26 principes clés du prompt engineering

As-tu déjà remarqué que parfois, les réponses obtenues avec un modèle d’IA (ChatGpt, Claude…) peuvent être imprécises ou peu satisfaisantes ?

Ces grands modèles de langage (LLM) comme GPT-4 ou LLaMA ont révolutionné le traitement du langage naturel. Cependant, obtenir les meilleures performances de ces modèles reste parfois complexe. La qualité des réponses dépend énormément de la manière dont tu formules tes instructions.

Tu sais choisir la meilleure intelligence artificielle, mais comment améliorer les réponses que tu obtiens et maximiser l’efficacité de ces outils ?

Cet article présente 26 principes clés pour t’aider à concevoir des prompts efficaces et à exploiter pleinement le potentiel des LLM.

Cet article est issu des travaux de Sondos Mahmoud Bsharat, Aidar Myrzakhan, Zhiqiang Shen – Principled Instructions Are All You Need for Questioning LLaMA-1/2, GPT-3.5/4 que tu peux retrouver ici

Pourquoi optimiser tes Prompts est crucial

Les prompts, qui sont en quelque sorte le langage de programmation des LLM, jouent un rôle clé dans ce processus. Ils te permettent de guider le modèle pour obtenir les résultats que tu souhaites. Un prompt bien conçu peut faire toute la différence entre une réponse médiocre et un résultat exceptionnel.

Maîtriser l’art du prompt engineering te permet de :

• Améliorer la qualité et la pertinence des réponses,
• Obtenir des résultats plus précis et mieux adaptés à tes besoins,
• Exploiter pleinement les capacités des modèles,
• Résoudre des tâches complexes en les décomposant.

Voyons maintenant les principes essentiels pour concevoir des prompts optimaux et tirer le meilleur parti des LLM.

Principes Fondamentaux de Conception de Prompts

Il est important de comprendre les principes fondamentaux qui guident la conception efficace des prompts. Ces principes servent de base pour formuler des instructions qui génèrent des réponses de haute qualité à partir des modèles de langage pré-entraînés :

• Concision et Clarté : Les prompts doivent être concis tout en fournissant suffisamment d’informations spécifiques pour guider le modèle. Évite les informations superflues qui pourraient confondre le modèle ou entraîner des réponses hors sujet.
• Pertinence Contextuelle : Fournis un contexte pertinent qui aide le modèle à comprendre l’arrière-plan et le domaine de la tâche. L’utilisation de mots-clés, de terminologie spécifique au domaine ou de descriptions de situations peut ancrer les réponses du modèle dans le bon contexte.
• Alignement avec la Tâche : Assure-toi que le prompt est étroitement aligné avec la tâche à accomplir. Utilise un langage et une structure qui indiquent clairement la nature de la tâche au modèle.
• Démonstrations d’Exemples : Pour les tâches complexes, inclure des exemples dans le prompt peut montrer le format ou le type de réponse souhaité. C’est particulièrement utile dans les scénarios d’apprentissage “few-shot” ou “zero-shot”.
• Éviter les Biais : Conçois les prompts de manière à minimiser l’activation des biais inhérents au modèle. Utilise un langage neutre et sois attentif aux implications éthiques potentielles, surtout pour les sujets sensibles.
• Prompting Progressif : Pour les tâches nécessitant une séquence d’étapes, structure les prompts pour guider le modèle progressivement. Décompose la tâche en une série de prompts qui s’appuient les uns sur les autres.
• Adaptabilité : Prépare-toi à ajuster les prompts en fonction des performances du modèle et des retours itératifs. Sois prêt à affiner le prompt en fonction des sorties initiales et du comportement du modèle.

En gardant ces principes à l’esprit, tu seras mieux équipé pour concevoir des prompts efficaces qui maximisent les performances des LLM.

26 principes clés du prompt engineering

Les principes se regroupent en cinq catégories, chacune jouant un rôle essentiel pour bien interagir avec les modèles de langage (LLM) et obtenir des réponses optimales :

• Style de contenu et de langage
• Structure et clarté des prompts
• Spécificité et information
• Interaction et engagement de l’utilisateur
• Tâches complexes et codage

Examinons de plus près chacune de ces catégories et découvrons comment elles peuvent transformer tes interactions avec les LLM.

Style de contenu et de langage

• Si tu préfères des réponses concises, inutile d’être poli avec les LLM. Pas besoin d’ajouter des phrases comme « s’il te plaît », « si ça ne te dérange pas », « merci », « j’aimerais », etc. Va droit au but.
• Incorpore les phrases : “Ta tâche est” et “Tu DOIS.”
• Utilise “Tu seras pénalisé” dans les instructions.
• Utilise la phrase « Réponds à une question de manière naturelle et humaine » dans tes prompts.
• Assigne un rôle au modèle de langage.
• Répète un mot ou une phrase spécifique plusieurs fois dans un prompt.
• Pour corriger ou modifier un texte sans changer le style :
  • “Révise chaque paragraphe envoyé. Tu dois uniquement améliorer la grammaire et le vocabulaire tout en conservant le style d’écriture initial.”

