Apprentissage few-shot

Aussi appelé : Few-Shot Learning · few-shot-learning · N-shot learning · apprentissage à partir de peu d'exemples

Terme IA Intermédiaire 🧠 Concepts fondamentaux

Mis à jour le 11 juin 2026

L'apprentissage few-shot consiste à fournir à un modèle d'IA un petit nombre d'exemples (généralement entre 2 et 5) dans le prompt pour lui apprendre instantanément à accomplir une nouvelle tâche.

📖 Définition

L'apprentissage few-shot permet à un modèle d'IA d'accomplir une nouvelle tâche à partir de seulement quelques exemples fournis dans la requête. Contrairement à l'entraînement classique nécessitant des milliers de données, cette approche exploite la capacité de généralisation rapide du modèle. Les exemples servent de guide contextuel. Cette méthode est utile lorsque les données étiquetées sont rares ou coûteuses.

💬 En termes simples

Pensez à un nouveau conseiller en ressources humaines à qui l'on montre deux ou trois exemples de lettres de refus bien rédigées. Ces quelques modèles suffisent pour qu'il comprenne le ton et la structure, puis qu'il produise un résultat cohérent de manière autonome.

🎯 Exemple concret

Une coopérative agricole de la Montérégie fournit trois exemples de rapports phytosanitaires à un modèle few-shot. Un organisme gouvernemental québécois utilise cinq exemples pour synthétiser des centaines de documents. Une PME technologique de Québec adapte rapidement son chatbot à une nouvelle gamme de produits.

💡 Le saviez-vous ?

L'article Language Models are Few-Shot Learners (OpenAI, 2020) a démontré qu'un seul modèle pouvait rivaliser avec des dizaines de systèmes spécialisés. Le nombre optimal d'exemples se situe généralement entre trois et cinq; au-delà, les gains deviennent marginaux.

❓ Questions fréquentes

Pourquoi donner des exemples améliore-t-il les résultats de l'IA ?

L'IA est excellente pour imiter des motifs. En lui montrant deux ou trois exemples de la réponse parfaite que vous attendez, vous levez toute ambiguïté sur le format, le ton et le niveau de détail souhaité. C'est le moyen le plus simple et le plus rapide de transformer une IA généraliste en un expert de votre domaine.

À qui s'adresse cette technique au quotidien ?

À tout utilisateur de ChatGPT ou de Claude qui veut un résultat professionnel constant. Par exemple, si vous voulez que l'IA rédige des fiches produits dans un style bien précis, donnez-lui trois fiches existantes comme modèles avant de lui demander d'en écrire une nouvelle. Le gain de qualité sera immédiat.

Quels sont les risques du few-shot prompting ?

Si vos exemples sont mauvais, biaisés ou contiennent des erreurs, l'IA les reproduira fidèlement. De plus, les exemples occupent de la place dans la fenêtre de contexte du modèle, ce qui augmente le coût en tokens et laisse moins de place pour le reste de votre document ou de votre conversation.

📚 Sources

ArXiv - Language Models are Few-Shot Learners (Tom Brown et al. (OpenAI), 2020)
Wikipedia - Few-shot learning (Wikipedia, 2024)

🔗 Termes liés

🏷️ Catégorie parente

Apprentissage automatique

Accueil

Outils

Annuaire

Apprendre