Le prompt engineering est la pratique consistant à concevoir et affiner les instructions données à un modèle de langage pour obtenir des résultats exacts, pertinents et fiables sur une tâche précise..

Grand modèle de langage (LLM)

Un grand modèle de langage (LLM) est un réseau de neurones entraîné sur d'immenses volumes de texte pour prédire et générer du langage, ce qui lui permet de comprendre des questions, de résumer, de classer et de rédiger des réponses proches de l'écriture humaine..

Prompt système

Un prompt système est l'ensemble d'instructions sous-jacent qui définit le rôle, le comportement, le ton et les limites d'un modèle d'IA pour une conversation — défini par le développeur, pas par l'utilisateur final, et appliqué à chaque interaction..

Passez à l'action

Macha est une couche d'agents IA qui se pose sur le help desk que vous utilisez déjà, Zendesk, Freshdesk, Front, Intercom ou Gorgias.

Démarrer l'essai