Le Guide Essentiel de l’Ingénierie de Prompt dans ChatGPT

Depuis son lancement, ChatGPT a fait des vagues dans le domaine de l’IA, attirant plus de 100 millions d’utilisateurs en un temps record. Le secret de la performance impressionnante et de la polyvalence de ChatGPT réside dans un art subtilement niché dans sa programmation – l’ingénierie de prompt.

Lancé en 2022, DALL-E, MidJourney et StableDiffusion ont souligné le potentiel disruptif de l’IA générative. Mais c’est Open AI qui a vraiment pris le devant de la scène plus tard en 2022. Et cet élan n’a montré aucun signe de ralentissement.

L’annonce de Google de Bard et la réponse de Meta avec Lamma 2 à ChatGPT d’OpenAI a considérablement amplifié l’élan de la course à l’IA. En fournissant ces modèles avec des entrées, nous guidons leur comportement et leurs réponses. Cela nous rend tous des ingénieurs de prompt à un certain degré. L’industrie technologique a pris note. Les capitalistes de risque investissent des fonds dans des startups axées sur l’ingénierie de prompt, comme Vellum AI. De plus, Forbes rapporte que les ingénieurs de prompt commandent des salaires dépassant 300 000 $, indicatif d’un marché du travail prospère et précieux.

Dans cet article, nous allons démystifier le monde de l’ingénierie de prompt dans le contexte de ChatGPT. Nous explorerons les principes fondamentaux et les techniques, et examinerons leurs applications commerciales.

Commençons par comprendre comment ChatGPT fonctionne et le rôle pivot que joue l’ingénierie de prompt dans ce processus.

Les Mécanismes derrière l’Ingénierie de Prompt de ChatGPT

Le secret de la réussite de ChatGPT est sa capacité à comprendre et à imiter les nuances de la conversation humaine. Le modèle est formé sur une gamme diversifiée de texte Internet, mais il ne connaît pas de documents ou de sources spécifiques dans son ensemble de formation, assurant ainsi une généralisation plutôt que une spécificité. Cette approche de formation permet à ChatGPT de générer des réponses créatives, de naviguer dans des dialogues complexes et même d’exhiber un sens de l’humour. Cependant, il est important de se rappeler que ChatGPT ne comprend vraiment pas ou n’a pas de croyances ; il génère des réponses basées sur les modèles qu’il a appris pendant la formation.

La capacité de ChatGPT à comprendre et à répondre au langage humain de manière nuancée et sensible au contexte le rend incroyablement polyvalent.

Les mécanismes de ces modèles reposent sur le concept de « jetons » – des morceaux distincts de langage qui peuvent aller d’un seul caractère à un mot entier. Ces modèles fonctionnent avec un nombre spécifique de jetons à la fois (4096 pour GPT-3.5-Turbo ou 8192 ou 32768 pour GPT-4), en prédisant la prochaine séquence de jetons les plus probables. Les modèles traitent les jetons à l’aide d’une algèbre linéaire complexe, en prédisant le jeton le plus probable suivant.

Par exemple, une phrase simple de neuf mots pourrait se transformer en dix jetons. Même un mot complexe unique pourrait se transformer en plusieurs jetons, ce qui aide le modèle à mieux comprendre et générer le langage. Même les langues avec des structures de mots complexes, comme l’allemand, sont gérées via la tokenisation.

Les modèles GPT (Generative Pre-trained Transformer) fonctionnent en générant un jeton à la fois, en commençant par le premier jeton et en continuant jusqu’au dernier. Après la génération de chaque jeton, le modèle réexamine la séquence entière et la traite à nouveau pour générer le jeton suivant. Ce processus itératif se poursuit jusqu’à la génération du jeton final, ce qui rend la génération de texte similaire à une grande boucle pour.

Mais voici l’astuce – la qualité de ces réponses dépend en grande partie des prompts qu’elle reçoit. Tout comme diriger une conversation avec un humain, guider un dialogue avec ChatGPT nécessite un certain niveau de compétence et de compréhension. C’est là que l’ingénierie de prompt intervient.

Qu’est-ce que l’Ingénierie de Prompt ?

L’ingénierie de prompt est l’art de créer des prompts précis et efficaces pour guider les modèles d’IA (NLP/Vision) comme ChatGPT vers la génération de sorties les plus rentables, précises, utiles et sûres.

