AI ProdigiesCours interactifs
Ouvrir la navigation
Module 12 · Leçon 127 min · debutant

Mieux demander, mieux vérifier

Écrire des demandes qui définissent le résultat, fournissent le contexte utile et imposent une méthode de contrôle adaptée.

Sommaire et raccourcis

Objectifs d’apprentissage

Objectifs de la leçon

  • Structurer un prompt autour d’un objectif et de critères
  • Prévoir la vérification avant de générer la réponse

Prérequis

  • Modules 8, 9 et 11

Mieux demander, mieux vérifier

Situation concrète

Une demande utile ne cherche pas une formule magique. Elle décrit la tâche, les contraintes, les preuves attendues et ce qui doit arriver quand l’information manque.

Objectifs d’apprentissage

  • Structurer un prompt autour d’un objectif et de critères
  • Prévoir la vérification avant de générer la réponse

Prérequis

  • Modules 8, 9 et 11

Mode simple

Indiquez le résultat voulu, le public, le contexte nécessaire et le format. Donnez les documents de référence lorsqu’ils existent. Demandez de séparer faits, hypothèses et éléments inconnus. Pour une information actuelle, exigez une date et des liens vérifiables ; pour un calcul, demandez la formule et contrôlez-la dans un outil. Ne partagez pas de données inutiles. Enfin, relisez la sortie selon une checklist adaptée aux conséquences de l’erreur.

Mode approfondi

Un prompt robuste définit entrées autorisées, critères d’acceptation, schéma de sortie et stratégie d’abstention. Des exemples peuvent orienter le format par apprentissage en contexte, mais ils consomment la fenêtre et peuvent propager leurs biais. La contrainte « cite le passage exact » améliore la traçabilité si le corpus est fourni, sans prouver seule la fidélité. Les validations déterministes doivent être exécutées hors du modèle lorsque c’est possible.

Analogie

Un bon brief ressemble à un cahier des charges : il décrit la destination, les matériaux autorisés, les mesures de contrôle et les conditions d’arrêt.

Exemple concret

Au lieu de « analyse ce contrat », demandez une liste de clauses précises, un extrait par point, les incertitudes, puis faites vérifier la conclusion par la personne responsable.

Le prompt en six cartes — Six cartes couvrent objectif, public, contexte, format, preuves et comportement en cas d’incertitude.

Les cartes sont reliées à une sortie contrôlée puis à une checklist externe, sans présenter le prompt comme une garantie.

Activité manipulable

Manipulez l’activité « claim-verification-lab », validez votre réponse puis expliquez ce que le résultat démontre et ce qu’il ne démontre pas.

Confusion fréquente

Un prompt très détaillé ne remplace ni une source fiable, ni une autorisation d’accès, ni l’expertise requise pour une décision sensible.

Vérification rapide

Quelle consigne aide lorsque la preuve manque ?

Demandez au système de signaler explicitement l’information manquante, de ne pas inventer et d’indiquer une méthode concrète pour la vérifier.

Résumé

  • Le prompt précise objectif, contexte et critères.
  • La preuve attendue doit être définie à l’avance.
  • Les contrôles externes restent nécessaires.

Mots du glossaire

Sources

Vue cards

Le prompt en six cartes

Six cartes couvrent objectif, public, contexte, format, preuves et comportement en cas d’incertitude.

Notions associées

  1. prompt
  2. critère
  3. vérification

Description de la figure

Les cartes sont reliées à une sortie contrôlée puis à une checklist externe, sans présenter le prompt comme une garantie.

Manipuler pour comprendre

Activité interactive

Activité interactive

Laboratoire de vérification des affirmations

Attribue un verdict à chaque affirmation, puis confronte-le à la correction et à la source primaire.

Six affirmations techniques sur les Transformers, GPT-4 et DeepSeek-V3 sont évaluées avec des verdicts nuancés et des sources publiques.

Affirmation 1

Le Transformer de 2017 remplace la récurrence par une architecture fondée sur l’attention.

Affirmation 2

GPT-4 contient exactement 1,76 billion de paramètres.

Affirmation 3

DeepSeek-V3 annonce 671 milliards de paramètres totaux et 37 milliards activés par token.

Affirmation 4

La configuration publiée de DeepSeek-V3 indique 61 couches Transformer.

Affirmation 5

La dimension cachée publiée pour DeepSeek-V3 est de 7 168.

Affirmation 6

Le mécanisme MLA de DeepSeek-V3 est configuré avec 128 têtes d’attention.

Affirmation 7

Une tête d’attention correspond toujours à une règle grammaticale facile à nommer.

Affirmation 8

L’attention compare chaque token à chaque autre token, donc tout Transformer a toujours exactement le même coût quadratique.

Affirmation 9

Dire que les embeddings placent les mots proches les uns des autres est une description complète de leur fonctionnement.

Vérification rapide

Quel élément rend un prompt plus vérifiable ?

À garder sous la main

Mots du glossaire

Ouvrir tout le glossaire →
Contexte

Informations disponibles pour calculer la réponse actuelle.

Le contexte correspond aux tokens effectivement fournis dans la fenêtre courante, y compris instructions et documents récupérés, et reste distinct des paramètres et d’une mémoire produit persistante.

Voir les liens associés
Hallucination

Réponse plausible mais fausse, inventée ou insuffisamment soutenue.

Le terme couvre plusieurs erreurs factuelles ou de fidélité à une source ; sa détection exige de comparer l’énoncé à une référence, pas seulement son degré d’assurance.

Voir les liens associés
Prompt

Texte, données et consignes fournis au système pour une tâche.

Le prompt peut contenir instructions, exemples et contexte récupéré ; son effet reste conditionné par la fenêtre disponible, le modèle et les règles de priorité du produit.

Voir les liens associés
RAG

Méthode qui récupère des documents puis les ajoute au contexte avant de générer.

Retrieval-Augmented Generation sépare recherche et génération ; ses résultats dépendent de l’index, du classement, des documents et de la fidélité de la synthèse.

Voir les liens associés
RSources de la leçon3 références, avec portée et date de vérification
  1. R4Source primaireVérifiée le 2026-07-18

    Brown, T. B. et al.. Language Models are Few-Shot Learners (2020).

    Référence GPT-3 pour l’apprentissage en contexte, le few-shot et les effets observés lors du changement d’échelle.

    Consulter la source dans un nouvel onglet
  2. R17Source secondaireVérifiée le 2026-07-18

    Huang, L. et al.. A Survey on Hallucination in Large Language Models: Principles, Taxonomy, Challenges, and Open Questions (2023, version révisée 2024).

    Synthèse structurée des types, causes, méthodes de détection et stratégies de réduction des hallucinations.

    Consulter la source dans un nouvel onglet
  3. R22Fait public confirméVérifiée le 2026-07-18

    OpenAI. Data Controls FAQ (consulté en 2026).

    Documentation officielle sur les contrôles disponibles pour gérer l’utilisation des conversations et les choix de confidentialité.

    Consulter la source dans un nouvel onglet

Relevé de progression

Prêt à fixer cette étape ?

La progression reste enregistrée sur cet appareil, même sans compte.

Cette leçon est en cours.