Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
Le zero-shot learning, ou apprentissage sans exemple, désigne la capacité d’un modèle d’intelligence artificielle à traiter une tâche ou une catégorie pour laquelle il n’a reçu aucun exemple, en s’appuyant sur ce qu’il a appris par ailleurs.
L’expression recouvre deux usages. En classification, notamment en vision par ordinateur, elle désigne la reconnaissance de classes absentes des données d’entraînement. Le modèle relie chaque classe à une description intermédiaire qu’il sait reconnaître, par exemple une liste d’attributs. Lampert, Nickisch et Harmeling ont présenté en 2009, à la conférence CVPR, une méthode de ce type : détecter des objets à partir d’une description fournie par un humain, sans aucune image d’entraînement de la classe visée.
Avec les grands modèles de langage, le terme désigne l’exécution d’une tâche décrite par une simple consigne en langage naturel, sans exemple de résultat et sans nouvel entraînement. L’article « Language Models are Few-Shot Learners » (Brown et al., 2020) distingue ainsi trois situations. En zero-shot, le modèle ne reçoit aucune démonstration. En one-shot, il en reçoit une seule. En few-shot, il en reçoit quelques-unes dans la requête. Dans tous les cas, ses paramètres ne changent pas.
Un usage en zero-shot réunit un modèle préentraîné sur un corpus d’entraînement large, une description de la tâche ou des classes, et un format de réponse attendu. Les connaissances viennent du préentraînement ; le prompt ne fait que les orienter. Le zero-shot se distingue de l’apprentissage supervisé, qui exige des exemples annotés pour chaque classe, et du fine-tuning, qui modifie le modèle par un entraînement complémentaire. En marketing, il sert à classer des verbatims, à résumer des avis ou à extraire des informations sans constituer de base d’exemples.
Le zero-shot est la façon la plus rapide de tester un cas d’usage : une consigne suffit. C’est aussi sa limite. Sans exemple, le modèle applique sa propre compréhension des catégories, pas celle de l’entreprise. « Réclamation », « urgent » ou « client fidèle » ont chez vous un sens précis que le modèle ignore. Nous considérons donc le zero-shot comme une mesure de référence : il dit ce que le modèle sait faire seul, avant tout investissement en exemples ou en entraînement.
Brown et ses coauteurs observent que fournir davantage de démonstrations améliore en général les résultats, mais pas toujours. La décision de passer au few-shot se prend donc sur une mesure, pas par principe.
Le premier sens du terme, issu de la classification d’images, éclaire cet usage. Dans les travaux de Lampert et de ses coauteurs, une classe inconnue n’est reconnue qu’à travers la description qu’un humain en donne. Nous en tirons une règle pratique pour les modèles de langage : une catégorie mal décrite sera mal reconnue, quelle que soit la puissance du modèle.
Nous proposons de suivre quatre repères, qui ne sont pas des normes :
Un taux global élevé peut masquer une catégorie rare mal traitée. Lisez toujours le détail par catégorie.
Advalians repère avec vos équipes les cas d’usage de l’IA à forte valeur, organise des tests mesurables et accompagne un déploiement progressif des outils.
En zero-shot, le modèle reçoit seulement la description de la tâche. En few-shot, la requête contient aussi quelques exemples de résultats attendus. Dans les deux cas, le modèle n’est pas réentraîné : seuls changent les éléments placés dans la requête.
Critère pratique : si vos catégories ou votre style ont un sens propre à votre entreprise, ajoutez des exemples. Choisissez-les variés, y compris un cas limite par catégorie. Si la tâche est générique, comme résumer un texte ou détecter une langue, le zero-shot suffit souvent. Vérifiez-le sur un échantillon avant de généraliser.
Écrivez la consigne comme pour un collaborateur qui découvre le sujet. Donnez l’objectif, puis définissez chaque catégorie en une phrase, avec ce qu’elle exclut. Précisez le format de sortie attendu, par exemple une seule étiquette par ligne.
Ajoutez une issue « incertain » pour les cas ambigus. Testez ensuite deux ou trois formulations sur le même échantillon et gardez la plus stable. Conservez la consigne retenue dans un document partagé, avec sa date et la version du modèle. Les bonnes pratiques du prompt engineering s’appliquent ici pleinement.
Comparez ses réponses à celles d’humains sur un échantillon de contrôle. À titre indicatif, une centaine de cas représentatifs suffit pour un premier diagnostic.
Calculez la concordance pour chaque catégorie, pas seulement en moyenne : une catégorie rare peut être systématiquement manquée. Mesurez aussi la part de réponses hors format et relancez une partie des requêtes pour vérifier la stabilité. Fixez avant le test le seuil acceptable pour l’usage visé. Un tri interne tolère plus d’erreurs qu’une réponse envoyée à un client. Refaites la mesure à chaque changement de version du modèle.
La plus fréquente est de laisser des catégories implicites. Le modèle les interprète alors avec son sens commun, qui n’est pas celui de l’entreprise. La deuxième est de conclure sur quelques essais réussis en démonstration, sans échantillon de contrôle.
Méfiez-vous aussi des tâches qui demandent des faits précis, comme des chiffres, des dates ou des références : sans source fournie dans la requête, le modèle peut produire une réponse plausible mais fausse. Pour ces cas, ajoutez les documents utiles à la requête et faites vérifier les sorties par une personne avant toute diffusion.
Dépassez-le lorsque la mesure reste sous votre seuil après plusieurs reformulations de la consigne. Passez d’abord au few-shot : ajoutez quelques exemples choisis, puis mesurez à nouveau sur le même échantillon.
Envisagez le fine-tuning seulement si la tâche est stable, répétée en volume et que l’écart persiste. Si le problème vient d’informations manquantes, comme une offre ou des tarifs, fournissez plutôt les documents au modèle. Restez en zero-shot pour les tâches génériques, les tests rapides et les usages où un humain relit chaque sortie.
Par Thomas Bizot – Président du cabinet Advalians
