🏗️Exemple concret
Une équipe veut classifier 50 000 verbatims clients en 15 catégories métier. Fine-tuner BERT demanderait 2 000 exemples annotés par catégorie. Avec Claude ou GPT-4 en few-shot (5 exemples par catégorie dans le prompt), l'équipe atteint 91% de précision en une journée, sans annotation massive. Le coût API est de 200€ pour le batch complet.
🎯Quand l'utiliser ?
✓Prototypage rapide sans données annotées
✓Tâches de classification avec des catégories nouvelles ou changeantes
✓Quand le coût d'annotation est prohibitif
✓Extraction d'information structurée depuis des textes non structurés
✅ Avantages
+Déployable en jours plutôt qu'en semaines
+Aucune donnée d'entraînement requise (zero-shot)
+Flexibilité totale : changer le prompt change la tâche
⚠️ Limites
−Moins performant que le fine-tuning avec de nombreux exemples
−Sensible à la formulation du prompt
−Coût API à grande échelle peut dépasser le fine-tuning
🛠️ Outils principaux
OpenAI API (GPT-4)
Anthropic API (Claude)
Hugging Face Inference API
LangChain pour l'orchestration
LLMZero-shotFew-shotNLPPrompt