Active Prompting : Définition et Exemples
Méthode qui sélectionne dynamiquement les exemples les plus informatifs à inclure dans un prompt, en identifiant les cas où le modèle est le plus incertain pour améliorer ses performances de raisonnement.
Définition complète
L'Active Prompting est une technique avancée de prompt engineering inspirée de l'apprentissage actif (active learning) en machine learning. Son principe fondamental consiste à ne pas choisir arbitrairement les exemples de few-shot inclus dans un prompt, mais à sélectionner stratégiquement ceux qui apporteront le plus grand bénéfice au modèle de langage.
Le processus se déroule en plusieurs étapes. D'abord, le modèle génère plusieurs réponses pour un ensemble de questions candidates. Ensuite, on mesure le degré d'incertitude du modèle sur chaque question (par exemple en observant la variance entre les différentes réponses). Les questions où le modèle montre le plus d'hésitation sont alors annotées par un humain avec un raisonnement détaillé (chain-of-thought), puis utilisées comme exemples dans le prompt final.
Cette approche résout un problème majeur du few-shot prompting classique : le choix des exemples est souvent fait au hasard ou selon l'intuition, ce qui peut donner des résultats sous-optimaux. L'Active Prompting rationalise ce choix en ciblant précisément les zones de faiblesse du modèle.
Introduite par Diao et al. en 2023, cette méthode a démontré des améliorations significatives sur des tâches de raisonnement arithmétique, logique et de bon sens, surpassant les approches de Chain-of-Thought prompting à exemples fixes.
Étymologie
Le terme combine « Active », emprunté à l'active learning (apprentissage actif) où l'algorithme choisit activement les données dont il a le plus besoin pour apprendre, et « Prompting », la pratique de formuler des instructions pour un modèle de langage. Le nom reflète l'idée que la construction du prompt n'est plus passive (exemples choisis arbitrairement) mais active (exemples sélectionnés selon l'incertitude du modèle).
Exemples concrets
Raisonnement mathématique — On identifie que le modèle hésite sur les problèmes impliquant des pourcentages successifs, puis on inclut un exemple annoté de ce type dans le prompt.
Voici un exemple de résolution étape par étape : Q : Un article coûte 200€. Il est soldé à -30%, puis une remise supplémentaire de -10% est appliquée. Quel est le prix final ? R : Étape 1 : 200 × 0.70 = 140€ après la première remise. Étape 2 : 140 × 0.90 = 126€ après la seconde remise. Le prix final est 126€. Maintenant résous : Un investissement de 1000€ gagne 15% la première année puis perd 10% la deuxième. Quelle est la valeur finale ?
Classification de textes — Après avoir détecté que le modèle confond souvent le sarcasme et la critique sincère, on ajoute des exemples annotés ciblant cette ambiguïté.
Classe le sentiment de chaque phrase. Voici des cas particulièrement nuancés : - "Bravo, encore un retard de livraison, quelle efficacité !" → Négatif (sarcasme) - "Le service était correct mais sans plus" → Neutre (critique mesurée) Maintenant classe : "Ah oui, 3 semaines pour une réponse, c'est du grand art."
Raisonnement logique — Le modèle montre de l'incertitude sur les syllogismes avec des négations multiples, on intègre donc un exemple guidé sur ce type de problème.
Usage pratique
Pour appliquer l'Active Prompting, commencez par faire générer plusieurs réponses au modèle sur vos questions types, puis identifiez celles où les réponses varient le plus. Rédigez ensuite des raisonnements détaillés étape par étape pour ces cas difficiles et incluez-les comme exemples dans votre prompt. Cette approche est particulièrement rentable quand vous disposez d'un budget limité d'exemples et souhaitez maximiser leur impact.
Concepts liés
FAQ
Quelle est la différence entre l'Active Prompting et le Few-Shot Prompting classique ?
Faut-il des compétences techniques avancées pour utiliser l'Active Prompting ?
L'Active Prompting fonctionne-t-il avec tous les modèles de langage ?
Voir aussi
Autres définitions
Adapter Tuning : Définition et Exemples
Technique de fine-tuning efficiente qui consiste à insérer de petits modules entraînables (appelés adapters) dans un modèle de langage pré-entraîné, sans modifi
Agent : Définition et Exemples
Un agent est un système d'IA capable d'agir de manière autonome pour accomplir des tâches complexes, en planifiant ses actions, en utilisant des outils et en s'
Agentic AI : Définition et Exemples
L'IA agentique désigne des systèmes d'intelligence artificielle capables d'agir de manière autonome, de prendre des décisions, de planifier des actions et d'exé
Agentic Workflow : Définition et Exemples
Un agentic workflow est un flux de travail dans lequel un ou plusieurs agents IA prennent des décisions de manière autonome, enchaînent des actions et adaptent
Ai Ab Testing : Définition et Exemples
L'AI A/B Testing désigne l'utilisation de l'intelligence artificielle pour concevoir, exécuter et analyser des tests A/B de manière automatisée, permettant d'op
Ai Alignment : Définition et Exemples
L'AI Alignment (alignement de l'IA) désigne l'ensemble des recherches et techniques visant à garantir que les systèmes d'intelligence artificielle agissent conf
Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter.