Pour qu’un modèle de langage puisse fournir des réponses adaptées à l’utilisateur, il est essentiel de lui attribuer un rôle clair ou de définir son propre rôle. Cela permet de délimiter le contexte et d’améliorer la pertinence des réponses. Deux exemples illustrent cette approche :

Entrée : « Réponds à ma question en tant que médecin : <Question> »

Entrée : « Je suis médecin de famille avec 15 ans d’expérience professionnelle. J’aimerais que tu répondes à la question suivante en tant que <rôle> (collègue médecin, expert en médicaments, fabricant de logiciels)... » 

Lorsque le rôle est défini, le modèle de langage ajuste certains paramètres. Cela inclut la température, un terme qui décrit le caractère aléatoire des réponses. Une température élevée conduit à des réponses plus créatives, mais moins prévisibles, tandis qu’une température basse fournit des réponses plus précises et déterministes.

Un autre avantage de la définition des rôles est l’adaptation de la réponse au rôle : le modèle fournit des informations ciblées et réduit les malentendus dus à des formulations ambiguës. Cela augmente à la fois l’efficacité et la pertinence des réponses.

Comparaison sans et avec définition des rôles :

Sans définition des rôles :
Utilisateur : « Qu’est-ce que le diabète de type 2 ? »
Modèle de langage : « Le diabète de type 2 est une maladie du métabolisme. Souhaites-tu que je te donne des conseils nutritionnels généraux ? »

Avec explication des rôles :
Utilisateur : « Tu es un expert médical. Explique le diabète de type 2 de manière objective et précise à un médecin. »
Modèle de langage : « Le diabète de type 2 est une maladie métabolique chronique caractérisée par une résistance à l’insuline et une sécrétion d’insuline perturbée. Les critères diagnostiques sont un taux d’HbA1c ≥ 6,5 %, une glycémie à jeun ≥ 126 mg/dl ou un test OGTT avec une glycémie à 2 heures ≥ 200 mg/dl. »

Remarque importante :
​​​​​​​Le rôle défini reste dans la même boîte de dialogue. Les questions suivantes sont automatiquement traitées dans ce contexte. Si l’utilisateur souhaite une autre perspective ou un autre rôle, il doit être explicitement redéfini.

L’utilisation de la langue spécialisée élargit le contexte et permet une communication claire et précise avec le modèle de langage. La langue spécialisée est conçue pour décrire de manière univoque des situations complexes et réduit les malentendus, car le modèle de langage adapte le type et le style de la réponse.

Un autre avantage réside dans le fait que la langue spécialisée permet à l’utilisateur d’obtenir des informations directement dans le format souhaité, sans que le modèle ait besoin de les reformuler pour les non-spécialistes. Cela augmente l’efficacité, en particulier pour des tâches spécifiques telles que l’assistance à des travaux scientifiques, la rédaction de rapports ou la prise de décisions cliniques.

Il n’est donc pas nécessaire d’expliquer au modèle des termes techniques fondamentaux tels que le taux d’HbA1c ou d’autres paramètres médicaux. Au contraire, les requêtes doivent être formulées avec précision dans la langue spécialisée appropriée afin d’obtenir les résultats souhaités.

La juste mesure du contexte
Pour qu’un modèle de langage puisse répondre aux exigences souhaitées, il a besoin du bon contexte. Sans contexte suffisant, il n’est pas en mesure de fournir des informations précises ou pertinentes. Cela peut entraîner des malentendus, en particulier avec des termes tels que « thérapie » ou « complications », qui peuvent être interprétés différemment selon le contexte. 

Remarque importante : informations sensibles
Lors de la mise à disposition du contexte, il faut impérativement éviter les informations sensibles, telles que les données personnelles d’un patient. Ces données ne doivent en aucun cas être intégrées dans une demande. Une fois utilisées, elles ne peuvent plus être supprimées. Il est possible que ces informations réapparaissent ultérieurement chez d’autres utilisateurs ou dans une autre demande.

