Ce glossaire IA rassemble 50 termes clés de l’intelligence artificielle, expliqués simplement et techniquement. Pour aller plus loin : guide débutant IA, templates métier et formation gratuite.
Ce glossaire réunit les 50 termes essentiels de l’intelligence artificielle, définis de façon simple et technique, sans jargon creux. Chaque terme est rattaché à un module de la formation Watshmi pour approfondir.
Ressource gratuite — Marque déposée INPI n° 25 5205335
A
Agent IA
Définition simple : Système qui utilise un modèle pour enchaîner des étapes et, selon ses autorisations, agir avec des outils.
Définition technique : Un agent combine un modèle, un objectif, un état de travail et parfois des appels d’outils. Son autonomie dépend du logiciel qui l’entoure et des permissions accordées. Il peut se tromper, boucler ou agir hors du résultat attendu.
Pourquoi c’est important : Le mot « agent » ne dit rien, à lui seul, sur la fiabilité ni sur le droit d’agir sans validation.
Module 10AGI — Artificial General Intelligence
Définition simple : Intelligence artificielle hypothétique capable d’égaler ou surpasser l’humain dans toutes les tâches cognitives.
Définition technique : L’AGI est un concept théorique désignant un système IA doté de capacités générales de raisonnement, d’apprentissage et d’adaptation comparables à celles d’un humain. Il n’existe pas de définition universellement acceptée ni de démonstration consensuelle d’une AGI. Les LLM actuels ne doivent pas être assimilés à une intelligence générale.
Pourquoi c’est important : Distinguer AGI et LLM est essentiel pour évaluer sobrement les annonces du secteur.
Module 15Alignment
Définition simple : Ensemble de techniques visant à faire correspondre le comportement d’une IA avec les valeurs et intentions humaines.
Définition technique : L’alignment est le problème de faire en sorte qu’un système IA agisse conformément aux objectifs et valeurs de ses utilisateurs et de la société. Il inclut la sécurité, l’honnêteté, et l’utilité. Les techniques principales incluent RLHF, Constitutional AI, et les red teams.
Pourquoi c’est important : C’est l’un des défis techniques et éthiques les plus critiques du développement IA.
Module 14Anonymisation
Définition simple : Transformation de données visant à empêcher durablement l’identification d’une personne.
Définition technique : Une donnée réellement anonymisée ne doit plus permettre une réidentification raisonnable. Remplacer un nom par un code est plutôt une pseudonymisation si la correspondance ou les recoupements restent possibles.
Pourquoi c’est important : Avant de transmettre un dossier à une IA, retirer un nom ne suffit pas toujours à protéger la personne.
Module 14API
Définition simple : Interface permettant à un logiciel de demander une fonction ou des données à un autre service.
Définition technique : Une API définit des requêtes, des réponses et des règles d’accès. Dans un projet IA, elle peut servir à appeler un modèle, récupérer une source ou déclencher une opération. Les coûts et les permissions se gèrent côté application.
Pourquoi c’est important : Passer par une API donne de la souplesse, mais crée aussi des responsabilités de sécurité et de suivi.
Module 10Appel d’outil
Définition simple : Action par laquelle une IA demande à une application d’utiliser une fonction externe.
Définition technique : Le modèle peut proposer le nom d’un outil et ses paramètres. C’est l’application qui décide si l’appel est autorisé, l’exécute puis renvoie le résultat. Une réponse du modèle ne constitue pas une autorisation.
Pourquoi c’est important : Lire un calendrier et envoyer un message sont deux niveaux d’action différents : leurs permissions doivent l’être aussi.
Module 10Attention (mécanisme)
Définition simple : Mécanisme qui permet à un modèle de pondérer l’importance de chaque mot dans son contexte.
Définition technique : Le mécanisme d’attention (Vaswani et al., 2017) permet au modèle de calculer, pour chaque token, une pondération dynamique sur tous les autres tokens. Le self-attention permet de capturer les dépendances longue portée dans une séquence.
Pourquoi c’est important : C’est le cœur de l’architecture Transformer et la raison pour laquelle les LLM sont supérieurs aux anciens réseaux récurrents.
Module 2B
Benchmark
Définition simple : Protocole standardisé d’évaluation des performances d’un modèle IA.
