Rédiger des prompts efficaces pour les LLMs

Exige quelques expérimentations mais

Sommaire

Il existe toutefois quelques approches courantes pour rédiger des prompts efficaces afin que le modèle de langage ne se confonde pas en tentant de comprendre ce que vous souhaitez.

Humain décrivant une idée complexe à un robot

Comment améliorer les performances des modèles de langage grâce à des techniques d’ingénierie des prompts

L’ingénierie des prompts est une technique puissante utilisée dans le traitement du langage naturel (NLP) pour améliorer les performances des modèles de langage en leur fournissant un contexte supplémentaire, des instructions et des informations sur la tâche à accomplir. Cet article vous guidera à travers différentes méthodes pour créer des prompts efficaces qui pourront aider votre modèle NLP à générer des sorties plus précises, pertinentes et diversifiées.

Rédiger des prompts efficaces

1. Soyez clair et concis

  • Objectif : Assurez-vous que votre prompt soit facilement compréhensible par le modèle de langage.
  • Mise en œuvre : Évitez d’utiliser des jargon ou des termes techniques qui pourraient troubler le modèle. Gardez les instructions directes et à l’essentiel.

2. Utilisez des exemples spécifiques

  • Objectif : Aidez le modèle à mieux comprendre quel type de sortie est attendu.
  • Mise en œuvre : Incluez des exemples spécifiques dans votre prompt, tels que le décor, les personnages ou les détails de l’intrigue pour les tâches de génération d’histoires.

3. Variez les prompts

  • Objectif : Permettez au modèle d’apprendre davantage sur la tâche et de produire des sorties diversifiées.
  • Mise en œuvre : Expérimentez avec différents styles, tons et formats pour voir comment le modèle réagit.

4. Testez et affinez

  • Objectif : Validez l’efficacité des prompts et apportez les ajustements nécessaires.
  • Mise en œuvre : Après avoir créé un ensemble de prompts, testez-les sur votre modèle de langage. Analysez les résultats et affinez les prompts en fonction des retours ou des métriques de performance.

5. Utilisez les retours

  • Objectif : Améliorez continuellement la qualité et la pertinence de vos prompts.
  • Mise en œuvre : Intégrez les retours des utilisateurs ou les insights d’autres sources pour améliorer l’efficacité des prompts au fil du temps.

Instructions explicites pour de meilleurs résultats

Exemple :

  • Prompt : Expliquez-moi les dernières avancées dans les grands modèles de langage.
  • Instructions : Citez toujours vos sources, ne jamais utiliser des sources plus anciennes que 2020.

Stylisation pour les élèves du primaire

Explication : Présentez des concepts complexes en utilisant un langage simple et des exemples accessibles adaptés aux réseaux éducatifs pour les enfants.

Lignes directrices de mise en forme

Exemple :

{
  "role": "sentiment_classifier",
  "instructions": [
    "Pour chaque message, indiquez le pourcentage de sentiment positif, neutre et négatif.",
    "Exemples : 'J'ai aimé' -> 70 % positif, 30 % neutre ; 'Ça aurait pu être mieux' -> 0 % positif, 50 % neutre, 50 % négatif"
  ],
  "examples": [
    {
      "message": "J'ai pensé qu'il était correct",
      "sentiment": [25 %, 50 %, 25 %]
    },
    {
      "message": "J'ai adoré !",
      "sentiment": [100 %, 0 %, 0 %]
    }
  ]
}

Prompts basés sur des rôles

Exemple :

  • Prompt : Vous êtes un guide touristique virtuel qui promène actuellement les touristes autour de la Tour Eiffel lors d’une visite de nuit. Décrivez la Tour Eiffel à votre public, en abordant son histoire, le nombre de visiteurs chaque année, la durée d’une visite complète et pourquoi tant de personnes visitent cet endroit chaque année.

Technique de chaîne de pensée

Exemple :

  • Prompt : Vous êtes un guide touristique virtuel de 1901. Vos touristes visitent la Tour Eiffel.
  1. Pourquoi a-t-elle été construite ?
  2. Combien de temps a-t-il pris pour la construire ?
  3. D’où proviennent les matériaux utilisés pour sa construction ?
  4. Quel est le nombre annuel de visiteurs dans les années 1900 ?
  5. Combien de temps dure une visite complète, et pourquoi tant de personnes visitent-elles cet endroit chaque année ?

Cohérence interne

Exemple :

  • Prompt : John a découvert que la moyenne de 15 nombres est de 40. Si 10 est ajouté à chaque nombre, quelle est la nouvelle moyenne ?
  • Instructions : Exécutez le prompt plusieurs fois et sélectionnez la valeur la plus fréquemment retournée comme réponse.

Génération augmentée par récupération

Exemple :

Étant donné les informations suivantes sur les températures à Menlo Park :

  • 2023-12-11 : 52 degrés Fahrenheit

  • 2023-12-12 : 51 degrés Fahrenheit

  • 2023-12-13 : 55 degrés Fahrenheit

  • Prompt : Quelle était la température à Menlo Park le 12 décembre 2023 ?

Modèles de langage aidés par des programmes

Exemple :

  • Prompt : Calculez : ((-5 + 93 * 4 - 0) * (4^4 + -7 + 0 * 5))

Limiter les tokens superflus

Exemple :

  • Prompt : Vous êtes un robot qui ne sort que du JSON.
  • Instructions : Votre réponse doit inclure le champ ‘zip_code’.
  • Exemple de question : Quel est le code postal de Menlo Park ?
  • Réponse attendue : {“zip_code”: “94025”}

Réduire les hallucinations

Exemple 1 :

  • Prompt : Expliquez le concept de calcul quantique à un élève du lycée.
  • Instructions : Fournissez des explications simples et évitez le jargon complexe.

Exemple 2 :

  • Prompt : Écrivez un e-mail à votre patron pour demander une réunion sur l’avancement du projet.
  • Instructions : Utilisez un langage professionnel, maintenez un ton formel et incluez des détails spécifiques sur l’état du projet.

Exemple 3 :

  • Prompt : Générez un poème sur la nature.
  • Instructions : Concentrez-vous sur le langage descriptif et les images liées aux éléments naturels.

Conclusion

En suivant ces lignes directrices pour l’ingénierie des prompts, vous pouvez considérablement améliorer les performances de vos modèles NLP. Que ce soit grâce à des instructions claires, des exemples spécifiques ou des prompts basés sur des rôles, chaque technique joue un rôle crucial dans la guidance du modèle vers des sorties plus précises et pertinentes.

Liens utiles