Résumé : WHY-US, une approche simplifiée pour obtenir des résultats d'impact et cohérents des LLMs Il estnow été environ deux ans depuis que j'ai commencé à intégrer les langages de modèles linguistiques (LLMs) dans des applications commerciales pour atteindre des objectifs de produits. J'ai expérimenté diverses techniques de prompting, comme le zero-shot, le few-shot, le rôle-basé, et le pas-par-pas, mais je me suis souvent retrouvé frustré par les résultats. Parfois, ils étaient presque utiles, mais souvent ils manquaient complètement le but. Après de nombreux essais et erreurs, j'ai compris que le prompting n'était pas seulement une question de "parler mieux à l'IA" ; c'était bel et bien une compétence. Cela m'a conduit à créer le cadre WHY-US, qui transforme toute demande floue en un plan d'action clair et réutilisable. Pourquoi avons-nous besoin de ce cadre ? Avec l'intégration croissante des LLMs dans nos flux de travail quotidiens, nous ne pouvons plus nous permettre de compter sur des prompts génériques et aléatoires. Le cadre WHY-US, fruit de mois d'itération, de tests et de raffinement, offre une structure réplicable pour obtenir des résultats de meilleure qualité de manière consistante. Le Cadre WHY-US Le cadre WHY-US se divise en quatre blocs simples qui permettent de transformer toute demande imprécise en un plan d'action clair : W — Quels sont les faits/la vérité ? Question Directrice : "Quelles sont les vérités ou contraintes qui ne changent jamais ?" Exemple : La structure du dataset : chaque entrée comprend product_id, review_text, rating, et timestamp. Échelle de notation : de 1 à 5 étoiles. Langue des critiques : anglais. Cartographie des sentiments : Positif : 4-5 étoiles. Neutre : 3 étoiles. Négatif : 1-2 étoiles. H — Comment le faire ? Question Directrice : "Quelle est la séquence exacte des étapes ?" Exemple : Nettoyage des données : supprimer les entrées nulles ou dupliquées. Normalisation du texte : convertir review_text en minuscules et supprimer les caractères spéciaux. Analyse de sentiments : utiliser un modèle pré-entraîné pour classer les critiques en positif, neutre ou négatif. Agrégation des données : regrouper les critiques par product_id pour calculer la note moyenne et le nombre de critiques par catégorie de sentiment. Visualisation des résultats : générer des graphiques à barres montrant la distribution des sentiments par produit et des nuages de mots pour les termes les plus fréquents dans les critiques positives et négatives. Compilation des résultats : rédiger un rapport en Markdown pour les parties prenantes. Y — Pourquoi ça compte ? Question Directrice : "Quels critères de succès, objectifs ou mentalités guident les choix ?" Exemple : Objectif commercial : identifier les tendances de satisfaction des clients pour améliorer les produits et les stratégies marketing. Indicateurs de qualité : précision de la classification des sentiments, clarté et lisibilité des visualisations. Besoins des parties prenantes : les insights devraient être actionnables et faciles à interpréter pour les membres de l'équipe non techniques. U — Ensemble (pour travailler avec des agents) Question Directrice : "Comment les agents se transmettent-ils la tâche ou collaborent-ils ?" Exemple : DataEngineer : prépare et nettoie le dataset. DataAnalyst : effectue l'analyse de sentiments et génère des visualisations. MarketingTeam : examine le rapport et tire des insights applicables. Outils de collaboration : utiliser Slack pour la communication, stocker les rapports dans un Google Drive partagé, programmer des réunions bi-hebdomadaires pour discuter des résultats. Exemple de Prompt Utilisant WHY-US Je suis en train d'analyser le Dataset des Critiques de Produits Amazon pour extraire des insights sur les sentiments des clients. W — Quelle est la vérité : - Le dataset inclut product_id, review_text, rating, et timestamp. - Les notes vont de 1 à 5 étoiles. - Les critiques sont en anglais. H — Comment le faire : - Nettoyer les données en supprimant les nulls et les doublons. - Normaliser le review_text. - Classer