Comment optimiser un prompt pour les LLM ?

En in­tel­li­gence ar­ti­fi­cielle, les prompts LLM sont des commandes d’entrée qui servent à orienter les grands modèles de langage (en anglais Large Language Models) pour obtenir des réponses précises. Des prompts bien conçus amé­lio­rent la qualité des résultats et per­met­tent d’utiliser ef­fi­ca­ce­ment l’IA gé­né­ra­tive. Nous avons réuni dans cet article quelques règles clés pour concevoir des prompts pour les LLM de manière claire et ciblée.

Qu’est-ce qu’un prompt LLM ?

Les prompts LLM sont des entrées ou des ins­truc­tions trans­mises à un Large Language Model (LLM) afin de générer les réponses ou les actions sou­hai­tées. Il peut s’agir de questions, de tâches, d’in­for­ma­tions con­tex­tuelles (orales ou écrites), mais aussi d’images ou d’autres types de données. La qualité et la structure du prompt ont une influence dé­ter­mi­nante sur la précision et la per­ti­nence des réponses du modèle d’IA. L’éla­bo­ra­tion de prompts précis pour les LLM est appelée Prompt En­gi­nee­ring et vise à exploiter au mieux les pos­si­bi­li­tés de l’in­tel­li­gence ar­ti­fi­cielle gé­né­ra­tive.

Best practices : élaborer les meilleurs prompts LLM

Pour une in­te­rac­tion efficace avec l’in­tel­li­gence ar­ti­fi­cielle, un prompt LLM de qualité est d’une im­por­tance capitale. En effet, la réponse souhaitée ne sera générée que lorsque les ins­truc­tions sont clai­re­ment formulées. Voici quelques points auxquels il faut faire attention lors de la rédaction d’un prompt pour un LLM :

• Com­prendre les capacités du modèle d’IA : connaître les forces, les fai­blesses, mais aussi les données d’en­traî­ne­ment du LLM utilisé permet d’adapter de manière optimale les prompts aux capacités de l’in­tel­li­gence ar­ti­fi­cielle.
• Formuler pré­ci­sé­ment les prompts LLM : des prompts peu clairs en­traî­nent souvent des réponses im­pré­cises ou ambiguës. À l’inverse, des for­mu­la­tions claires et précises ga­ran­tis­sent que le modèle d’IA in­ter­prète cor­rec­te­ment la tâche et fournit des résultats ciblés. Il est également re­com­mandé de rédiger son prompt de manière concise et d’utiliser le même ton que celui souhaité pour la sortie.
• Fournir le contexte : les in­for­ma­tions con­tex­tuelles fa­ci­li­tent la com­pré­hen­sion du prompt par l’in­tel­li­gence ar­ti­fi­cielle. Un contexte clair augmente con­si­dé­ra­ble­ment la per­ti­nence et la précision de la sortie. Si des sources sup­plé­men­taires sont fournies, il peut être utile de définir les in­for­ma­tions à prendre en compte par le modèle d’IA au sein de ces dernières.
• Optimiser pro­gres­si­ve­ment les prompts : le prompting LLM nécessite souvent des ajus­te­ments. Si le prompt initial ne donne pas le résultat escompté, vous pouvez affiner l’ins­truc­tion en fonction de la réponse du modèle ou d’essayer dif­fé­rents prompts.
• Utiliser des for­mu­la­tions neutres : les questions d’orien­ta­tion peuvent in­fluen­cer les réponses du modèle d’in­tel­li­gence ar­ti­fi­cielle. Formulez vos prompts LLM vos prompts de manière neutre pour éviter de biaiser les réponses.
• Définir clai­re­ment le rôle du modèle IA : l’at­tri­bu­tion d’un rôle permet d’obtenir des résultats plus per­ti­nents. Attribuer un rôle spé­ci­fique à l’IA vous permet d’adapter le contexte et de cibler les réponses.
• Utiliser les modèles de prompts LLM existants : utilisez des modèles de prompts éprouvés et adaptez-les à vos besoins in­di­vi­duels afin d’obtenir des résultats optimaux. De nombreux exemples de prompts sont dis­po­nibles en ligne pour dif­fé­rents cas d’usage (marketing, juridique, SEO, etc.).

Comment optimiser les prompts LLM ?