Exemple :

Utilisateur 1 : « Le patient Max Müller, domicilié à Zurich, Musterstrasse 16a, est un homme de 65 ans souffrant de BPCO. M. Müller a reçu ce jour un antibiotique pour traiter une infection bactérienne. Quels autres examens faut-il maintenant effectuer ? »

Modèle de langage : « Réponse... »

Le problème technique réside dans le fait que le modèle pourrait relier ou enregistrer des données, ce qui permettrait à ces informations de réapparaître ultérieurement. De plus, nous ne devons pas oublier que le traitement d’une demande entraîne souvent l’activation de services supplémentaires susceptibles de créer des fichiers journaux (enregistrements des activités du système).

Lors de l’utilisation de l’IA générative, il convient de respecter les normes en matière de protection des données telles que le RGPD​​​​​​​¹¹  (règlement général sur la protection des données) dans l’UE ou la loi sur la protection des données révisé¹² (nLPD) en Suisse. Celles-ci stipulent que seules les données nécessaires peuvent être traitées (minimisation des données) et que les informations personnelles ne peuvent en aucun cas être utilisées sans consentement. Les requêtes adressées aux modèles d’IA ne doivent donc pas contenir de données directement identifiables sur les patient-e-s, telles que des noms, des adresses ou des informations similaires.

Tout l’art consiste à fournir autant de contexte que nécessaire, mais aussi peu que possible. Une méthode pratique consiste à adopter une approche itérative, dans laquelle on fournit davantage de contexte au fur et à mesure jusqu’à ce que le modèle donne une réponse précise.

Il convient donc d’évaluer quelles informations sont réellement nécessaires pour obtenir une réponse pertinente. L’âge d’un patient peut par exemple être important, mais les données personnelles telles que le nom ou l’adresse ne doivent surtout pas être utilisées pour éviter tout problème lié à la protection des données.

Exemples de demandes appropriées et inappropriées :

Demande inappropriée :
« M. Meier, patient âgé de 72 ans, domicilié à Bâle, souffre de diabète de type 2, a un DFG de 25 et pèse 80 kg. Quel est le traitement recommandé ? »

Demande appropriée :
« Un patient de 72 ans atteint de diabète de type 2, avec un DFG de 25 et un poids de 80 kg. Quelles sont les options thérapeutiques médicamenteuses appropriées au vu des directives actualisées ? »

Exemple de processus itératif :
« De quelles informations as-tu besoin pour faire une recommandation précise à un patient atteint de diabète de type 2 ? »

Lors de la conception des prompts, c’est-à-dire lors de la formulation de la demande, des exemples peuvent aider à obtenir des réponses dans le format souhaité. Comme indiqué au chapitre 1, les grands modèles de langage fonctionnent de manière probabiliste et peuvent interpréter un énoncé de plusieurs manières. Les exemples permettent de limiter cette diversité et de réduire les réponses à un format spécifique. Cette approche est particulièrement efficace lorsque plusieurs questions sont posées au modèle, car elle réduit la variabilité des réponses.

Les exemples guident ainsi le modèle de langage dans la génération de réponses, et peuvent également servir de modèles pour des demandes similaires. Cette fonctionnalité est particulièrement utile dans des domaines tels que la médecine ou la science, où la précision et l’uniformité sont essentielles.

Un avantage majeur réside dans le fait que les exemples permettent de définir non seulement la structure du contenu, mais aussi le format de la réponse. Les utilisateurs peuvent indiquer explicitement que la réponse doit être présentée, par exemple, au format Markdown, dans un tableau, sous forme de liste à puces ou de texte continu. Cette flexibilité est particulièrement utile pour les rapports, l’agrégation de données ou les informations structurées.