L’ingénierie de prompt ne se limite pas à la génération de texte mais a des applications étendues dans tout le domaine de l’IA. Elle est de plus en plus utilisée dans des domaines tels que l’automatisation des processus robotiques, les actifs 3D, les scripts, les instructions de robot et d’autres types de contenu et de médias numériques. Elle offre un mélange unique de logique, de codage, d’art et, dans certains cas, de modificateurs spéciaux.

Alors qu’un prompt peut inclure du texte de langage naturel, des images ou d’autres types de données d’entrée, la sortie peut varier considérablement selon les services et les outils d’IA. Chaque outil a ses modificateurs spéciaux qui décrivent le poids des mots, les styles, les perspectives, la disposition ou d’autres propriétés de la réponse souhaitée.

Ce domaine est essentiel pour créer de meilleurs services alimentés par l’IA et obtenir de meilleurs résultats à partir des outils d’IA génératifs existants. Les développeurs d’entreprise, par exemple, utilisent souvent l’ingénierie de prompt pour adapter les grands modèles de langage (LLM) comme GPT-3 pour alimenter un chatbot orienté client ou gérer des tâches telles que la création de contrats spécifiques à l’industrie.

Ce processus itératif de raffinement de prompt et de mesure de la performance de l’IA est un élément clé pour permettre aux modèles d’IA de générer des réponses hautement ciblées et utiles dans divers contextes.

Devenir un Ingénieur de Prompt

La capacité du modèle GPT-4 à comprendre des instructions complexes et à résoudre des problèmes avec précision en fait une ressource inestimable. Cependant, il existe différentes méthodes pour accéder aux capacités de ce modèle, et la compréhension de ces méthodes peut être cruciale pour le rôle de l’ingénieur de prompt dans l’optimisation de l’efficacité et de la rentabilité.

Il existe essentiellement deux façons d’interagir avec les modèles GPT comme GPT-4. Une façon est via l’API d’OpenAI, où les coûts sont calculés par jeton d’entrée et de sortie. Dans ce scénario, les coûts par 1 000 jetons peuvent fluctuer en fonction de la taille du contexte. Par exemple, dans un contexte plus large de 32 K, le coût pourrait atteindre 0,06 $ pour les jetons d’entrée et 0,12 $ pour les jetons de sortie. Ainsi, lorsqu’on gère un grand volume de requêtes, le coût d’utilisation peut rapidement s’accumuler.

Alternativement, ChatGPT, qui utilise le modèle GPT-4, fonctionne sur un modèle d’abonnement.

Une autre tâche clé dans l’ingénierie de prompt consiste à ajuster les paramètres du modèle. Ce processus implique l’ajustement des variables que le modèle utilise pour faire des prédictions. En affinant ces paramètres, les ingénieurs de prompt peuvent améliorer la qualité et la précision des réponses du modèle, les rendant plus pertinentes et utiles.

Bien que de nombreux ingénieurs de prompt viennent d’un contexte technique, la nature multidisciplinaire de ce domaine le rend accessible à des personnes issues de divers horizons professionnels. De plus en plus, les écrivains, les chercheurs et même les artistes exploitent leurs compétences uniques pour améliorer l’efficacité des modèles d’IA. Ce déplacement se reflète également sur le marché du travail, avec un nombre croissant d’entreprises recherchant des ingénieurs de prompt ayant une gamme variée de compétences et de formations.

Conception et Ingénierie de Prompt dans ChatGPT

La conception et l’ingénierie de prompt jouent un rôle critique dans l’optimisation des performances des modèles de langage et impliquent plus que de simplement poser des questions ; elles nécessitent une compréhension approfondie du modèle d’IA et une approche hautement itérative et raffinée.

Conception de Prompt

La conception de prompt, en son cœur, est l’art et la science de créer le prompt parfait pour un grand modèle de langage (LLM) donné, comme ChatGPT, pour atteindre un objectif clairement énoncé. C’est un mélange de :

• Compréhension du LLM : Les différents modèles de langage peuvent répondre de manière variable au même prompt. De plus, certains modèles de langage peuvent avoir des mots-clés ou des déclencheurs uniques qu’ils interprètent d’une manière spécifique.
• Connaissances de domaine : L’expertise dans le domaine pertinent est cruciale lors de la conception de prompts. Par exemple, générer un prompt pour déduire un diagnostic médical nécessiterait des connaissances médicales.
• Approche itérative et mesure de la qualité : Le processus de création du prompt idéal implique souvent des essais et des erreurs. Par conséquent, avoir un moyen d’évaluer la qualité de la sortie au-delà du simple jugement subjectif est vital, en particulier lors de l’utilisation du prompt à plus grande échelle.

