AI Glossary

Précision et rappel

La précision demande : parmi tout ce que le modèle a signalé, quelle part était juste ? Le rappel demande : parmi tout ce qu’il aurait dû signaler, quelle part a-t-il attrapé ? Les deux s’échangent l’une contre l’autre, et savoir laquelle optimiser est une décision produit, pas une décision technique. La justesse globale masque les deux. En pratique : Un modèle antifraude qui attrape 60 % des fraudes (rappel) avec 90 % d’alertes authentiques (précision) peut valoir mieux qu’un modèle juste à 99.9 % qui n’attrape rien. ...

Prompt

Un prompt, c’est tout ce que le modèle voit pour une requête, pas seulement votre dernière phrase. Il regroupe généralement un prompt système, l’historique de la conversation, les documents joints et votre demande réelle. Comprendre que c’est l’ensemble du paquet qui constitue l’entrée est la première étape pour maîtriser la sortie. En pratique : ‘Réécris ceci en 80 mots pour un lecteur non technique’ est un prompt ; ‘raccourcis’ est un vœu. ...

Prompt caching

Quand de nombreuses requêtes partagent un long préfixe stable — un prompt système, un document, une série d’exemples —, le cache permet au fournisseur d’éviter de le recalculer. L’économie est importante et quasiment gratuite : placez le contenu stable en premier et le contenu variable en dernier. En pratique : Un manuel de 20 000 tokens mis en cache une fois, puis interrogé mille fois à faible coût.

Prompt engineering

Le prompt engineering est la pratique consistant à énoncer la tâche, le public, le format et les contraintes avec assez de précision pour que le modèle puisse réussir. Les leviers fiables sont la précision, les exemples, un format de sortie explicite et le fait de donner au modèle le contexte qui lui manque. La plupart des problèmes du type ’le modèle n’y arrive pas’ se révèlent être des prompts sous-spécifiés. ...

Prompt négatif

Les prompts négatifs donnent à un modèle de diffusion une orientation explicite pour éviter certains éléments — doigts en trop, filigranes, un style particulier. C’est un contrôle de premier plan dans les outils d’image et à peu près inexistant côté modèles de texte, où dire ce que vous voulez vaut mieux qu’énumérer ce que vous ne voulez pas. En pratique : Prompt négatif : ’text, watermark, blurry, extra limbs'.

Prompt système

Le prompt système se place au-dessus du tour de l’utilisateur et persiste sur toute la session : il définit qui est l’assistant et ce qu’il doit et ne doit pas faire. C’est là que les équipes produit mettent la voix, le périmètre et les règles de refus. Il est influent mais ne constitue pas une frontière de sécurité — traitez-le comme de la configuration, pas comme un contrôle hors de portée des utilisateurs. ...

Prompting en chaîne de pensée

Le prompting en chaîne de pensée améliore la précision sur les problèmes en plusieurs étapes en forçant le modèle à produire des étapes intermédiaires plutôt qu’à sauter à la conclusion. Il rend aussi le raisonnement inspectable, ce qui aide à repérer où il a dérapé. À noter : rien ne garantit que le raisonnement affiché soit le calcul réellement effectué — c’est un artefact utile, pas une preuve. En pratique : « Déroule le calcul étape par étape, puis donne le chiffre final. » ...

Prompting zero-shot

Le zero-shot mise sur le fait que le modèle connaît déjà la tâche grâce au pré-entraînement. Cela marche bien pour les tâches courantes et se dégrade quand le format de sortie est inhabituel ou que la tâche est propre à votre activité. C’est la bonne première tentative, parce que c’est la moins coûteuse. En pratique : ‘Classe cet avis comme positif, négatif ou neutre.’

Provenance des données

La provenance répond aux questions qui arrivent avec un audit ou un procès : à qui appartiennent ces données, sur quelle base ont-elles été collectées, et avons-nous le droit d’entraîner un modèle dessus. La reconstituer après coup est pénible, parfois impossible. Elle sous-tend aussi la reproductibilité et la défense contre l’empoisonnement. En pratique : Pouvoir démontrer qu’aucune donnée personnelle aspirée sur le web n’est entrée dans le jeu d’entraînement.

Quantification

La quantification fait passer chaque poids de, disons, 16 bits à 8 ou 4. Le modèle devient nettement plus petit et plus rapide, avec une dégradation généralement modeste, et c’est ce qui permet à des modèles performants de tourner sur un ordinateur portable ou un téléphone. La qualité perdue dépend de la méthode employée et du degré d’agressivité. En pratique : Un modèle de 70B compressé pour tourner sur un seul GPU grand public. ...