Exemple de spécifications de format :

• Format Markdown : « Résume les informations suivantes sous forme de liste avec Markdown ».
• Tableau  : « Représente les données relatives au développement des médicaments dans un tableau. Exemple : Colonne 1 : Médicament, Colonne 2 : Effets, Colonne 3 : Effets secondaires. »

De plus, des exemples peuvent être utilisés de manière ciblée pour indiquer au modèle les réponses souhaitées et indésirables. Alors que les exemples positifs montrent comment le modèle doit répondre, les exemples négatifs peuvent indiquer les types de réponses à éviter.

Un autre avantage des exemples est leur flexibilité. Ils permettent une amélioration itérative de la requête si la première réponse ne correspond pas aux attentes. Les utilisateurs peuvent adapter, compléter ou affiner leurs exemples afin d’obtenir les résultats souhaités.

Un exemple d’utilisation pratique :

• Demande imprécise : « Explique la sclérose en plaques. »
• Avec illustration :  « Explique la sclérose en plaques de manière précise et dans le style d’un rapport médical. Exemple : la sclérose en plaques est une maladie auto-immune neurologique associée à une inflammation chronique, caractérisée par des plaques de démyélinisation disséminées. »

Pour les tâches complexes en particulier, il peut être utile de fournir une série d’exemples qui donnent au modèle une structure claire. Cela réduit le risque de malentendus et augmente la pertinence des réponses générées. Malgré leurs avantages, les exemples doivent être choisis avec soin. Des exemples trop nombreux ou trop divergents peuvent perturber le modèle ou mettre en évidence des réponses incohérentes.

L’ingénierie de prompt est un élément fondamental pour une interaction réussie avec les modèles d’IA générative. La qualité des réponses dépend en grande partie de la précision et de la pertinence contextuelle des requêtes formulées. Un prompt mal formulé conduit souvent à des réponses imprécises, non pertinentes ou ambiguës, ce qui est frustrant pour l’utilisateur.

En définissant clairement les rôles, en utilisant un langage technique, en fournissant le contexte approprié et en illustrant le format souhaité à l’aide d’exemples, il est possible d’améliorer considérablement les performances de l’IA. Ces techniques permettent non seulement d’obtenir des résultats plus précis et plus cohérents, mais aussi de communiquer plus efficacement, ce qui fait gagner du temps et réduit les incertitudes.

L’objectif de l’ingénierie de prompt est de guider l’IA générative afin qu’elle fournisse exactement ce qui est nécessaire, que ce soit dans le domaine scientifique, médical ou dans tout autre contexte professionnel. Les méthodes clés pour une ingénierie de prompt efficace sont résumées ci-dessous :

• Définir le rôle de l’IA.
• Communiquer en langage technique.
• Utiliser le bon contexte. 
• Étayer d’exemples.

L’ingénierie de prompt est la clé pour utiliser l’IA générative de manière efficace et ciblée. En combinant des rôles clairs, un langage technique précis, un contexte approprié et des exemples concrets, la qualité des réponses peut être considérablement améliorée.

À chaque nouvelle génération de grands modèles de langage, ces systèmes améliorent leur capacité à interpréter correctement les requêtes non structurées ou formulées de manière vague. Les modèles modernes comme GPT-4 sont capables de reconnaître implicitement les rôles et les contextes, de poser des questions complémentaires et de s’adapter à de nouvelles situations, même en cas de formulation sous-optimale des prompts. Cela signifie que l’importance de l’ingénierie de prompt évolue, passant d’un outil nécessaire à un outil d’affinage.

Dans de nombreux cas, les grands modèles de langage fournissent déjà aujourd’hui de premières propositions utilisables, même si le prompt n’est pas parfait. L’art consiste de plus en plus à affiner la qualité et la cohérence des réponses, plutôt que de se concentrer sur la manière de poser correctement les questions. Dans le milieu professionnel notamment, une bonne ingénierie de prompt reste pour l’instant un avantage concurrentiel. Toutefois, avec le perfectionnement des modèles, l’accent est désormais moins mis sur la manière de poser la question que sur l’utilisation responsable du résultat.