Structure et clarté des prompts

• Intègre le public cible dans le prompt, par exemple : « Le public est un expert dans le domaine ».
• Utilise des directives affirmatives comme “fais” et évite le langage négatif comme “ne fais pas”.
• Utilise des mots introducteurs comme « réfléchis étape par étape ».
• Utilise des amorces de sortie, en concluant ton prompt avec le début de la sortie souhaitée.
• Utilise des délimiteurs pour bien séparer les différentes sections de ton prompt (Par exemple ### ou ““”” ou {}).
• Lors de la mise en forme de ton prompt, commence par
  • ###Instruction###,
  • suivi de ###Exemple### ou ###Question###, si pertinent.

Spécificité et Information

• Utilise le prompting basé sur des exemples : le few-shot prompting. Cette méthode permet sur la base d’exemples donnés, une génération par le modèle d’analogies. Tu lui fournis au départ quelques exemples dans ton prompt :

Exemple 1 :
Question : Le soleil est à la lune comme le jour est à…
Réponse : la nuit

Exemple 2 :
Question : Un peintre est à une toile comme un écrivain est à…
Réponse : un livre

Nouvelle question :
Question : Un professeur est à une classe comme un chef est à…
Réponse :

• Lorsque tu as besoin de clarté ou d’une meilleure compréhension d’un sujet, utilise des prompts explicatifs comme :
  • “Explique [sujet spécifique] en termes simples.”
  • “Explique-moi comme si j’avais 11 ans.”
  • “Explique-moi comme si j’étais débutant en [domaine].”
  • “Écris [essai/texte/paragraphe] en termes simples, comme si tu expliquais à un enfant de 5 ans.”
• Ajoute à ton prompt la phrase suivante : « Assure-toi que ta réponse est impartiale et ne repose pas sur des stéréotypes ».
• Pour écrire un texte qui doit être similaire à un échantillon fourni, inclut les instructions suivantes :
  • « Utilise le même langage que celui du [paragraphe/titre/texte/essai/réponse] fourni ».
• Lorsque tu veux commencer ou continuer un texte avec des mots spécifiques, utilise des amorces :
  • « Je te donne le début [paroles de chanson/histoire/paragraphe/essai…] : [insère les paroles/mots/phrases]. Termine-le en te basant sur les mots fournis. Garde le flux cohérent. »
• Énonce clairement les exigences que le modèle doit suivre pour produire du contenu, sous forme de mots-clés, de règles ou d’instructions.
• Si tu veux tester ta compréhension d’un sujet ou d’une idée, utilise la phrase suivante :
  • « Enseigne-moi le [théorème/sujet/règle] et inclue un test à la fin, mais ne me donne pas les réponses tout de suite. Dis-moi ensuite si j’ai bien répondu. »

Interaction et engagement de l’utilisateur

• Permets au modèle d’obtenir des détails précis en te posant des questions jusqu’à avoir assez d’informations pour fournir la sortie nécessaire
  • par exemple, « À partir de maintenant, je voudrais que tu me poses des questions pour… ».
• Pour un texte détaillé, demande :
  • “Écris un [texte] détaillé sur [sujet], en ajoutant toutes les informations nécessaires.”

Tâches complexes et codage

• Décompose les tâches complexes en prompts plus simples dans une conversation interactive.
• Combine la méthode “Chain-of-Thought” (CoT) avec les prompts few-shot (vu précédemment). Chain-of-Thought (CoT), ou “chaîne de pensée” est une approche qui consiste à guider le modèle de langage à travers une série d’étapes de réflexion logiques pour résoudre un problème ou répondre à une question complexe. Au lieu de demander une réponse directe, on encourage le modèle à “penser à voix haute” et à expliquer son raisonnement étape par étape. Cette technique est particulièrement utile pour :
  • Résoudre des problèmes complexes nécessitant plusieurs étapes de réflexion
  • Obtenir des réponses plus détaillées et mieux argumentées
  • Améliorer la précision et la pertinence des réponses générées
• Pour un prompt de codage complexe impliquant plusieurs fichiers :
  • « À partir de maintenant, chaque fois que tu génères du code qui s’étend sur plus d’un fichier, génère un script [langage de programmation] qui peut être exécuté pour créer les fichiers spécifiés ou modifier les fichiers existants pour insérer le code généré. [ta question] ».

Conclusion : L’art subtil du prompt engineering

Maîtriser la conception de prompts efficaces est un art subtil qui nécessite de la pratique. Ces 26 principes clés te fournissent une base solide pour améliorer tes interactions avec les grands modèles de langage.

Rappelle-toi que chaque modèle et chaque tâche peuvent nécessiter une approche légèrement différente. N’hésite pas à expérimenter et à ajuster tes prompts en fonction des résultats obtenus.

En appliquant ces principes, tu seras en mesure d’obtenir des réponses plus précises, plus pertinentes et mieux adaptées à tes besoins spécifiques. Tu exploitera ainsi pleinement le potentiel des LLM pour résoudre des tâches complexes et générer du contenu de haute qualité.

Le prompt engineering est un domaine en constante évolution. De nouvelles techniques émergent régulièrement à mesure que notre compréhension des LLM s’approfondit. Reste curieux, continue d’apprendre et d’affiner tes compétences.

Avec de la pratique et de la créativité, tu deviendras un véritable expert dans l’art de communiquer efficacement avec les intelligences artificielles les plus avancées. C’est une compétence précieuse qui t’ouvrira de nombreuses possibilités dans le monde en pleine mutation de l’IA et du traitement du langage naturel.

 

5

Partages

5