Définition technique : Un benchmark est un ensemble de tests reproductibles (MMLU, HumanEval, HELM, etc.) mesurant des capacités spécifiques : raisonnement, coding, compréhension, factualité. Les scores sont utilisés par les labos pour comparer les modèles. Ils peuvent être sur-optimisés (data contamination, cherry-picking).
Pourquoi c’est important : Lire les benchmarks avec esprit critique est indispensable pour évaluer les annonces de performance des modèles.
Module 13Bias (Biais)
Définition simple : Distorsion systématique dans les sorties d’un modèle résultant de son corpus d’entraînement.
Définition technique : Le biais IA est une asymétrie systématique dans les prédictions ou représentations d’un modèle, liée à la sur- ou sous-représentation de certains groupes, sujets ou perspectives dans les données d’entraînement. Il peut être démographique, culturel, linguistique ou idéologique.
Pourquoi c’est important : Identifier les biais est essentiel pour un usage éthique et critique des LLM.
Module 12Block method A→B→C
Définition simple : Méthode de travail segmenté en blocs séquentiels pour les tâches longues avec IA.
Définition technique : La block method divise un projet en blocs autonomes : A (définition/analyse), B (production), C (validation/correction). Chaque bloc est soumis séparément à l’IA avec un reset entre eux. Elle prévient le drift de contexte et maintient la qualité sur les projets longs.
Pourquoi c’est important : Essentielle pour tout travail professionnel long avec IA sans perdre le contrôle.
Module 9C
Chain of thought
Définition simple : Technique incitant le modèle à décomposer son raisonnement étape par étape avant de conclure.
Définition technique : Le chain-of-thought prompting demande au modèle d’expliciter ses étapes intermédiaires de raisonnement. Des étapes intermédiaires ou des exemples peuvent aider certaines tâches complexes, mais l’effet varie selon le modèle et la question. Un raisonnement affiché n’est pas nécessairement une trace fidèle du fonctionnement interne.
Pourquoi c’est important : Une réponse détaillée peut rester fausse : il faut vérifier le résultat et les sources, pas seulement la cohérence apparente des étapes.
Module 7Context window
Définition simple : Quantité maximale de texte (en tokens) qu’un modèle peut traiter en une seule fois.
Définition technique : La context window définit la mémoire de travail instantanée du modèle : tout ce qui précède (conversation, instructions, documents) doit tenir dans cette fenêtre. Au-delà, le modèle «oublie» les informations plus anciennes. La taille varie selon les modèles (8K à 1M+ tokens).
Pourquoi c’est important : Connaître la context window évite les pertes d’information sur les tâches longues.
Module 6D
Drift
Définition simple : Dérive progressive du comportement d’un modèle dans une conversation longue ou de l’utilisateur dans l’usage prolongé.
Définition technique : Le drift cognitif désigne l’accumulation d’un biais directionnel dans les réponses d’un LLM au fil d’une conversation (context contamination), ou la dépendance progressive de l’utilisateur envers l’IA qui réduit son autonomie de jugement. C’est un phénomène invisible et cumulatif.
Pourquoi c’est important : Identifier et prévenir le drift est le cœur de la méthode Watshmi.
Module 5E
Effet miroir
Définition simple : Phénomène par lequel l’IA amplifie et renvoie l’état cognitif ou émotionnel de l’utilisateur.
Définition technique : Un LLM est entraîné à produire des réponses cohérentes avec le contexte qu’on lui donne. Si l’utilisateur est instable, le modèle amplifie l’instabilité. Si l’utilisateur est structuré, le modèle reste structuré. Ce mécanisme est mécanique, non intentionnel.
Pourquoi c’est important : Comprendre l’effet miroir permet de reprendre consciemment le contrôle de ses interactions avec l’IA.
Module 4Embedding
Définition simple : Représentation numérique d’un mot ou d’une phrase sous forme de vecteur.
Définition technique : Un embedding transforme du texte en coordonnées dans un espace mathématique à haute dimension. Les mots sémantiquement proches ont des vecteurs proches. Cette représentation est le fondement de la compréhension contextuelle des LLM.
Pourquoi c’est important : C’est le mécanisme qui permet à une IA de «comprendre» les relations entre les concepts.
Module 2Évaluation (eval)
Définition simple : Test organisé pour mesurer ce qu’un système IA réussit et rate sur des cas représentatifs.
Définition technique : Une évaluation associe des exemples, des critères et des résultats observables. Elle peut mesurer l’exactitude, le respect du format, la sécurité ou le coût. Un bon score global ne prouve pas qu’un cas critique est maîtrisé.
