Départ 23/11Cohorte 3 en direct Vibe Coding & Agents IA : 3 semaines, 9 sessions liveCohorte 3 (23/11) →
Techniques et méthodesGlossaire

Apprentissage par Few-Shot

L'apprentissage par few-shot est un paradigme d'apprentissage automatique dans lequel un modèle s'adapte à une nouvelle tâche en utilisant seulement un petit nombre d'exemples étiquetés—généralement entre un et vingt—plutôt que les grands ensembles de données étiquetés requis par l'apprentissage supervisé classique.

Apprentissage par Few-Shot
Apprentissage par Few-Shot · Techniques et méthodes · Hamidun News

L'apprentissage par few-shot est un paradigme d'apprentissage automatique dans lequel un modèle généralise à de nouvelles tâches ou catégories en utilisant seulement un très petit nombre d'exemples d'entraînement étiquetés—généralement entre un (one-shot) et environ vingt—par opposition aux milliers ou millions d'exemples requis par l'apprentissage supervisé classique. Le défi principal est d'apprendre des représentations suffisamment générales pour que quelques exemples soient suffisants pour guider des prédictions précises sur des entrées non vues.

En apprentissage automatique classique, l'apprentissage par few-shot a été abordé par des approches de méta-apprentissage : des algorithmes tels que MAML (Model-Agnostic Meta-Learning, Finn et al. 2017) et Prototypical Networks (Snell et al. 2017) entraînent un modèle sur de nombreuses tâches distinctes afin qu'il puisse s'adapter rapidement à de nouvelles tâches via un petit nombre d'étapes de gradient ou de comparaisons aux plus proches voisins dans l'espace d'intégration. Pour les grands modèles de langage, l'apprentissage par few-shot prend principalement la forme d'apprentissage en contexte (in-context learning) : quelques exemples étiquetés sont formatés comme des démonstrations directement dans le prompt, et le modèle produit des prédictions pour de nouvelles entrées sans aucune mise à jour des poids. GPT-3 (Brown et al. 2020) a établi que cette approche s'étend à un large éventail de tâches.

L'apprentissage par few-shot est important car les données étiquetées sont rares, coûteuses à produire ou indisponibles pour les tâches de niche et en évolution rapide. Les applications de santé impliquant des conditions rares, le traitement du langage avec peu de ressources, la classification de nouveaux événements et les tâches de catégorisation spécifiques à l'entreprise bénéficient toutes de l'adaptation par few-shot. En développement de produits, cela permet un prototypage rapide : un développeur peut tester une nouvelle tâche d'extraction ou de classification en écrivant quelques exemples annotés dans un prompt avant de s'engager dans un flux de fine-tuning.

En 2026, les modèles frontière incluant GPT-4o, Claude 3.7 Sonnet et Gemini 2.0 Flash démontrent de fortes performances en few-shot sur des tâches de raisonnement, de codage et de sortie structurée avec aussi peu que trois à cinq exemples de prompt. La recherche s'est orientée vers la compréhension des mécanismes derrière l'apprentissage en contexte et vers des méthodes de fine-tuning efficaces en paramètres telles que LoRA et QLoRA, qui fournissent un terrain d'entente pratique entre le prompting zero-shot et le fine-tuning complet quand des données étiquetées modestes sont disponibles.

Exemple

“Un développeur ajoute trois exemples annotés de tickets de réclamation client étiquetés par niveau d'urgence à un prompt GPT-4o ; le modèle classe immédiatement les nouvelles réclamations dans les mêmes niveaux sans fine-tuning ni données d'entraînement supplémentaires.
ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent