Introduction au Prompt engineering : Découvrez cette pratique !

INTRODUCTION AU
PROMPT
ENGINEERING

BIGBRAIN EVOLUTION
Le prestataire de formations en ligne de
référence !
www.bigbrainevolution.com

Qu’est ce que le Prompt Engineering ?
1
Les approches par exemples
2
Les principales techniques de Prompt Engineering
3
Dans cette présentation :

Le prompt engineering, aussi appelé
ingénierie de prompt, dans le cadre de
l’utilisation associée à l'usage de modèles
d'intelligence artificielle axés sur le
langage, tels que GPT-3 ou GPT-4, est un
domaine qui combine l’art et la science
de formuler des questions ou des
instructions, appelés prompts, de façon à
extraire des réponses ou des résultats
précis et pertinents du modèle d'IA.
Le Prompt Engineering,
c’est quoi ?

Prompt
Réponse
Modèle de langage
L'essence du prompt engineering réside dans la fourniture d'instructions structurées et
l'utilisation de mots choisis avec soin pour guider le modèle d'IA vers des réponses qui
correspondent précisément à l'objectif visé.

Output
Input Output
Input
Problème
à résoudre
Résultat
final
le prompt engineering se base sur la fourniture de contexte, de directives et d'exemples pour diriger le modèle vers un
objectif défini. Ces éléments facilitent la tâche du modèle, garantissant des réponses adéquates et bien pensées. Il s'agit
d'un processus itératif : les prompts sont des points de départ pour un cheminement progressif vers un but final en réponse
à un problème initial. Ils servent de guides pour explorer des domaines nouveaux et inattendus.

Cette discipline englobe de multiples techniques
Self Consistency
Priming
Input-Output
Generated
Knowledge
Chain of Thought
Autres
Least-to-most
Tree of Thought
Skeleton of
Thought
Graph of
Thought

0 exemple (zero shot) 1 exemple (one shot) +2 exemples (few shots)
Dans la mise en œuvre de ces techniques, il est courant de recourir, ou non, à une
approche avec exemple(s), connue sous le nom de shot(s) prompting.
Cette approche encourage le
modèle à produire des
réponses de manière
autonome. Le choix des
mots et la structuration des
prompts sont essentiels, car
cette méthode favorise un
niveau de "créativité" ou de
"variabilité" significativement
plus élevé comparé aux deux
autres approches.
Cette méthode se focalise
sur l'emploi d'un unique
exemple pour guider les
réponses du modèle. La
sélection et la formulation de
cet exemple sont cruciales,
car la justesse et la
pertinence de la réponse
reposent largement sur la
qualité de ce seul exemple
référentiel.
Cette technique utilise
plusieurs exemples
sélectionnés pour orienter
les réponses du modèle. Le
choix et l'arrangement de
ces exemples sont
déterminants, l'exactitude et
la variété des réponses
dépendent fortement de ces
exemples spécifiques dans
cette approche.

L’amorce - Priming
L’amorce (ou Priming), dans le cadre du prompt
engineering, est une méthode qui structure une
requête ou une instruction initiale pour un modèle
de langage tel que GPT-3 ou GPT-4, dans le but de
diriger sa réponse. Cette technique influence la
pertinence, la précision, et le style des réponses
produites, en apportant des informations
contextuelles ou en établissant des attentes
spécifiques. Elle aide à obtenir des résultats plus
spécifiques et adaptés, utiles dans diverses
applications de traitement automatique du
langage naturel.

l’amorce ou le Priming
Persona
Contexte
Problème
Tâche
Rôle
Format
Limites
Cible
Output
Input
Probing
questions

Question-Réponse /
Input-Output (IO)
L'interaction la plus basique avec un
modèle de langage est l'échange simple
de question (ou requête) et de réponse
(ou Input-Output). Dans cette approche,
les instructions sont soumises au modèle
de manière simple, avec ou sans
exemples concrets. Le modèle répond
alors en générant une sortie basée sur ses
prédictions lexicales.