Pourquoi c’est important : On ne déploie pas une IA sur la seule impression qu’elle répond bien à quelques questions.
Module 10Exfiltration de données
Définition simple : Sortie non autorisée d’informations vers un destinataire ou un service extérieur.
Définition technique : Dans un système IA, elle peut passer par une réponse, un appel d’outil, une URL ou un document généré. Les contrôles d’accès, la limitation des données et la vérification des actions réduisent ce risque.
Pourquoi c’est important : Une consigne malveillante dans un document peut chercher à faire divulguer des informations que l’utilisateur n’a pas demandé de partager.
Module 13F
Few-shot
Définition simple : Technique de prompt incluant des exemples concrets pour guider le comportement du modèle.
Définition technique : Le few-shot prompting fournit 2 à 5 exemples input/output dans le prompt pour montrer au modèle le format ou le raisonnement attendu. Plus efficace que les instructions abstraites, surtout pour les tâches avec format spécifique.
Pourquoi c’est important : Permet d’obtenir des sorties précisément formatées sans fine-tuning.
Module 7Fine-tuning
Définition simple : Entraînement supplémentaire d’un modèle pré-entraîné sur des données spécifiques.
Définition technique : Le fine-tuning ajuste les poids d’un LLM pré-entraîné sur un corpus ciblé pour le spécialiser dans un domaine ou un style. Contrairement au RAG, il modifie le modèle lui-même. Il est coûteux, nécessite des données de qualité et peut induire du catastrophic forgetting.
Pourquoi c’est important : Comprendre le fine-tuning permet d’évaluer les claims de spécialisation des modèles commerciaux.
Module 10G
Grounding
Définition simple : Technique consistant à ancrer les réponses d’une IA dans des sources factuelles vérifiables.
Définition technique : Le grounding consiste à fournir au modèle des documents, données ou contextes réels avant la génération, pour qu’il base ses réponses sur ces sources plutôt que sur ses paramètres. Utilisé dans le RAG et les systèmes à sources citées. Peut réduire certaines erreurs si les sources récupérées sont pertinentes et correctement exploitées, sans garantir l’exactitude.
Pourquoi c’est important : Le grounding est la principale technique de fiabilisation des sorties LLM en environnement professionnel.
Module 10H
HAGL (Human Authority Gate Layer)
Définition simple : Cadre Watshmi qui place l’autorité humaine aux points de décision sensibles.
Définition technique : HAGL sépare la proposition de l’IA de l’autorisation d’agir. Selon le risque, le processus prévoit un périmètre défini, une vérification et une validation humaine avant l’action. Il ne transforme pas une sortie IA en preuve.
Pourquoi c’est important : L’humain garde la décision finale quand une erreur peut avoir des conséquences réelles.
Module 14Hallucination
Définition simple : Fait inventé par l’IA présenté comme réel avec confiance.
Définition technique : Une hallucination est une sortie du modèle qui est factuellement incorrecte, non vérifiable ou complètement inventée, mais produite avec la même assurance qu’une réponse correcte. Elle résulte de la nature prédictive du modèle : il génère la suite la plus probable, pas la plus vraie.
Pourquoi c’est important : Reconnaître ce phénomène est essentiel pour ne jamais utiliser l’IA comme source de vérité sans vérification.
Module 3I
Inference
Définition simple : Phase d’utilisation d’un modèle entraîné pour générer des prédictions ou du texte.
Définition technique : L’inference est l’exécution du modèle pour produire une sortie à partir d’une entrée. Elle se distingue du training (qui modifie les poids). Une température basse réduit souvent la variabilité, mais ne garantit pas une réponse identique à chaque exécution. Son coût (latence, GPU) est distinct du coût d’entraînement.
Pourquoi c’est important : Distinguer inference et training éclaire les limites de connaissance et de mise à jour des modèles.
Module 2Ingénierie du contexte
Définition simple : Organisation des informations et contraintes fournies à une IA pour une tâche donnée.
Définition technique : Elle choisit les documents utiles, leur fraîcheur, les instructions, les exemples et le périmètre transmis au modèle. Elle tient compte de la limite de contexte et de la fiabilité des sources.
Pourquoi c’est important : Ajouter toujours plus de texte ne rend pas automatiquement la réponse meilleure.