Ingénierie de Prompt

L’ingénierie de prompt est un domaine étendu de la conception de prompt qui inclut plusieurs processus critiques :

• Conception de prompts à grande échelle : Ce processus inclut la conception de méta-prompts (prompts qui génèrent d’autres prompts) et de modèles de prompt, qui sont des prompts paramétrés qui peuvent être instanciés à l’exécution.
• Conception d’outils et intégration : Les prompts peuvent parfois inclure des résultats d’outils externes, et intégrer ces outils de manière transparente dans le système est crucial.
• Planification de workflow, gestion et planification de prompt : Le déploiement d’une application LLM, comme un chatbot, nécessite souvent la gestion de bibliothèques de prompts, la planification et le choix des bons prompts, et l’intégration efficace de divers outils.
• Évaluation et assurance qualité des prompts : Cet aspect inclut la définition de métriques et de processus pour évaluer les prompts à la fois de manière automatique et avec l’implication humaine.
• Optimisation de prompt : Le coût et la latence du modèle d’IA peuvent dépendre du choix du modèle et de la longueur du prompt (nombre de jetons).

De nombreuses approches automatisées de conception de prompt, outils et cadres ont été développés pour gérer les prompts à grande échelle. Cependant, il est important de comprendre que aucun de ces outils ne peut remplacer la compréhension nuancée, le jugement et l’expérience d’un ingénieur de prompt chevronné.

Ingénierie de Prompt : Techniques et Meilleures Pratiques

1) Placement et Description de Prompt

Placer des instructions au début du prompt peut avoir un impact significatif sur la compréhension et la réponse de l’IA. Considérez la tâche de résumer un texte sous forme de liste de points importants. Une approche moins efficace serait :

Utilisateur : Résumez le texte ci-dessous sous forme de liste de points importants.
{entrée de texte ici}

En revanche, une technique plus efficace pourrait être :

Utilisateur : Résumez le texte ci-dessous sous forme de liste de points importants.
Texte : “””
{entrée de texte ici}
“””

En séparant clairement les instructions et le contexte avec des symboles tels que ### ou “”, le modèle d’IA peut mieux délimiter sa tâche et le texte qu’il doit traiter, ce qui conduit à des réponses plus précises et pertinentes.

Deuxièmement, être spécifique, descriptif et détaillé sur le contexte, le résultat attendu, la longueur, le format, le style, etc. peut considérablement améliorer la précision des réponses de l’IA. Supposons que vous deviez générer un bref aperçu d’un article scientifique dans un style engageant et accessible aux non-spécialistes. Une instruction vague comme “Résumez l’article scientifique” donnerait des résultats moins efficaces que une instruction spécifique et détaillée :

Utilisateur : Générez un bref résumé (environ 200 mots) de l’article scientifique suivant. Le résumé doit être compréhensible pour quelqu’un sans formation scientifique, tout en reflétant avec précision les principales conclusions de l’article.
Article : “””
{texte de l’article scientifique ici}
“””

2) Modèle de Personna

Le modèle de personna est une stratégie qui configure l’IA pour fonctionner à partir d’une perspective spécifique, telle qu’un rôle professionnel ou un personnage fictif. Cette tactique permet au modèle de fournir des sorties liées aux rôles spécifiques que la personna gérerait. Par exemple, on pourrait instruire l’IA pour agir comme un expert en cybersécurité lors d’une revue de code. Ce modèle est particulièrement utile lorsque les utilisateurs ont besoin d’aide mais ne sont pas sûrs des détails exacts requis dans la sortie.

Prenez cet exemple :

Utilisateur : “Assumez la personna d’un historien senior spécialisé dans la Révolution française. Étant donné cette personna, expliquez les événements clés et les raisons ayant conduit à la chute de la monarchie française.”

Dans ce scénario, l’IA est censée répondre avec une analyse approfondie de la Révolution française, se concentrant sur la chute de la monarchie, comme un historien le ferait.

Introduction de Nouvelles Informations

ChatGPT ne possède pas de connaissances au-delà de sa limite de formation, il ne peut donc pas fournir d’informations sur des événements récents ou des mises à jour postérieures à sa formation. Cependant, vous pouvez introduire de nouvelles informations dans le modèle via vos prompts.