Le simple échange question-réponse ou Input-Output (IO)
Requête
simple
Input Output
Avec 0, 1 ou +2 exemple(s)

La generation de
connaissances - Generated
knowledge (GK)
La génération de connaissances (ou
Generated Knowledge) consiste à
intégrer des connaissances externes
apportées au cours d'une conversation
avec les connaissances internes du
modèle. Cette méthode vise à enrichir la
substance et la pertinence des réponses
sur un sujet ou problème spécifique, sans
nécessiter un ajustement fin ou fine-
tuning du modèle.

Connaissances
internes du
modèle
La génération de connaissances ou generated knowledge
(GK)
Apports
externes de
l’utilisateur

Pour illustrer le concept, imaginez solliciter un expert sur un sujet en lui fournissant quelques articles ou études comme
référence. Bien qu'il ait une expertise approfondie, ces documents l'aideront à mieux saisir vos attentes. Il n'utilisera donc
pas uniquement ses connaissances, mais intégrera également les informations des articles pour enrichir sa réponse. Ces
derniers guident le dialogue, ajoutant des détails pertinents pour une réponse plus complète.
Présentation d’articles
Exploration des connaissances internes sur le sujet des
articles à partir des ressources fournies
Réponse
Question initiale

Les chaines de pensées -
Chain of Thought
Prompting
Les chaînes de pensées représentent une
avancée dans le prompt engineering. Elles
connectent logiquement entrées et sorties
pour aborder des problèmes complexes en
plusieurs étapes. Cette approche habilite
les modèles de langage à simuler le
raisonnement humain, en examinant
chaque facette d'un problème de manière
linéaire, conduisant à des réponses plus
exactes et de meilleure qualité.

Chain of
Thought
Least-to-most
Tree of
Thought
Self consistency
Skeleton of
Thought
Graph of
Thought
Les techniques de chaînes de pensées dans le prompt engineering sont en constante évolution, s'adaptant aux découvertes
expérimentales des chercheurs en modèles de langage. Leur complexité s'accroît progressivement, et il n'y a pas de liste
définitive de ces méthodes, mais plutôt un développement continu basé sur l'expérimentation. Cela permet d'explorer les
capacités des modèles et de résoudre des problèmes de plus en plus sophistiqués.

La chaîne de pensées
traditionnelle - Chain of
Thought (CoT)
La technique initiale des chaînes de
pensées, la chaîne de pensées
traditionnelle (ou Chain of Thought),
s'applique lorsque le lien entre l'entrée et la
sortie n'est pas immédiat. Cette méthode
dirige le modèle dans un raisonnement
structuré et séquencé pour traiter des
problèmes complexes, en utilisant des
exemples comme guides. Les réponses
sont donc à la fois séquencées, logiques et
justifiées.

Input Output
ETAPE 1
ETAPE 2
La chaine de pensées traditionnelle ou Chain of Thought
(Cot)
1 ou +2 exemple(s)
UNITÉ DE PENSÉE
(ÉTAPE DE RASIONNEMENT)

La chaîne de pensées sans
exemple - ZEro shot Chain
of Thought (Zero-SHot COT)
La chaîne de pensées sans exemples (ou
zero-shot CoT) est une évolution de la
chaîne de pensées traditionnelle, ne
requérant pas d'exemples spécifiques. Elle
stimule le modèle à aborder des problèmes
de manière autonome, en utilisant des
incitations telles que "Procédons étape par
étape". Cette technique tire parti de la
capacité naturelle du modèle à élaborer
son propre raisonnement, relevant ainsi du
zero-shot prompting.

O exemple
Input Output
ETAPE 1
ETAPE 2
La chaine de pensées sans exemples ou zero-shot Chain of
Thought (zero-shot Cot)
UNITÉ DE PENSÉE

Le facile au difficile -
Least to most (LTM)
La méthode du facile au difficile (ou Least-to-
Most) aborde les limitations des techniques
initiales de chaîne de pensées en
fragmentant les problèmes complexes en
questions plus simples, tout en conservant
une logique cohérente. Le modèle examine
chaque segment individuellement et
fusionne ensuite ses analyses pour former
une réponse unifiée. Cette approche, qui
s'inscrit dans le cadre du few-shots
prompting, s'appuie sur des exemples pour
orienter le modèle.