Module 12Injection de prompt
Définition simple : Tentative de détourner une IA au moyen d’instructions glissées dans une entrée ou une source.
Définition technique : Une page web, un courriel ou un document peut contenir des consignes qui imitent une instruction légitime. Le système doit traiter ces contenus comme des données non fiables, surtout avant un appel d’outil.
Pourquoi c’est important : Une source consultée par l’IA ne doit pas pouvoir changer l’objectif fixé par l’utilisateur.
Module 13J
Jeu de test
Définition simple : Ensemble d’exemples utilisé pour vérifier un modèle ou un processus IA.
Définition technique : Le jeu de test contient des cas normaux, difficiles et critiques avec un résultat attendu ou des critères de jugement. Il doit être distinct des exemples qui ont servi à régler le système lorsque l’on veut mesurer sa généralisation.
Pourquoi c’est important : Des tests proches du vrai travail révèlent davantage que quelques démonstrations séduisantes.
Module 10L
LLM — Large Language Model
Définition simple : Modèle de langage entraîné sur des milliards de textes pour prédire et générer du texte.
Définition technique : Un LLM est un réseau de neurones à architecture Transformer, pré-entraîné par apprentissage auto-supervisé sur des corpus massifs. Il prédit le token suivant le plus probable. GPT-4, Claude, Gemini, Llama sont des LLM.
Pourquoi c’est important : C’est une technologie sous-jacente à de nombreux assistants IA actuels : comprendre ce qu’est un LLM, c’est comprendre ce qu’on utilise vraiment.
Module 1M
MCP (Model Context Protocol)
Définition simple : Protocole permettant à des applications IA de découvrir et utiliser des outils ou des sources de données compatibles.
Définition technique : MCP standardise la manière dont un client échange avec un serveur qui expose notamment des outils et des ressources. Il ne décide pas, à lui seul, des permissions, de la sécurité ni de la validation humaine.
Pourquoi c’est important : Une connexion facile à un outil n’est pas une raison pour lui donner accès à toutes les données.
Module 10Modèle, produit et infrastructure
Définition simple : Trois niveaux distincts derrière un service présenté comme « une IA ».
Définition technique : Le modèle produit des sorties à partir d’entrées. Le produit ajoute une interface, des règles et des fonctions. L’infrastructure fournit calcul, hébergement et accès. Une qualité observée dans l’un ne garantit pas celle des autres.
Pourquoi c’est important : Cette distinction aide à lire les annonces techniques sans confondre performance du modèle et fiabilité du service.
Module 11Multimodal
Définition simple : Qualifie un modèle IA capable de traiter simultanément plusieurs types de données (texte, image, audio, vidéo).
Définition technique : Un modèle multimodal intègre plusieurs modalités d’entrée et/ou de sortie : GPT-4o, Gemini 1.5, Claude 3 Sonnet peuvent traiter texte et images. La fusion des modalités se fait au niveau des embeddings. Chaque modalité a ses propres limites et taux d’hallucination.
Pourquoi c’est important : Comprendre les modalités évite de sur-interpréter les capacités «universelles» des modèles récents.
Module 11O
Orchestration
Définition simple : Organisation de plusieurs étapes, modèles ou outils dans un même processus.
Définition technique : L’orchestration définit l’ordre des tâches, les données transmises, les points de contrôle et le traitement des erreurs. Multiplier les IA ne crée pas automatiquement une vérification indépendante.
Pourquoi c’est important : Un processus utile prévoit qui produit, qui contrôle et qui autorise la suite.
Module 10Overfitting
Définition simple : Phénomène où un modèle mémorise les données d’entraînement au détriment de sa capacité de généralisation.
Définition technique : L’overfitting se produit quand un modèle optimise trop finement ses paramètres sur les données d’entraînement et perd en généralisation sur des données nouvelles. Pour les LLM, il se manifeste par une sur-représentation de patterns du corpus et des biais associés. Prévenu par la régularisation et les données de validation.
Pourquoi c’est important : Comprendre l’overfitting aide à interpréter les biais et limites des modèles spécialisés.
Module 12P
Permissions
Définition simple : Droits accordés à un système pour lire, modifier ou transmettre des données.
Définition technique : Les permissions doivent être limitées aux ressources et actions nécessaires. La lecture, l’écriture, la publication et l’envoi externe peuvent être séparés. Une instruction textuelle seule ne remplace pas un contrôle d’accès technique.