Utilisateur : “Qu’est-ce que la cryptomonnaie ?”
ChatGPT : “La cryptomonnaie est un type de monnaie numérique ou virtuelle qui utilise la cryptographie pour la sécurité. La cryptomonnaie la plus connue est le Bitcoin.”

Et si nous ajoutons un peu plus de contexte au prompt, nous pouvons rendre l’explication encore plus intuitive :

Utilisateur : Expliquez le concept de cryptomonnaie à un élève du secondaire étudiant en finance numérique
ChatGPT : Imaginez que vous jouez à un jeu vidéo en ligne et qu’il y a de l’argent de jeu que vous pouvez gagner pour acheter des mises à niveau ou de nouveaux personnages. La cryptomonnaie est un peu comme ça, mais au lieu d’être limitée au jeu, vous pouvez vraiment l’utiliser pour acheter des biens et des services dans le monde réel. C’est comme de l’argent numérique que ne contrôle aucune banque ou gouvernement.

3) Limitations de Taille de Prompt

Comprendre les limites de taille de ChatGPT est essentiel car cela affecte directement le volume et le type d’informations que nous pouvons saisir. Les modèles de langage ne sont pas conçus pour traiter des données illimitées à la fois. Ils ont une contrainte inhérente sur la taille du prompt que nous pouvons créer et saisir. Cette limitation a des implications profondes pour la conception et l’exécution des prompts.

ChatGPT a une limite de jetons (généralement 2048 jetons), qui inclut à la fois le prompt et la réponse générée. Cela signifie que les prompts longs peuvent limiter la longueur de la réponse. Il est donc important de garder les prompts concis mais informatifs.

Dans la pratique, nous devons agir comme des éditeurs, sélectionnant soigneusement les informations les plus pertinentes pour la tâche en question. Imaginez écrire un article ou un document avec une limite de mots ou de pages – vous ne pouvez pas simplement déverser des faits aléatoires, mais vous devez sélectionner et structurer soigneusement les informations pertinentes pour le sujet.

Utilisateur : “Étant donné les limites de jetons du modèle, résumez les événements clés de la Seconde Guerre mondiale en moins de 1000 mots.”

En reconnaissant les limites de jetons du modèle, ce prompt dirige l’IA pour fournir un résumé concis mais complet de la Seconde Guerre mondiale.

Prompts pour une Utilisation Répétée : Dans un scénario de conversation, vous pouvez réutiliser des prompts ou les affiner en fonction des réponses précédentes. Cela donne un flux de conversation et maintient le contexte dans l’interaction.

4) Modèle de Raffinement de Question

ChatGPT peut également aider à affiner vos questions. Par exemple, si vous posez une question, il peut suggérer une question mieux formulée pour des résultats plus précis.

Le modèle de raffinement de question implique que le LLM affine les questions posées par l’utilisateur. Il est particulièrement utile lorsque les utilisateurs ne sont pas des experts dans un domaine ou sont incertains sur la façon de formuler leur question.

Un exemple de prompt pourrait ressembler à ceci :

Utilisateur : “Lorsque je pose une question sur la science des données, suggérez une question plus raffinée en tenant compte des spécificités de l’analyse statistique et demandez si je veux poursuivre avec la question raffinée.”

Ici, l’IA est censée raffiner les questions générales de l’utilisateur sur la science des données en questions plus détaillées en tenant compte des aspects de l’analyse statistique.

5) Modèle de Vérificateur Cognitif

Le modèle de vérificateur cognitif divise les questions complexes en sous-questions plus petites et gérables. Les réponses à ces sous-questions sont ensuite combinées pour fournir une réponse complète à la question principale. Cette approche est utile lorsque les questions initiales sont trop générales ou lorsque des éclaircissements supplémentaires sont nécessaires pour fournir une réponse complète.

Par exemple :

Utilisateur : “Si je pose une question sur le changement climatique, divisez-la en trois petites questions qui pourraient aider à fournir une réponse plus précise. Combinez les réponses à ces sous-questions pour donner la réponse finale.”

Dans ce scénario, l’IA va diviser la question complexe sur le changement climatique en trois sous-questions gérables. Après avoir reçu les réponses à ces sous-questions, l’IA les combinera pour fournir une réponse plus complète et précise.

Cette approche implique la génération de plusieurs questions pour obtenir une réponse finale plus précise. Il s’agit d’un processus de vérification et de consolidation d’informations pour une sortie finale robuste.