Le facile au difficile ou Least to most (LTM)
Input Output
UNITÉ DE PENSÉE
1 ou +2 exemple(s)
DÉCOMPOSITION DÉVELOPEMENT

L’auto-cohérence - Self
Consistency (SC)
L’auto-cohérence (ou self-consistency)
représente une innovation significative dans
le domaine du prompting. Comme la
méthode "Least-to-Most" (LTM), il utilise de
multiples chaînes de pensées (CoT). Cette
technique encourage le modèle à produire
et à comparer divers raisonnements, menant
à une sorte de débat interne pour juger de
leur validité. Ce processus d'auto-évaluation
permet au modèle de sélectionner les
arguments les plus solides et d'écarter les
moins convaincants, conduisant ainsi à une
réponse plus aboutie et affinée.

Input Output
Exlusion
INCOHÉRENCE ET NON CONCORDANCE AVEC
LA MAJORITÉ
l’auto-cohérence ou self consistency (SC)
RÉPÉTITION ET CONCORDANCE DES RÉPONSES
UNITÉ DE PENSÉE
1 ou +2 exemple(s)

L'arbre de pensées (ou Tree of Thought),
représente une évolution des chaînes de
pensées, examinant plusieurs trajets de
réflexion en parallèle à travers des étapes
prédéfinies. Semblable aux branches d'un
arbre, chaque parcours incarne une phase
de réflexion distincte. Le modèle évalue
chaque chemin pour apprécier sa
pertinence par rapport au problème,
visant ainsi à fournir une solution à la fois
complète et appropriée.
L’arbre de pensées - Tree of
Thought (ToT)

Input Output
0 exemple
l’arbre de pensées ou tree of thought (ToT)
UNITÉ DE PENSÉE

Le squelette de pensées (ou Skeleton of
Thought) est une méthode qui dirige le
raisonnement du modèle en créant d'abord
un plan établissant les fondations et les
points clés. Cette structure sert ensuite à
orienter le modèle dans l'élaboration de
chaque aspect du sujet. En s'appuyant sur
ce "squelette", le modèle organise et
détaille chaque composant, menant à une
réponse cohérente et structurée où chaque
élément du plan est soigneusement
développé.
Le squelette de pensées -
Skeleton of Thought (SoT)

Le squelette de pensées ou Skeleton of thought (SOT)
Input Output
UNITÉ DE PENSÉE
1 ou +2 exemple(s)
SQUELETTE DÉVELOPEMENT

Le graphe de pensées (ou Graph of
Thought) est une technique qui sonde des
solutions en tissant un réseau
interconnecté de logiques, semblable à un
plan de métro. Dans ce réseau, chaque
pensée ou idée peut se lier à d'autres,
mettant en évidence la complexité et
l'interconnexion des raisonnements. Les
questions et sous-questions sont
symbolisées par des nœuds, reliés entre eux
en fonction de leur corrélation ou
dépendance. Ainsi, ce réseau crée un
ensemble cohérent de déductions.
Le graphe de pensées - Graph of
Thought (GoT)

Le Graphe de pensées ou Graph of thought (GoT)
UNITÉ DE PENSÉE
Input Output
1 ou +2 exemple(s)

En résumé, le prompt engineering se base sur la fourniture de contexte, de directives et d'exemples pour diriger le modèle
vers un objectif défini. Ces éléments facilitent la tâche du modèle, garantissant des réponses adéquates et bien pensées. Il
s'agit d'un processus itératif : les prompts sont des points de départ pour un cheminement progressif vers un but, et non
des fins en soi. Ils servent de guides pour explorer des domaines nouveaux et inattendus.
Output
Input Output
Input
Problème
à résoudre
Résultat
final

Pour en savoir plus : visitez notre
formation phare ChatGPT - Devenez
PROFESSIONNEL du PROMPT
ENGINEERING !
Pour aller plus loin

MERCI!

Introduction au Prompt engineering : Découvrez cette pratique !

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à Introduction au Prompt engineering : Découvrez cette pratique !

Similaire à Introduction au Prompt engineering : Découvrez cette pratique ! (20)

Introduction au Prompt engineering : Découvrez cette pratique !