Prompt Engineering — Zero-shot et Few-shot

Section 11.4.4 : Prompt Engineering — Zero-shot et Few-shot

🎯 Objectif pédagogique

Maîtriser les techniques zero-shot et few-shot prompting pour guider les LLMs sans fine-tuning. Vous serez capable de choisir la bonne technique selon la tâche et de créer des exemples efficaces.

Apprendre au LLM par l'exemple

Marc a structuré ses prompts (Section 11.4.3). Maintenant, il va apprendre la technique la plus puissante : montrer au LLM ce qu'il veut par des exemples.

Zero-shot — Sans exemple

Le LLM comprend la tâche à partir de l'instruction seule.

Prompt :
"Classe cet email comme URGENT, NORMAL, ou SPAM.
Email : 'Votre compte sera fermé dans 24h, cliquez ici'"

→ Réponse : SPAM

Quand utiliser le zero-shot :
✅ Tâches simples et bien définies
✅ Le LLM a été entraîné sur des tâches similaires
✅ La consigne est claire et non ambiguë

One-shot — Un seul exemple

Prompt :
"Classe les emails. Voici un exemple :

Email : 'Réunion demain 14h pour la revue trimestrielle'
→ Classification : NORMAL / Catégorie : MEETING / Priorité : 2

Maintenant, classe celui-ci :
Email : 'URGENT : le serveur prod est down, besoin d'aide immédiate'"

→ Réponse : URGENT / Catégorie : INCIDENT / Priorité : 1

Quand utiliser le one-shot :
✅ Tâches un peu ambiguës
✅ Besoin de montrer le format de réponse attendu
✅ Un seul exemple suffit à clarifier

Few-shot — Plusieurs exemples (2-5)

Prompt :
"Tu es un classificateur d'offres d'emploi pour Marc (profil : Data/IA/Python).
Score chaque offre de 1 à 5 et justifie.

Exemples :
---
Offre : 'Data Analyst Python — Startup FinTech — Paris — 45-55k€'
→ Score: 5/5 — MATCH PARFAIT
  Raison: Python + Data + secteur finance (background Marc) + Paris + bon salaire

Offre : 'Développeur Java Senior — Banque — Lyon — 70k€'
→ Score: 2/5 — PAS PERTINENT
  Raison: Java (pas Python), senior (Marc est junior), Lyon (loin)

Offre : 'Business Analyst — ESN — Paris — 40-50k€'
→ Score: 3/5 — MATCH PARTIEL
  Raison: Analyse (background finance) mais pas assez technique, ESN = formation possible
---

Maintenant, classe cette offre :
'ML Engineer Junior — Scale-up HealthTech — Paris — 50-60k€'"

→ Réponse attendue : Score: 4/5 — BON MATCH
  Raison: ML + Junior + Python probable + Paris + bon salaire. 
  HealthTech pas dans le background finance, mais compétences ML transférables.

Combien d'exemples ?

Nombre d'exemples    Quand l'utiliser
─────────────────────────────────────────
0 (zero-shot)        Tâches simples, classiques
1 (one-shot)         Montrer le format
2-3 (few-shot)       Tâches ambiguës, montrer des edge cases
5+ (many-shot)       Tâches très spécifiques ou nuancées
Fine-tuning          Tâches récurrentes à très haut volume

Plus d'exemples = plus de tokens consommés = plus cher
Trouver l'équilibre : assez d'exemples pour être précis,
                      pas trop pour rester efficace

Examples diversifiés vs similaires

❌ Mauvais (tous les exemples sont similaires) :
Example 1: Data Analyst — Score 5
Example 2: Data Scientist — Score 5
Example 3: ML Engineer — Score 5
→ Le LLM pense que TOUT est score 5

✅ Bon (exemples couvrent le spectre) :
Example 1: Data Analyst — Score 5 (match parfait)
Example 2: Dev Java Senior — Score 2 (pas pertinent)
Example 3: Business Analyst — Score 3 (partiel)
→ Le LLM comprend la DISTRIBUTION des scores

Application : Extraction structurée few-shot

Prompt :
"Extrais les informations de ces offres d'emploi au format JSON.

Exemples :
---
Input : "On recrute un Data Analyst à Paris, 45k, CDI chez DataCorp. 
         Compétences : Python, SQL, Tableau. Remote 2j/sem."
Output : \{
  "position": "Data Analyst",
  "company": "DataCorp",
  "location": "Paris",
  "salary": "45000",
  "contract": "CDI",
  "skills": ["Python", "SQL", "Tableau"],
  "remote": "2j/sem"
\}

Input : "Startup Lyon cherche ML Engineer, 55-65k. 
         Stack : Python, TensorFlow, AWS. Full remote possible."
Output : \{
  "position": "ML Engineer",
  "company": null,
  "location": "Lyon",
  "salary": "55000-65000",
  "contract": null,
  "skills": ["Python", "TensorFlow", "AWS"],
  "remote": "full remote"
\}
---

Maintenant, extrais de cette offre :
"BigBank recrute en CDI un Business Intelligence Analyst sur Nantes. 
 Rémunération 42-48k. Maîtrise de Power BI et SQL requise. 
 Possibilité 1 jour de télétravail."

🏋️ Exercice pratique (25 minutes)

1. →Écrivez un classificateur d'offres zero-shot et testez-le sur 3 offres
2. →Ajoutez 2 exemples (few-shot) et retestez — comparez la qualité
3. →Ajoutez un edge case dans vos exemples (offre ambiguë) et vérifiez
4. →Créez un extracteur JSON few-shot pour parser des offres d'emploi