Few-shot learning : définition complète en IA pour les PME

Le few-shot learning est la technique qui consiste à fournir au modèle de langage quelques exemples concrets (2 à 5) de la tâche attendue, directement dans le prompt, pour lui montrer le pattern et le format souhaités. C'est l'étape intermédiaire entre le zero-shot (aucun exemple) et le fine-tuning (entraînement du modèle sur un grand volume de données). Le modèle apprend « sur le tas » sans modification de ses paramètres.

Ce que ça change pour une PME

Le few-shot learning est le meilleur rapport coût/qualité pour une majorité des cas d'usage PME :

• Extraction structurée : montrer 3 factures annotées → le LLM extrait les mêmes champs sur les suivantes ;
• Rédaction : donner 2 emails qui ont bien fonctionné → le LLM en écrit un troisième au même ton ;
• Classification : fournir 5 tickets avec leur catégorie → le LLM classe les suivants automatiquement.

Le coût est minime (quelques tokens supplémentaires pour les exemples) et le gain de qualité est net comparé au zero-shot.

La bonne pratique

Toujours commencer par le zero-shot. Si le résultat est approximatif, ajouter 2-3 exemples. Si ça ne suffit pas encore, en ajouter 2-3 de plus. Le few-shot est un outil d'itération rapide : on teste, on ajuste, on documente. Les meilleurs exemples sont ceux qui viennent de votre propre activité — pas des exemples génériques.