6) Approche de Prompt à Few-Shot

Le prompt à few-shot est une approche puissante pour enseigner aux modèles d’IA à suivre des modèles spécifiques ou à exécuter des tâches. L’idée est de nourrir le modèle avec un certain nombre d’exemples avant de poser la question souhaitée. Cela aide à établir le comportement souhaité et à guider les réponses du modèle.

Considérez un scénario où un utilisateur tente de rédiger un texte de marketing concis et engageant pour un nouveau gadget technologique :

Utilisateur : “Voici des exemples de textes de marketing : ‘Expérimentez la musique comme jamais auparavant avec nos écouteurs sans fil de pointe.’ ‘Capturez votre monde en 4K avec notre caméra d’action ultra-élégante.’ Étant donné ces exemples, rédigez un texte de marketing pour notre nouveau montre intelligente alimentée par l’IA.”

ChatGPT : “Équipez votre mode de vie avec notre montre intelligente alimentée par l’IA, votre compagnon pour la santé, la connectivité et la productivité.” La caractéristique remarquable de l’apprentissage à few-shot est qu’il ne nécessite pas une description détaillée de la façon d’exécuter la tâche. Au lieu de cela, il nécessite des démonstrations de ce qui est fait, ce qui peut le rendre adapté à de nombreuses applications.

De plus, cette technique s’étend au-delà de la simple paire d’entrée-sortie. Le modèle peut également être enseigné à gérer des étapes intermédiaires pour atteindre un objectif.

7) Approche de Chaîne de Pensée

Dans leur récent article de recherche, “Chaîne de Pensée pour les Modèles de Langage“, les auteurs Jason Wei et son équipe visent à stimuler la réflexion dans les grands modèles de langage. Plutôt que d’utiliser des prompts traditionnels et directs, l’équipe utilise une série de prompts interconnectés, formant une « chaîne de pensée ».

Par exemple, un utilisateur pourrait s’intéresser à l’impact potentiel de l’intelligence artificielle sur les marchés du travail :

Utilisateur : “Pouvez-vous m’expliquer brièvement le concept d’intelligence artificielle ?”

ChatGPT : “L’intelligence artificielle, ou IA, fait référence à la capacité d’une machine à imiter le comportement intelligent humain. Il s’agit de concevoir des machines qui peuvent penser et apprendre comme les humains, leur permettant d’exécuter des tâches telles que la traduction de langues, la prise de décision et la résolution de problèmes, entre autres.”

Utilisateur : “Comment l’IA influence-t-elle le marché du travail actuel ?”

ChatGPT : “L’IA crée de nouveaux emplois et change la nature des emplois existants. D’une part, elle automatise les tâches répétitives, conduisant à un déplacement d’emplois dans certains secteurs. D’autre part, elle crée une demande pour des rôles qui n’existaient pas auparavant, tels que les officiers d’éthique de l’IA, les analystes de données et les ingénieurs en apprentissage automatique. De plus, l’IA peut augmenter les rôles humains, permettant aux gens d’accomplir des tâches plus efficacement et avec plus de précision.”

L’approche de chaîne de pensée suit une progression de prompts liés, maintenant une « conversation » avec le modèle qui le guide vers des réponses plus précises et contextuellement appropriées.

Compréhension de l’API ChatGPT et de l’Ingénierie de Prompt du Point de Vue d’un Développeur

Du point de vue d’un développeur ou d’un chercheur, l’ingénierie de prompt est un processus plus complexe. Elle implique la conception d’algorithmes et de techniques pour aider le modèle d’IA à comprendre et à répondre aux prompts plus efficacement. Cela pourrait inclure des stratégies pour gérer les prompts ambigus, identifier le contexte des prompts ou les relier pour stimuler des processus de pensée plus complexes dans l’IA.

Dans l’illustration ci-dessus, un utilisateur interagit avec une interface de chat alimentée par GPT-4. Son entrée est améliorée pour la clarté et la cohérence contextuelle par un module spécialisé avant d’être fournie au modèle d’IA. Le rôle de ce module est de raffiner et d’améliorer l’entrée de l’utilisateur pour une meilleure compréhension tout en maintenant le contexte de la conversation. La réponse de l’IA, élaborée sur la base du prompt raffiné, est renvoyée à l’utilisateur via l’interface de chat. L’historique de l’interaction est mis à jour de manière cohérente, maintenant le contexte de la conversation. Dans l’ensemble, ce diagramme illustre un flux de conversation dynamique entre l’utilisateur et l’IA, rendu possible par les techniques d’ingénierie de prompt.