Pourquoi c’est important : Moins un agent peut faire d’actions inutiles, moins une erreur peut produire de dégâts.
Module 14Poids ouverts et open source
Définition simple : Distinction entre l’accès aux paramètres d’un modèle et l’ouverture complète de ses composants.
Définition technique : Des poids ouverts permettent de récupérer certains paramètres du modèle, sous une licence donnée. Cela n’implique pas que le code, les données d’entraînement ou les méthodes de reproduction soient publiés ni librement réutilisables.
Pourquoi c’est important : Le mot « ouvert » doit être vérifié composant par composant avant de parler d’open source.
Module 11Prompt
Définition simple : Instruction textuelle envoyée à un modèle d’IA pour orienter sa réponse.
Définition technique : Un prompt est l’entrée que l’utilisateur soumet au modèle. Sa structure détermine la qualité et la pertinence de la sortie. Un prompt peut inclure un rôle, un style, un périmètre, des contraintes et des exemples. La qualité du prompt est le principal levier de contrôle de l’IA.
Pourquoi c’est important : La maîtrise du prompting est la compétence fondamentale de l’utilisateur d’IA.
Module 7Q
Quantification
Définition simple : Technique qui réduit la précision numérique utilisée pour représenter les paramètres d’un modèle.
Définition technique : La quantification peut diminuer la mémoire et le coût de calcul à l’inférence. Son effet sur la qualité dépend de la méthode, du modèle et des tâches testées. Elle ne rend pas un modèle plus fiable par principe.
Pourquoi c’est important : Un modèle plus léger peut être pratique en local, mais doit être évalué sur les usages prévus.
Module 11R
RAG — Retrieval-Augmented Generation
Définition simple : Technique qui connecte un LLM à une base de connaissance externe en temps réel.
Définition technique : Le RAG injecte des documents récupérés dynamiquement dans le prompt avant la génération. Cela permet au modèle d’accéder à des informations fraîches ou privées sans nécessiter de fine-tuning. La qualité dépend du système de retrieval et de la pertinence des documents récupérés.
Pourquoi c’est important : Le RAG est la principale technique pour créer des assistants IA basés sur une base de connaissance contrôlée.
Module 10Reset
Définition simple : Action volontaire de clôture de session pour effacer le contexte accumulé.
Définition technique : Le reset consiste à terminer une conversation IA et en démarrer une nouvelle avec un prompt frais. Il supprime tout contexte antérieur, prévient le drift accumulé et repart d’un état stable. Dans la méthode Watshmi, le reset est une action structurelle systématique entre les blocs.
Pourquoi c’est important : Le reset est la principale technique de prévention du drift cognitif.
Module 9RLHF — Reinforcement Learning from Human Feedback
Définition simple : Technique d’entraînement par rétroaction humaine.
Définition technique : Le RLHF entraîne un modèle de récompense sur des préférences humaines (quel texte est meilleur ?), puis optimise le LLM via PPO pour maximiser ce score. C’est la technique principale derrière ChatGPT et Claude pour aligner les sorties avec les préférences humaines.
Pourquoi c’est important : Comprendre le RLHF explique pourquoi les LLM sont polis, évitent les contenus dangereux, et peuvent produire des réponses trop complaisantes.
Module 14Role+Style+Scope
Définition simple : Méthode de structuration de prompt en trois blocs : rôle, style, périmètre.
Définition technique : Développée par Watshmi, la méthode RSS définit : RÔLE (qui est l’IA dans ce contexte), STYLE (ton, registre, format), SCOPE (périmètre strict de la mission). Elle permet d’obtenir des réponses stables, prévisibles et professionnelles quel que soit le modèle utilisé.
Pourquoi c’est important : C’est la base de tout prompt professionnel structuré.
Module 7S
Sortie structurée
Définition simple : Réponse IA organisée selon un format défini, par exemple des champs JSON.
Définition technique : Un schéma peut imposer des clés et des types de données. Il facilite le traitement automatique, mais un format valide ne garantit ni l’exactitude des valeurs ni l’autorisation d’une action.
Pourquoi c’est important : Un résultat bien rangé peut rester faux : il faut contrôler le fond autant que la forme.
Module 10Souveraineté des données
Définition simple : Capacité à décider où les données sont stockées, traitées et accessibles.
