Formation Prompt Engineering

Leçon 1 • Types de tâches des modèles de langage

Catégorise les tâches selon la demande cognitive : classification, extraction, génération, transformation et raisonnement. Aide les apprenants à adapter la stratégie de prompt au type de tâche.

Leçon 2 • Lire et évaluer les résultats du modèle

Enseigne l'inspection systématique des résultats : identifier les hallucinations, les réponses incomplètes et les dérives de format. Ancre les compétences d'évaluation utilisées tout au long du cours.

Leçon 3 • Comment fonctionnent les grands modèles de langage

Couvre la tokenisation, la prédiction du prochain jeton et les distributions de probabilité en termes simples. Établit le modèle mental nécessaire pour raisonner sur pourquoi les prompts réussissent ou échouent.

Leçon 1 • Stratégies de formatage des instructions

Couvre le markdown, les délimiteurs, les listes numérotées et les balises de type XML pour structurer les prompts. Montre comment le formatage réduit l'ambiguïté et améliore la cohérence des résultats.

Leçon 2 • Prompting few-shot avec exemples

Démontre comment les exemples d'entrée-sortie étiquetés orientent le comportement et le format du modèle. Enseigne la sélection des exemples, leur ordre et les compromis quantitatifs.

Leçon 3 • Prompting négatif et avec contraintes

Utilise des exclusions explicites et des conditions limites pour empêcher les résultats indésirables. Complète les instructions positives en réduisant l'espace de réponse du modèle.

Leçon 4 • Prompting de rôle et de persona

Attribue des identités d'expert au modèle pour modifier le ton, le vocabulaire et le style de raisonnement. Relie la conception du persona aux exigences du public et de la tâche.

Leçon 1 • Fondamentaux de la chaîne de pensée

Introduit le mécanisme par lequel les étapes de raisonnement intermédiaires améliorent la qualité de la réponse finale. Établit pourquoi le raisonnement explicite surpasse les réponses directes sur les tâches difficiles.

Leçon 2 • Décomposition et prompting step-back

Décompose les problèmes complexes en sous-questions et utilise l'abstraction pour améliorer le raisonnement. Étend la chaîne de pensée aux tâches nécessitant planification et pensée hiérarchique.

Leçon 3 • Auto-cohérence et vote

Génère plusieurs chemins de raisonnement et sélectionne la réponse la plus cohérente. Introduit des stratégies d'échantillonnage qui réduisent la variance sur les résultats à enjeux élevés.

Leçon 1 • Prompting pour des données structurées en sortie

Demande aux modèles de renvoyer du JSON, CSV ou des paires clé-valeur avec un schéma cohérent. Couvre la définition du schéma, les champs obligatoires et les stratégies de validation.

Leçon 2 • Prompting pour documents longs

Structure les prompts pour les rapports, propositions et articles avec des sections définies. Aborde le contrôle de la longueur, la hiérarchie des titres et la cohérence du ton sur des sorties longues.

Leçon 3 • Logique de sortie conditionnelle et dynamique

Intègre une logique conditionnelle et des instructions de branchement dans les prompts. Permet des sorties adaptatives qui répondent à différentes conditions d'entrée sans code.

Leçon 4 • Prompting pour la génération de code

Guide les modèles pour écrire un code fonctionnel et lisible, avec la syntaxe correcte du langage. Couvre la spécification du langage, les exigences de docstring et les instructions de gestion d'erreurs.

Leçon 1 • Construire une grille d'évaluation des prompts

Crée des critères de notation spécifiques à la tâche pour la précision, le format, le ton et l'exhaustivité. Permet une comparaison objective entre les versions de prompt et les membres de l'équipe.

Leçon 2 • Gestion de version et documentation des prompts

Établit des conventions de nommage, des journaux de modifications et des pratiques de stockage pour les bibliothèques de prompts. Empêche la régression et permet la réutilisation à l'échelle de l'équipe de prompts éprouvés.

Leçon 3 • Diagnostiquer les échecs de prompt

Classifie les modes d'échec : ambiguïté, contexte manquant, erreurs de format et hallucination. Fournit une liste de contrôle diagnostique qui guide la révision ciblée.

Leçon 1 • Méta-prompting et génération de prompts

Utilise le modèle pour générer, critiquer et optimiser les prompts automatiquement. Accélère le développement de prompts et révèle des formulations non évidentes.

Leçon 2 • Prompting augmenté par récupération

Injecte des documents ou faits récupérés dans les prompts pour ancrer les réponses dans des sources vérifiées. Réduit l'hallucination sur les tâches à forte intensité de connaissances.

Leçon 3 • Prompts d'auto-critique et de réflexion

Demande au modèle d'évaluer et de réviser sa propre sortie en une seule session. Produit des réponses finales de meilleure qualité sans boucles de rétroaction externes.

Leçon 4 • Enchaînement de prompts et pipelines

Relie des prompts séquentiels où chaque sortie alimente l'étape suivante. Couvre la conception des transitions, la propagation des erreurs et le débogage des pipelines.

Leçon 1 • Prompts conversationnels pour clients

Construit des prompts système pour les chatbots gérant des scénarios de support, de vente et de FAQ. Couvre les garde-fous de ton, la logique d'escalade et la cohérence de la voix de marque.

Leçon 2 • Analyse de données et extraction d'insights

Demande aux modèles d'interpréter des données tabulaires, d'identifier des tendances et de générer des résumés narratifs. Fait le pont entre le prompt engineering et les besoins en reporting analytique.

Leçon 3 • Flux de travail de création et d'édition de contenu

Conçoit des séquences de prompts pour la rédaction, l'édition, la synthèse et le réemploi de contenu. Relie la conception de prompt aux normes de qualité éditoriale.

Leçon 4 • Intégration d'automatisation et de flux de travail

Intègre les prompts dans des pipelines automatisés, des API et des outils no-code. Couvre la paramétrisation, l'injection dynamique de variables et le routage des sorties.

Leçon 1 • Biais, équité et réduction des préjudices

Identifie comment les prompts peuvent amplifier ou atténuer les biais du modèle et produire des résultats préjudiciables. Enseigne des choix de conception proactifs qui réduisent les réponses discriminatoires ou dangereuses.

Leçon 2 • Injection de prompt et sécurité

Explique les attaques adversariales par prompt qui détournent le comportement du modèle dans les systèmes déployés. Enseigne la conception défensive des prompts et les stratégies d'assainissement des entrées.

Leçon 3 • Construire une stratégie organisationnelle de prompt

Conçoit des normes d'équipe pour la propriété, la revue et l'amélioration continue des prompts. Relie la compétence individuelle en prompt à une capacité organisationnelle évolutive.

Leçon 4 • Confidentialité et gestion des données dans les prompts

Couvre les risques liés à l'intégration de données personnelles ou confidentielles dans les prompts envoyés à des modèles externes. Établit des pratiques de minimisation des données et d'anonymisation pour la conception de prompts.