Les principes de base en ingénierie de prompt permettent déjà d’améliorer considérablement la qualité des réponses fournies par les modèles d’IA générative. Pour obtenir des résultats encore plus précis, cohérents et structurés, il existe toutefois des méthodes avancées qui vont au-delà de ces principes de base. Ces techniques avancées permettent de résoudre plus efficacement des tâches complexes, de cibler davantage les réponses et d’optimiser la clarté des contenus générés. Comme ces méthodes sont en constante évolution, nous nous concentrerons ici sur les principales approches qui complètent et approfondissent de manière judicieuse le principe de l’ingénierie de prompt. 

1. Zero-shot prompting

Le « zero-shot prompting » désigne la capacité des modèles d’IA générative à exécuter des tâches à partir d’une instruction clairement formulée, sans qu’il soit nécessaire de fournir des exemples ou des modèles. Le terme « zero-shot » indique que le modèle peut accomplir une tâche dès le premier essai, car il a appris à établir des relations générales lors de son entraînement avec de grandes quantités de données.

De telles tâches sont généralement simples et ne nécessitent pas de connaissances de base spécifiques ou d’informations contextuelles supplémentaires. Les cas d’application typiques du zero-shot prompting sont :

• Traductions (p. ex. allemand → anglais)
• Synthèse de textes
• Vérification de la grammaire
• Classifications thématiques

Le zero-shot prompting trouve également des applications utiles dans le quotidien médical :

• associer les symptômes à des pathologies possibles,
• informer les patient-e-s dans un langage compréhensible,
• identifier les interactions médicamenteuses,
• évaluer l’urgence grâce à une échelle de tri.

Pour que le zero-shot prompting fonctionne de manière fiable, des modèles d’IA générative ont été spécialement entraînés pour comprendre clairement les instructions générales et y répondre de manière cohérente. Ce réglage des instructions (ou « instruction tuning ») garantit que les tâches standardisées peuvent être résolues avec précision, sans nécessiter d’explications supplémentaires [41]. 

2. Limites du zero-shot prompting

Le zero-shot prompting peut toutefois atteindre ses limites dans le cas de tâches complexes ou ambiguës. Dans ces situations, les méthodes « few-shot » ou « one-shot » sont plus efficaces, car elles aident le modèle à mieux comprendre les contextes complexes à l’aide d’exemples ciblés. Une vérification minutieuse des réponses générées est indispensable, en particulier pour les sujets sensibles, comme les diagnostics médicaux ou les recommandations thérapeutiques. 

3. One-shot prompting et few-shot prompting

Des méthodes avancées telles que le one-shot prompting ou le few-shot prompting sont utilisées lorsque le zero-shot prompting atteint ses limites. Contrairement au zero-shot prompting, où le modèle ne reçoit qu’une seule instruction, des exemples spécifiques sont fournis ici pour mieux préparer le modèle à la tâche à accomplir.

Cette technologie repose sur le principe de l’apprentissage en contexte (in-context learning) : le modèle de langage apprend à résoudre des tâches similaires à partir d’exemples concrets. Elle permet d’améliorer la qualité et la précision des réponses, en particulier pour les questions complexes. 

Le terme « one-shot prompting » ou « few-shot prompting » dépend uniquement du nombre d’exemples fournis [4]. 

• One-shot prompting – Le modèle reçoit un exemple à titre indicatif.
• Few-shot prompting – Le modèle reçoit plusieurs exemples afin de mieux comprendre les tâches plus complexes.

Avec l’augmentation de la taille et des performances des modèles, rendue possible par les progrès réalisés dans le domaine des grands modèles de langage [42], le few-shot prompting s’est révélé particulièrement efficace [43].

Un exemple de Brown et al. [4] montre comment appliquer un one-shot prompting :

Requête one-shot prompting :

Requête few-shot prompting¹³ :

Dans les deux cas, le modèle utilise les exemples pour déterminer comment résoudre la tâche. Plus le nombre d’exemples fournis est élevé (few-shot), plus le modèle est capable de reconnaître des schémas complexes. 