L’interface de l’API ChatGPT est conçue avec divers hyperparamètres qui permettent aux utilisateurs de raffiner les réponses de l’IA aux prompts, les rendant plus efficaces et polyvalentes. Ces paramètres incluent la température, la longueur maximale et les séquences d’arrêt. Explorons comment ils fonctionnent et peuvent être utilisés dans différents contextes.

1) Température

Le paramètre de température influence la randomisation des réponses de l’IA. Une température plus élevée, telle que 1,0, encourage des sorties plus aléatoires, ce qui peut conduire à des réponses diverses mais potentiellement hors sujet. En revanche, une température plus basse, comme 0,2, pousse l’IA à sélectionner des réponses plus déterministes, ce qui peut être bénéfique pour des sorties ciblées et spécifiques mais peut manquer de variété.

Exemple : Si vous écrivez une histoire créative et que vous voulez des éléments imaginatifs et imprévisibles, réglez la température sur une valeur élevée. Un prompt pourrait être : “Écrivez une histoire courte sur un chat voyageant dans le temps.” Avec une température élevée, vous pourriez obtenir une histoire sauvage et fantastique avec des tournures imprévisibles.

2) Longueur Maximale

Ce paramètre contrôle la longueur maximale en jetons de la sortie du modèle, qui inclut à la fois les jetons dans le message d’entrée et le message de sortie. Définir une limite plus élevée permet des réponses plus étendues, tandis qu’une limite plus basse maintient la sortie concise.

Exemple : Pour des réponses brèves à des questions de trivia comme “Qui a remporté le prix Nobel de littérature en 2020 ?”, vous pourriez définir la longueur maximale sur une valeur basse, garantissant ainsi que la réponse est concise et directe.

3) Séquences d’Arrêt

Les séquences d’arrêt sont des chaînes de texte spécifiques où, lorsque le modèle les rencontre, il cesse de générer davantage de sortie. Cette fonctionnalité peut être utile pour contrôler la longueur de la sortie ou pour instruire le modèle de s’arrêter à des points de terminaison logiques.

Exemple : Pour une lettre formelle, vous pourriez utiliser “Cordialement” comme une séquence d’arrêt pour vous assurer que l’IA ne génère pas de texte supplémentaire au-delà de la fin appropriée de la lettre.

4) Top P

Le paramètre “Top P”, également connu sous le nom d’échantillonnage à noyau, est une méthode qui permet une sélection dynamique du nombre de mots considérés à chaque étape des prédictions du modèle. Une valeur plus basse, comme 0,5, conduit à des sorties plus prudentes et plus ciblées. Une valeur plus élevée, comme 0,9, inclut une sélection plus large de mots, conduisant à des sorties plus diverses.

Exemple : Si vous créez un modèle d’IA pour écrire des poèmes et que vous voulez qu’il utilise un large éventail de vocabulaire et de phrases stylistiques, vous pourriez définir “Top P” sur une valeur plus élevée. Un prompt pourrait être : “Composez un poème sur la beauté de l’automne.”

5) Pénalité de Fréquence

La pénalité de fréquence contrôle à quel point le modèle doit favoriser les mots moins fréquents. Une pénalité plus élevée (jusqu’à 1) encourage le modèle à utiliser des mots moins courants, tandis qu’une valeur plus basse (jusqu’à -1) encourage le modèle à utiliser des mots plus communs.

Exemple : Si vous générez une proposition commerciale et que vous voulez éviter le jargon, vous pourriez définir la pénalité de fréquence sur une valeur plus basse pour maintenir le langage clair et accessible.

6) Pénalité de Présence

La pénalité de présence affecte à quel point le modèle est pénalisé pour générer de nouvelles idées ou sujets qui n’étaient pas présents dans l’historique de la conversation. Des valeurs plus élevées encouragent le modèle à s’en tenir aux sujets déjà mentionnés, tandis que des valeurs plus basses permettent au modèle d’introduire de nouveaux concepts plus librement.

Exemple : Pour les séances de brainstorming, vous pourriez définir la pénalité de présence sur une valeur plus basse pour encourager une grande variété d’idées. Vous pourriez utiliser un prompt comme : “Générez des stratégies de marketing innovantes pour une plateforme d’apprentissage en ligne.”

Application Industrielle de l’Ingénierie de Prompt