les sentiments en utilisant un modèle pré-entraîné. - Agréger les données par product_id pour calculer les notes moyennes et les compteurs de sentiments. - Visualiser les résultats avec des graphiques à barres et des nuages de mots. - Compiler les résultats dans un rapport Markdown. Y — Pourquoi ça compte : - Le but est de révéler des tendances de satisfaction des clients. - Fournir des insights actionnables pour les équipes de produit et marketing. - Assurer la clarté et la précision dans la présentation des résultats. U — Ensemble (pour travailler avec des agents) : - #DataEngineer gère la préparation des données. - #DataAnalyst réalise l'analyse et la visualisation. - #MarketingTeam examine et agit sur les insights. - Outils de collaboration : Slack pour la communication, Google Drive pour stocker les rapports, réunions bi-hebdomadaires pour discuter des résultats. Efficacité et Adaptabilité Ce cadre de prompting est efficace car il offre une structure claire et répétable. Il permet de définir clairement ce qui est nécessaire, comment le faire, pourquoi c'est important, et comment collaborer. Cette approche favorise une meilleure cohérence et des sorties de meilleure qualité, éliminant ainsi le besoin de compter sur des prompts de hasard. Éviter les Pièges Communs même avec un cadre simple comme WHY-US, il est facile de commettre des erreurs. Voici les problèmes les plus courants et comment les éviter : Tout entasser dans "Quels sont les faits/la vérité ?" : résister à la tentation de mettre toutes vos instructions et votre contexte dans le bloc "W". Si cela concerne des étapes ou des actions, placez-le dans "H". Si cela implique la collaboration ou qui fait quoi, déplacez-le vers "U". Être vague dans "Pourquoi ça compte ?" : une formulation générique comme "c'est important" ne suffit pas. Ajoutez des critères de succès clairs, tels que la précision de la classification des sentiments ou la facilité d'interprétation pour les non-techniques. Surutiliser les étiquettes de rôle : n'utilisez des hashtags comme #Reviewer ou #Engineer que lorsque ce sont véritablement des points qui varient selon l'agent. Sinon, skippez les ; ils ajoutent plus de confusion que de clarté. Conclusion Le cadre WHY-US est un outil puissant pour transformer n'importe quelle tâche, grande ou petite, en quatre blocs clairs et répétables. Que vous déléguiez la tâche à une IA ou collaboriez avec un coéquipier, ce cadre vous donne une méthode structurée et réutilisable pour convertir des requêtes floues en plans d'action solides. Il élimine la dépendance aux "sorts de prompts" aléatoires et permet une exécution cohérente et fiable. Le cadre WHY-US n'est peut-être pas parfait, mais il a considérablement amélioré mes résultats. Il pourrait également faire la différence pour vous. Testez-le, affinez-le, et adaptez-le à vos besoins spécifiques. Évolvez votre processus de prompting en une compétence maîtrisée, plutôt qu'une série de coups de chance. Évaluations et Profil de l'Entreprise Les professionnels de l'industrie ont accueilli le cadre WHY-US avec enthousiasme, saluant sa simplicité et son efficacité. Ils ont souligné qu'il améliore la précision et la cohérence des résultats, réduisant ainsi les frustrations inhérentes au développement de prompts. L'entreprise derrière ce cadre, nommée PromptCraft, a été fondée par Alex John, un ingénieur en intelligence artificielle de renom, connu pour ses contributions à l'optimisation des performances des LLMs. PromptCraft propose une gamme de solutions axées sur l'optimisation du prompting, aidant les entreprises à maximiser l'efficacité et l'impact de leurs applications de LLMs. En utilisant des outils éprouvés et des méthodes réfléchies, PromptCraft vise à rendre les LLMs plus accessibles et performants pour tous, y compris les équipes sans expertise approfondie en IA. Avec des collaborations avec des leaders technologiques et des échanges fréquents sur les meilleures pratiques, l'entreprise est bien positionnée pour influencer positivement l'adoption et l'usage des LLMs dans le monde des affaires.