Comme l’ont découvert Min et al. [44], une séparation claire entre la tâche, l’exemple et la réponse est essentielle pour garantir la qualité des résultats. Les symboles de séparation, tels que les flèches (->), les tirets (-) ou les deux points (:), aident le modèle à comprendre la transition entre l’instruction, l’exemple et la réponse attendue. Une structure cohérente est également importante, car elle permet d’augmenter la précision et la fiabilité des réponses générées.

Limites du few-shot prompting
Bien que le few-shot prompting soit efficace pour de nombreuses tâches, cette méthode atteint ses limites lorsqu’il s’agit de tâches plus complexes, en particulier celles qui requièrent un raisonnement logique ou à plusieurs niveaux. 

Lorsque l’on demande à l’IA générative si une somme de nombres définis donne un nombre pair ou impair, la réponse change :

La réponse ne suit plus de manière statique les exemples fournis. Le prompt passe automatiquement à la méthode chain-of-thought, qui fournit également le raisonnement ayant conduit à la réponse (voir ci-dessous).

Avec le few-shot prompting standard, nous obtenions encore des réponses simples telles que « La réponse est correcte ». Grâce au chain-of-thought prompting, l’approche a changé : au lieu d’une réponse directe, le modèle fournit désormais une séquence structurée de processus de réflexion et d’étapes intermédiaires pour résoudre systématiquement des tâches complexes.

4. Chain-of-thought prompting

Dans le cadre du chain-of-thought (CoT)-prompting, une tâche est décomposée en plusieurs étapes logiques individuelles. Le modèle est guidé de manière ciblée tout au long du processus de résolution, en traitant la tâche étape par étape. Cette méthode favorise l’approche logique et aide le modèle à développer des arguments pertinents. Le CoT prompting permet d’améliorer considérablement la qualité des réponses, notamment pour les tâches qui requièrent des analyses en plusieurs étapes, des calculs mathématiques ou des conclusions complexes. 

Les modèles d’IA générative modernes sont désormais capables de détecter de manière autonome si un problème est suffisamment complexe pour activer le mode chain-of-thought. On parle alors de CoT prompting automatisé. Dans des travaux de recherche antérieurs, comme ceux de Wie et al. [45], ce mécanisme n’était pas encore établi, ce qui entraînait plus souvent des erreurs dans les réponses. 

Si le modèle ne passe pas automatiquement au CoT prompting, c’est-à-dire au CoT prompting automatisé, il est possible de le forcer. Comme l’ont montré Kojima et al. [46], une simple indication, telle que « Réfléchis étape par étape » ou « Let’s think step by step », suffit souvent à inciter le modèle à résoudre le problème de manière structurée.

Le grand avantage de cette méthode réside dans sa transparence. Les utilisateurs ont un aperçu des processus de génération de l’IA. Elle renforce également la sécurité, car il est possible de comprendre comment le modèle parvient à une réponse. 

Limites du chain-of-thought prompting
Malgré ses avantages, le CoT prompting présente également des limites. 

• Temps nécessaire – la déduction par étapes prend beaucoup plus de temps qu’une réponse directe.
• Risque d’erreurs – des erreurs peuvent survenir non seulement dans la réponse finale, mais aussi dans les différentes étapes intermédiaires.
• Pas toujours pertinent – pour les tâches simples, les efforts déployés sont souvent disproportionnés par rapport aux avantages obtenus.

Le chain-of-thought prompting élargit considérablement les possibilités des modèles d’IA générative en rendant leurs processus transparents et compréhensibles. Cette méthode permet d’obtenir des réponses de meilleure qualité, notamment pour les tâches complexes qui nécessitent plusieurs étapes d’analyse. 

