Initiation au prompting

Présentation de la formation

Matériel et environnement requis

1. Module 1 — Comprendre les modèles de langage

   0 min

   On ne pilote bien que ce que l'on comprend. Ce premier module démonte la représentation naïve du modèle « qui sait tout » : un modèle de langage est un **prédicteur de token suivant**, entraîné sur d'immenses corpus de textes, dont la compétence est de produire une suite plausible et non de garantir un fait. Vous verrez concrètement comment le texte est découpé en tokens, ce que contient réellement une fenêtre de contexte, pourquoi la température change la stabilité des réponses et pourquoi un modèle affirme avec aplomb une information fausse. Ces notions ne sont pas théoriques : chacune a une conséquence directe sur la manière d'écrire une consigne. Savoir qu'un long contexte dilue l'attention explique pourquoi il faut placer les instructions importantes au début et à la fin. Savoir qu'un modèle n'a pas accès à Internet par défaut explique pourquoi il faut fournir les documents sources. Savoir que la connaissance est figée à une date de coupure explique pourquoi il faut vérifier toute donnée récente. Le module se termine par une méthode de test simple : confronter le modèle à une question dont vous connaissez la réponse, puis à une question dont il ne peut pas connaître la réponse, et observer la différence de ton. C'est le meilleur entraînement à la vigilance — et la base du lab 01, qui produit une fiche d'identité de modèle réutilisable.

   • 📘 Leçon 1 — Comment un modèle de langage prédit le texte0 min
   • 📘 Leçon 2 — Tokens, fenêtre de contexte et coût réel0 min
   • 📘 Leçon 3 — Ce qu'un modèle sait, ignore et invente0 min
   • ✅ Quiz auto-corrigé : Quiz — Comprendre les modèles de langage6 questions · seuil 5/6
   • 🧪 Lab guidé : Explorer un modèle de langage et ses limites10 étapes · 0 min
   • 📦 Livrable : Fiche d'identité d'un modèle de langage4 critères de validation

2. Module 2 — Écrire des prompts efficaces

   0 min

   Ce module transforme la rédaction de prompts en compétence reproductible. Vous apprendrez un cadre en quatre briques — **rôle, contexte, tâche, format** — puis quatre techniques qui changent réellement les résultats : les exemples guidés (*few-shot*), le raisonnement étape par étape, les contraintes mesurables et la décomposition d'une tâche complexe en sous-tâches. La deuxième partie du module porte sur ce que la plupart des débutants négligent : l'**itération méthodique**. Un prompt n'est pas un texte définitif, c'est un composant que l'on versionne. Vous tiendrez un journal de prompts (version, objectif, résultat attendu, résultat obtenu, verdict) et vous comparerez objectivement une version 1 et une version 3 sur un jeu de cas de référence. Le lab 02 vous fait réécrire un prompt professionnel réel, d'une version bâclée à une version testée, avec mesure du gain. À la fin du module, vous disposez d'une bibliothèque de cinq prompts réutilisables, chacun documenté et prêt à être partagé avec votre équipe.

   • 📘 Leçon 1 — Les quatre briques d'un prompt : rôle, contexte, tâche, format0 min
   • 📘 Leçon 2 — Quatre techniques qui changent le résultat0 min
   • 📘 Leçon 3 — Itérer méthodiquement : journal, versions, mesure0 min
   • ✅ Quiz auto-corrigé : Quiz — Écrire des prompts efficaces6 questions · seuil 5/6
   • 🧪 Lab guidé : Atelier : du prompt flou au prompt testé10 étapes · 0 min
   • 📦 Livrable : Bibliothèque de cinq prompts réutilisables5 critères de validation

3. Module 3 — Fiabiliser les réponses et structurer les sorties

   0 min

   Obtenir une belle réponse ne suffit pas : il faut obtenir une réponse **fiable** et **exploitable**. Ce module traite les deux problèmes qui séparent un usage ludique d'un usage professionnel. Le premier est l'ancrage : comment contraindre un modèle à répondre à partir d'un contexte fourni, à citer sa source et à déclarer explicitement ce qu'il ne sait pas. Le second est le format : comment obtenir une sortie structurée (JSON, tableau, gabarit) directement consommable par un tableur, un script ou un outil métier. Vous verrez comment valider automatiquement une sortie JSON (schéma, types, valeurs autorisées), comment gérer les cas d'échec sans intervention manuelle (nouvelle tentative avec le message d'erreur réinjecté, sortie de secours, journalisation), et comment mesurer la fiabilité d'un prompt sur un jeu de cas plutôt que sur une impression. Le lab 03 construit un mini-pipeline complet : un prompt d'extraction, une validation par schéma, une boucle de correction et un rapport de fiabilité. C'est l'atelier le plus technique du parcours, et celui qui produit l'artefact le plus directement transposable en entreprise.

   • 📘 Leçon 1 — Ancrer les réponses dans un contexte fiable0 min
   • 📘 Leçon 2 — Imposer un format : JSON, tableaux, gabarits0 min
   • 📘 Leçon 3 — Vérifier, tester et automatiser un prompt critique0 min
   • ✅ Quiz auto-corrigé : Quiz — Fiabiliser les réponses et structurer les sorties6 questions · seuil 5/6
   • 🧪 Lab guidé : Pipeline d'extraction structurée et validée10 étapes · 0 min
   • 📦 Livrable : Fiche de fiabilisation d'un prompt critique6 critères de validation

4. Module 4 — Éthique, biais et bonnes pratiques

   0 min

   Un prompt n'est jamais neutre : il transporte des choix, des catégories et des présupposés. Ce module traite les trois risques qu'un utilisateur de l'IA générative doit savoir reconnaître et limiter. Les **biais** d'abord : un modèle restitue les déséquilibres de ses données d'entraînement, et un prompt mal conçu peut les amplifier (stéréotypes de genre dans une fiche de poste, représentations uniformes d'un métier, traitement différencié selon l'origine ou l'âge). La **confidentialité** ensuite : coller un fichier client, un dossier RH ou un extrait de contrat dans un assistant public revient souvent à transmettre des données personnelles à un tiers. Vous apprendrez à distinguer les données concernées, à anonymiser ce qui doit l'être, à choisir les réglages de conservation et à connaître les obligations issues du RGPD et du règlement européen sur l'IA. La **responsabilité** enfin : transparence sur l'usage de l'IA, respect du droit d'auteur, vérification humaine obligatoire, et traçabilité des décisions. Le lab 04 vous fait conduire un audit éthique complet d'un usage réel et produire une charte d'usage personnelle, directement transposable en équipe.

   • 📘 Leçon 1 — Reconnaître et limiter les biais0 min
   • 📘 Leçon 2 — Confidentialité, RGPD et données sensibles0 min
   • 📘 Leçon 3 — Transparence, droit d'auteur et vérification humaine0 min
   • ✅ Quiz auto-corrigé : Quiz — Éthique, biais et bonnes pratiques6 questions · seuil 5/6
   • 🧪 Lab guidé : Audit éthique et conformité d'un usage IA9 étapes · 0 min
   • 📦 Livrable : Charte d'usage personnel de l'IA générative6 critères de validation