Définition technique : Elle dépend notamment de l’hébergement, des prestataires, des contrats, des accès techniques et des règles applicables. La localisation d’un serveur ne suffit pas à elle seule à prouver une maîtrise complète.
Pourquoi c’est important : Pour choisir une IA professionnelle, il faut suivre le trajet réel des données, pas seulement une promesse commerciale.
Module 14T
Temperature
Définition simple : Paramètre contrôlant la créativité ou le déterminisme des réponses d’un LLM.
Définition technique : La temperature (0 à 2) modifie la distribution de probabilité lors de la sélection du token suivant. Une valeur basse favorise généralement les choix les plus probables sans garantir le déterminisme. Une valeur plus élevée augmente la diversité des sorties ; sa plage et son effet précis dépendent du fournisseur.
Pourquoi c’est important : Ajuster la temperature est le premier levier de contrôle lors de l’usage d’une API IA.
Module 8Token
Définition simple : Unité de base de traitement du texte par un modèle LLM (fragment de texte ~4 caractères en moyenne).
Définition technique : Un modèle LLM traite le texte sous forme de tokens : fragments de mots, mots entiers ou signes de ponctuation. Le nombre de tokens détermine la longueur maximale d’un échange (context window). La tokenisation varie selon les modèles et les langues.
Pourquoi c’est important : Comprendre les tokens explique les limites de longueur et les coûts d’API.
Module 2Top-p (nucleus sampling)
Définition simple : Paramètre limitant le choix aux tokens dont la probabilité cumulée atteint p.
Définition technique : Le top-p (ou nucleus sampling) sélectionne les tokens dont la somme des probabilités atteint p (ex. 0.9). Contrairement au top-k, le nombre de tokens considérés varie selon la distribution. Utilisé conjointement avec la temperature pour contrôler la diversité des sorties.
Pourquoi c’est important : Top-p et temperature sont les deux paramètres de contrôle de la génération les plus utilisés en production.
Module 8Traçabilité
Définition simple : Possibilité de retrouver les étapes, sources et décisions d’un processus IA.
Définition technique : Un journal utile peut consigner les versions, les entrées pertinentes, les appels d’outils, les validations et les erreurs, tout en respectant la confidentialité. Il permet d’examiner un incident et de corriger le processus.
Pourquoi c’est important : Sans trace, une réponse convaincante devient difficile à vérifier ou à contester.
Module 14Training
Définition simple : Phase d’apprentissage d’un modèle IA sur un corpus de données.
Définition technique : Le training ajuste les milliards de paramètres d’un réseau de neurones via rétropropagation du gradient sur un corpus massif. Le pré-training des LLM dure des semaines sur des milliers de GPU. La date de coupure de training détermine les limites de connaissance temporelle du modèle.
Pourquoi c’est important : Comprendre le training explique pourquoi un modèle ne «sait» pas ce qui s’est passé après sa date de coupure.
Module 2Transformer
Définition simple : Architecture de réseau de neurones introduite en 2017, base de tous les LLM modernes.
Définition technique : Le Transformer (paper «Attention Is All You Need», 2017) remplace les RNN par un mécanisme d’attention parallélisable. Il se compose d’encodeurs et décodeurs empilés. GPT, BERT, Claude, Gemini sont tous des variantes de cette architecture.
Pourquoi c’est important : Comprendre le Transformer, c’est comprendre pourquoi les IA actuelles fonctionnent comme elles fonctionnent.
Module 2V
Validation humaine
Définition simple : Contrôle explicite par une personne avant une décision ou une action importante.
Définition technique : La validation exige un pouvoir réel de refuser, corriger ou arrêter l’opération. Elle doit intervenir au bon moment, avec les éléments nécessaires pour juger, et ne pas se réduire à un clic automatique.
Pourquoi c’est important : L’autorité humaine n’existe pas si la personne n’a ni information suffisante ni possibilité d’intervenir.
Module 14Z
Zero-shot
Définition simple : Technique de prompt sans exemple, basée uniquement sur l’instruction.
Définition technique : Le zero-shot prompting ne fournit aucun exemple, seulement une instruction. Fonctionne pour les tâches générales bien définies. Moins précis que le few-shot pour les sorties très formatées, mais suffisant pour la majorité des usages courants.
Pourquoi c’est important : Comprendre la différence few-shot/zero-shot optimise le choix de technique selon la complexité.
Module 7