Il existe dif­fé­rentes approches pour utiliser de manière optimale les grands modèles lin­guis­tiques. Voici quelques points clés auxquels faire attention lors de la création de prompts :

• Rôle
• Objectif principal
• Méta-ins­truc­tions
• Exemples d’ap­pli­ca­tion
• Longueur
• Ex­pé­ri­men­ta­tion

Rôle

Les Large Language Models disposent certes d’une multitude de données et d’in­for­ma­tions, mais ils ne con­nais­sent pas l’intention de l’uti­li­sa­teur. C’est pourquoi il est judicieux de fournir un contexte à l’in­tel­li­gence ar­ti­fi­cielle et de lui donner un rôle spé­ci­fique : spé­cia­liste SEO ou expert en marketing, par exemple. La dé­fi­ni­tion d’un rôle aide ainsi le modèle lin­guis­tique à cibler les réponses et à produire des résultats per­ti­nents dans le style ou pour le domaine souhaité.

Objectif principal

Indiquez de manière précise et concise votre objectif principal lorsque vous rédigez un prompt LLM. En com­bi­nai­son avec le rôle que vous lui avez attribué, l’IA com­pren­dra dans la plupart des cas le résultat que vous visez, même si la des­crip­tion n’est pas très précise. Voici des exemples de prompts avec des rôles clai­re­ment définis :

• Exemple 1 : « Mets-toi dans la peau d’un spé­cia­liste SEO et crée des pro­po­si­tions de thèmes pour des articles de blog avec le mot-clé « prompt LLM », qui puissent in­té­res­ser les lecteurs. »
• Exemple 2 : « Tu es une experte en survie. Explique aux pas­sion­nés de plein air inex­pé­ri­men­tés les cinq critères les plus im­por­tants pour la com­po­si­tion d’un équi­pe­ment de survie. »

Méta-ins­truc­tions

Pour que le modèle lin­guis­tique puisse résoudre des tâches complexes de manière sa­tis­fai­sante, il est re­com­mandé de les dé­com­po­ser en sous-tâches. Si l’IA doit générer des pro­po­si­tions de thèmes pour des articles sur les prompts LLM, commencez par lui faire iden­ti­fier les mots-clés per­ti­nents avant de générer des idées d’articles. Les étapes de ré­so­lu­tion cor­res­pon­dantes peuvent non seulement être pré­dé­fi­nies, mais aussi générées par le modèle d’IA lui-même, par exemple à l’aide d’un prompt tel que : « Résous la tâche étape par étape et justifie chaque étape ».

Exemples d’ap­pli­ca­tion

Les exemples per­met­tent à l’in­tel­li­gence ar­ti­fi­cielle de se faire une meilleure idée du résultat souhaité. Plus les exemples choisis sont clairs, plus le modèle parvient à re­pro­duire les exigences. Pour imiter un style, l’IA n’a gé­né­ra­le­ment besoin que de quelques points de repère. Par exemple, s’il s’agit de rédiger un texte sur un sujet donné, il suffit gé­né­ra­le­ment d’insérer deux ou trois exemples de textes qui cor­res­pon­dent aux attentes, notamment en termes de structure et de for­mu­la­tion.

Longueur

Des prompts trop longs peuvent conduire à ce que l’IA ne tienne pas ou peu compte des in­for­ma­tions im­por­tantes qu’ils con­tien­nent. Cette situation est due au fait que les grands modèles lin­guis­tiques sont surtout attentifs au début et à la fin de la fenêtre de contexte. Ainsi, renoncer aux for­mu­la­tions su­per­flues, se con­cen­trer sur quelques exemples concis et résumer les in­for­ma­tions per­ti­nentes de manière compacte peuvent vous permettre d’attendre votre résultat final plus fa­ci­le­ment.

Ex­pé­ri­men­ta­tion

Avec l’IA gé­né­ra­tive, les résultats dépendent souvent fortement du hasard. En sai­sis­sant le même prompt deux fois, vous ob­tien­drez des résultats lé­gè­re­ment dif­fé­rents l’un de l’autre. Il est donc re­com­mandé d’essayer plusieurs fois la même ins­truc­tion, de la modifier lé­gè­re­ment ou sim­ple­ment d’utiliser un autre modèle de langage si le prompt ne donne pas de résultat sa­tis­fai­sant.