एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
Few-Shot Prompting
Méthode d'optimisation qui inclut un petit nombre d'exemples (généralement 1 à 5) dans le prompt pour guider le modèle vers le format, le ton ou le type de réponse attendu.
Chain-of-Thought (CoT) Prompting
Technique avancée qui incite le LLM à décomposer son raisonnement en étapes logiques et explicites avant de fournir la réponse finale, améliorant ainsi la précision sur des tâches complexes.
Tree of Thoughts (ToT)
Framework d'exploration qui modélise le raisonnement du LLM comme un arbre, où chaque nœud est une pensée ou une étape, permettant d'évaluer et de choisir les chemins de raisonnement les plus prometteurs.
Anthropomorphic Prompting
Technique qui consiste à assigner une persona, un rôle ou une identité au LLM dans le prompt (ex: 'agis en tant qu'expert en...'), pour cadrer sa réponse et améliorer sa pertinence.
Least-to-Most Prompting
Stratégie qui décompose un problème complexe en une série de sous-problèmes plus simples, résolus séquentiellement, où chaque solution est utilisée pour aider à résoudre le problème suivant.
Directional Stimulus Prompting
Technique qui guide le modèle en ajoutant des indices ou des phrases spécifiques (stimuli) dans le prompt pour diriger la génération vers un certain domaine, style ou attribut sémantique.
ReAct (Reasoning and Acting)
Paradigme qui entrelace le raisonnement en chaîne de pensées avec des étapes d'action, permettant au LLM de générer des plans de raisonnement, d'exécuter des actions (comme des recherches) et d'itérer.
Contextual Reinforcement
Pratique d'ajouter des phrases de renforcement positif ou négatif directement dans le prompt (ex: 'réponds avec précision', 'évite les informations non vérifiées') pour influencer le comportement du modèle.
PAL (Program-Aided Language Models)
Approche qui délègue les étapes de calcul à un interpréteur de code (comme Python), en demandant au LLM de générer le code nécessaire pour résoudre une partie du problème, puis d'exécuter ce code.