5. Résumé

Dans ce chapitre, nous avons découvert les différentes méthodes d’ingénierie de prompt permettant de contrôler de manière ciblée la qualité et la précision des réponses des modèles d’IA génératifs. Le choix de la méthode appropriée dépend en grande partie de la complexité de la tâche. Plus la question est complexe, plus le modèle a besoin d’aide pour générer des réponses précises et compréhensibles.

Avec le zero-shot prompting, le modèle ne reçoit qu’une instruction claire, sans exemples supplémentaires. Cette méthode est particulièrement adaptée aux tâches simples et standardisées, comme les traductions, les résumés ou les classifications thématiques. Elle atteint toutefois rapidement ses limites dans le cas de tâches plus complexes, car sans informations contextuelles supplémentaires, le modèle n’est pas toujours en mesure de fournir des réponses précises et correctes.

Le one-shot prompting constitue ici une première amélioration. En fournissant un seul exemple au modèle, celui-ci obtient une aide pour structurer sa réponse. Cette méthode est utile pour les tâches qui nécessitent davantage de contexte ou une structure spécifique, comme la rédaction de textes ou le formatage d’informations. Toutefois, un seul exemple ne suffit souvent pas à obtenir des résultats optimaux lorsque les questions sont plus complexes.

Le few-shot prompting, qui consiste à fournir plusieurs exemples au modèle, permet d’améliorer encore la qualité des réponses. Grâce à cette diversité d’exemples, le modèle peut résoudre des tâches plus complexes, qui présentent différentes possibilités d’interprétation, ou traiter des informations structurées. Cependant, le few-shot prompting peut atteindre ses limites face à des tâches qui nécessitent une « réflexion » logique à plusieurs niveaux.

Le chain-of-thought (CoT) prompting a été développé dans cette optique. Cette approche consiste à structurer les demandes au modèle pour qu’il réponde en suivant un raisonnement étape par étape, plutôt qu’en donnant une réponse brute. Elle favorise l’analyse logique et permet d’obtenir des réponses plus convaincantes et plus compréhensibles. Le CoT prompting génère des réponses de meilleure qualité, en particulier pour les tâches qui nécessitent une réflexion en plusieurs étapes, des calculs mathématiques ou des conclusions complexes. Les modèles d’IA modernes sont désormais capables de détecter de manière autonome si une tâche est suffisamment complexe pour passer automatiquement en mode « chain-of-thought ». On parle alors de CoT prompting automatisé. Si le modèle ne parvient pas à effectuer cette évaluation de manière autonome, il est possible d’activer ce mode de manière ciblée à l’aide d’instructions telles que « Réfléchis étape par étape » ou « Let’s think step by step », comme l’ont démontré Kojima et al. [46]. 

L’un des principaux avantages du chain-of-thought prompting est sa transparence : il permet de comprendre les processus de traitement de l’IA et de saisir exactement comment le modèle parvient à une réponse. Cette transparence renforce la sécurité et la confiance dans les contenus générés. Néanmoins, le CoT prompting présente également certaines limites. La déduction progressive prend beaucoup plus de temps qu’une réponse directe et des erreurs peuvent survenir non seulement dans la réponse finale, mais aussi dans les différentes étapes intermédiaires. De plus, cette méthode n’est souvent pas pertinente pour les tâches simples, car les efforts déployés sont souvent disproportionnés par rapport aux avantages obtenus.

En résumé, la combinaison de ces quatre méthodes offre un moyen flexible et efficace de contrôler de manière ciblée les performances des modèles d’IA générative. Les tâches simples peuvent être résolues efficacement avec le zero-shot prompting, tandis que les tâches plus complexes bénéficient de l’approche progressive et logique du CoT prompting. Si le modèle ne sélectionne pas automatiquement le mode approprié, il est possible d’influencer la profondeur et la structure de la réponse souhaitées à l’aide d’instructions adaptées. Complémentaires, ces différentes méthodes contribuent à améliorer la qualité, la transparence et la traçabilité des réponses générées par l’IA, ce qui est particulièrement important dans des domaines sensibles tels que la médecine, la science ou les processus décisionnels complexes.