====== 🎯 Objectifs pédagogiques ======

À la fin de ce module, vous serez capable de :

  * Comprendre comment fonctionne un LLM (Large Language Model)
  * Formuler des prompts efficaces et adaptés à vos objectifs
  * Maîtriser les techniques avancées de prompt design
  * Appliquer ces techniques à des cas d'usage concrets (support, rédaction, automatisation, etc.)

====== Qu'est-ce que le Prompt Engineering ? ======

===== 🧠 Définition =====

Le **prompt engineering** consiste à formuler des requêtes textuelles de manière stratégique pour **guider l'IA** vers une réponse pertinente, claire et utile. C'est un peu comme **apprendre à parler à une IA pour en tirer le meilleur**.

<WRAP center round tip 60%>
✍️ Un bon prompt = une demande explicite, contextualisée et orientée vers un résultat précis.
</WRAP>

===== 📌 Ce que vous allez apprendre : =====

  * Comment fonctionne un prompt et pourquoi il est si important
  * Les différents types de prompting : //zero-shot//, //few-shot//, //persona//, etc.
  * Des techniques avancées comme le //Chain-of-Thought// ou le //Directional Stimulus Prompting//
  * Des exemples et exercices pratiques pour s'entraîner

====== Comprendre le fonctionnement des LLM ======

Un LLM comme ChatGPT génère du texte en **prévoyant mot après mot** ce qui vient ensuite. Il s'appuie pour cela sur le prompt que vous lui fournissez.

Votre prompt est donc **le contexte initial** sur lequel l'IA base toute sa réponse.

===== 🧾 Exemple simple : =====

<code>
Rédige un e-mail de candidature pour un poste de Data Scientist chez Nvidia.
</code>

Ce prompt contient :

  * Une action (rédiger un e-mail)
  * Un objectif (candidature)
  * Un contexte (poste chez Nvidia)

<WRAP center round info 60%>
🔍 À vous de jouer : Transformez un prompt flou en un prompt clair et structuré.
</WRAP>

====== Les grandes techniques de Prompting ======

===== 🎯 Zero-Shot vs 📚 Few-Shot Prompting =====

^ Type de Prompt ^ Description ^ Exemple simplifié ^
| Zero-Shot Prompting | L'IA répond sans exemple préalable | "Traduis ce texte en italien." |
| Few-Shot Prompting | L'IA reçoit 1 à 3 exemples pour s'inspirer | "Voici deux résumés d'article..." |

<WRAP center round tip 60%>
🧪 Démonstration : une phrase absurde sans contexte, puis avec exemples ➜ la qualité des réponses s'améliore nettement.
</WRAP>

<WRAP center round info 60%>
🧠 Exercice : créez trois few-shots à partir d'un cas métier (ex : e-mail client, résumé RH, fiche produit...)
</WRAP>

===== 🎭 Persona Prompting =====

Attribuer un **rôle à l'IA** améliore significativement la pertinence des réponses.

🔸 Exemple :

<code>
Agis comme un professeur. J'aimerais réviser les statistiques. Pose-moi des questions.
</code>

Cela influence :

  * Le ton (formel, pédagogique, détendu...)
  * Le niveau de langage
  * La structuration de la réponse

📌 Cas d'usage :

  * Chatbots professionnels (RH, support client...)
  * Applications éducatives (tuteurs virtuels)
  * Jeux et récits interactifs

<WRAP center round info 60%>
🧠 Exercice : définissez une mission pour l'IA avec un rôle spécifique (coach, formateur, conseiller, etc.)
</WRAP>

===== 📁 RAG — Retrieval Augmented Generation =====

Même les LLM ont des limites. Grâce au RAG, on peut **connecter l'IA à une base documentaire spécifique** pour des réponses plus fiables.

🔧 Fonctionnement :

  - Le //retriever// sélectionne les documents ou extraits pertinents
  - Le LLM formule une réponse à partir de ces documents

📌 Idéal pour :

  * Bases de connaissances internes (RH, IT, réglementation...)
  * FAQ dynamiques
  * Recherche documentaire augmentée

<WRAP center round tip 60%>
🎬 Ressource suggérée : démonstration RAG avec PDF + LangChain
</WRAP>

===== 🧠 Chain of Thought (CoT) =====

Plutôt que de donner directement une réponse, cette technique pousse l'IA à **raisonner étape par étape**.

🔸 Exemple : résoudre une énigme en décomposant chaque indice.

<WRAP center round tip 60%>
💬 "Commence par le Norvégien dans la première maison..." ➜ L'IA suit votre logique.
</WRAP>

📈 Avantage : améliore la qualité et la transparence du raisonnement, utile pour des tâches complexes.

<WRAP center round info 60%>
🧠 Exercice : reformulez un prompt pour qu'il incite l'IA à détailler son raisonnement.
</WRAP>

===== 🧭 Directional Stimulus Prompting (DSP) =====

Le DSP consiste à **guider la créativité ou la tonalité** de l'IA via des consignes précises.

🔸 Exemple :

<code>
Imagine une ville sous-marine en 3024. Décris sa culture, ses technologies et ses défis écologiques.
</code>

📌 Applications :

  * Rédaction créative, publicité, pitchs
  * Support client avec tonalité émotionnelle
  * Brainstormings orientés design ou innovation

<WRAP center round info 60%>
✍️ Exercice : rédigez un prompt créatif avec des indications claires de style, ton ou ambiance.
</WRAP>

====== 📚 Pour aller plus loin ======

  * [[https://www.promptingguide.ai/techniques|Prompt Engineering Guide]]
  * [[https://www.youtube.com/watch?v=1c9iyoVIwDs|IBM – 4 techniques de Prompting (vidéo)]]

====== 🎓 Mise en pratique finale ======

Choisissez un besoin réel de votre quotidien professionnel et créez plusieurs versions du prompt :

  - En mode //Zero-shot//
  - En mode //Few-shot//
  - Avec un //Persona//
  - En //Chain of Thought//
  - Avec //Directional Stimulus//

Comparez les résultats, identifiez les différences et choisissez la stratégie la plus efficace !

----
[[chaines_de_pensees_few-shot_prompt_templates|chaînes de pensées, few-shot, prompt templates]]