Pourquoi des exemples peuvent-ils aider l’IA sans la réentraîner ?
Montrer quelques transformations peut aider l’Intelligence artificielle (IA)Des programmes capables de réaliser des tâches qui demandaient jusqu'ici l'intelligence humaine : classer, prévoir, reconnaître une image, comprendre ou produire un texte. Voir la définition à appliquer une règle à un nouveau cas. Cette adaptation pendant la réponse se distingue d’un nouvel Données d'entraînementL'ensemble des textes, images ou sons qu'une IA a « lus » pour apprendre. Ses connaissances et ses défauts en dépendent. Voir la définition.
Sommaire
Des exemples peuvent montrer à un modèle de langage, le moteur qui produit le texte, quel résultat vous attendez. Il peut s’en servir pendant sa réponse sans passer par un nouvel entraînement.
Montrer plutôt que tout décrire
Une consigne comme « range ces intitulés à notre manière » reste vague. Quelques paires « texte de départ → résultat attendu » rendent la transformation visible : ce qu’il faut conserver, déplacer ou présenter autrement.
Ces exemples font partie du contexte, les informations disponibles au moment de répondre. Dans l’étude Language Models are Few-Shot Learners, publiée en 2020, des chercheurs ont évalué GPT-3 avec des démonstrations fournies dans le texte de la demande, sans modifier les paramètres du Modèle de langage (LLM)Le moteur d'un chatbot comme ChatGPT : un programme entraîné sur d'immenses quantités de textes pour produire une suite plausible à ce qu'on lui écrit. Voir la définition, ses réglages internes appris pendant l’Données d'entraînementL'ensemble des textes, images ou sons qu'une IA a « lus » pour apprendre. Ses connaissances et ses défauts en dépendent. Voir la définition. C’est ce qu’on appelle l’apprentissage en contexte. (Étude, section 2.)
Deux exemples, puis un nouveau cas
Situation entièrement fictive, sans essai d’outil : une association veut harmoniser les intitulés de ses ateliers. Elle montre « Atelier dessin, mardi → Mardi — Dessin », puis « Atelier photo, jeudi → Jeudi — Photo ».
Elle demande ensuite de traiter « Atelier théâtre, samedi » selon ces exemples. Le résultat attendu est « Samedi — Théâtre ». Ce nouvel intitulé ne figurait pas dans les démonstrations : il faut appliquer la même organisation à d’autres informations.
L’intérêt est de montrer une transformation, sans devoir détailler chaque règle de présentation. Cela illustre une adaptation à la demande, pas la création d’un nouveau Modèle de langage (LLM)Le moteur d'un chatbot comme ChatGPT : un programme entraîné sur d'immenses quantités de textes pour produire une suite plausible à ce qu'on lui écrit. Voir la définition.
Une aide qui peut aussi orienter de travers
Des exemples peuvent laisser une règle ambiguë ou suggérer une régularité involontaire. La documentation d’Anthropic recommande notamment de les varier pour limiter ce risque. Elle ne garantit pas la réussite de chaque demande. (Conseils sur les exemples.)
Notre conseil : examinez le résultat sur un cas différent de ceux montrés. Le guide de vérification aide à comparer ce résultat aux informations de départ.
Cette adaptation ne prouve pas que l’assistant retrouvera les exemples dans une autre conversation. Leur conservation par le service est une question distincte.
À retenir : montrer quelques résultats attendus peut guider l’Intelligence artificielle (IA)Des programmes capables de réaliser des tâches qui demandaient jusqu'ici l'intelligence humaine : classer, prévoir, reconnaître une image, comprendre ou produire un texte. Voir la définition, sans la réentraîner ni garantir qu’elle appliquera correctement la règle.
Sources consultées le 15 octobre 2026 : Brown et ses coauteurs (NeurIPS 2020), section 2 ; documentation Anthropic sur les exemples. Situation entièrement fictive ; conseil de la rédaction ; aucun assistant testé.