Zero-shot

Définition complète

Le zero-shot, c'est la capacité d'un LLM à effectuer une tâche en se basant uniquement sur la description de cette tâche, sans qu'on lui montre d'exemple préalable. C'est ce qui rend les LLMs modernes si remarquables : ils peuvent traduire, classifier, résumer, extraire des entités, sans avoir été spécifiquement entraînés pour ces tâches.

Exemple zero-shot : "Classifie ce texte comme positif, négatif ou neutre : 'Le service était correct, rien d'exceptionnel.'" Le modèle répond "neutre" sans avoir vu d'autres exemples de classification de sentiment au préalable.

Le zero-shot marche bien quand : - La tâche est claire et bien formulée - Le format de sortie est simple - Le modèle a été exposé à beaucoup de cas similaires pendant son entraînement

Le zero-shot échoue souvent quand : - Le format de sortie est complexe ou non standard (JSON spécifique, structure custom) - La tâche est subtile ou demande une certaine sensibilité métier - Tu as besoin d'une grande consistance entre appels

Dans ces cas, passer en **few-shot** (avec 2-5 exemples) résout 80% des problèmes. Et ne demande pas de fine-tuning, juste un meilleur prompt.

Progression naturelle des techniques : 1. Zero-shot (essai initial, simple) 2. Few-shot avec 2-3 exemples (souvent suffisant) 3. Chain of thought si la tâche demande du raisonnement 4. Fine-tuning seulement si tout ce qui précède ne marche pas et que tu as des milliers d'exemples