L'ingénierie des prompts – techniques, espace latent et risques

Bonne lecture et bon apprentissage ! Junior TSAFACK – 11/09/2026 ⏱️ Temps de lecture estimé : 12 minutes

L’ingénierie des prompts (prompt engineering) est la pratique consistant à créer et optimiser les invites de saisie pour tirer le meilleur parti d’un modèle génératif — le choix des mots, du format, du contexte fourni peut faire toute la différence entre un résultat médiocre et un résultat exceptionnel. C’est une compétence directement actionnable, sans compétence en Machine Learning.

Les composants d’une invite

Une invite efficace combine, selon le besoin, plusieurs éléments :

L’instruction : la tâche à accomplir.
Le contexte : les informations de fond nécessaires pour bien répondre.
Le texte d’entrée : les données sur lesquelles opérer.
Des exemples : pour calibrer le format ou le style attendu (apprentissage en contexte).

Les techniques d’invite à connaître

Technique	Principe
Zero-shot	Aucun exemple fourni — le modèle s’appuie uniquement sur ses connaissances pré-entraînées.
One-shot / Few-shot	Un ou plusieurs exemples inclus dans l’invite pour orienter la réponse.
Modèles de prompt (prompt templates)	Structure réutilisable combinant instructions, exemples et contenu spécifique pour un cas d’usage donné.
Chaîne de pensée (chain-of-thought)	Décomposer un raisonnement complexe en étapes intermédiaires explicites, ce qui améliore la cohérence et la qualité du résultat final sur des tâches difficiles (calcul, logique).
Ajustement des invites (prompt tuning)	Technique avancée : remplacer le texte de l’invite par un vecteur continu optimisé pendant un entraînement dédié, pendant que le reste du modèle reste figé — plus efficace qu’un ajustement complet pour certains cas très spécifiques.

Les bonnes pratiques générales : être précis (format souhaité, ton, longueur, contexte détaillé), inclure des exemples de comportement attendu, procéder de façon itérative (tester, observer, ajuster), connaître les forces et faiblesses du modèle utilisé, et éviter à la fois l’excès de simplicité (réponses vagues) et l’excès de complexité (instructions confuses).

L’espace latent : ce que le modèle « sait » vraiment

Tout modèle de langage est entraîné sur de vastes corpus textuels (Common Crawl, Wikipedia, BookCorpus…) dont la qualité et l’exhaustivité varient. L’espace latent désigne cette connaissance codée statistiquement à l’intérieur du modèle — une sorte de carte des relations entre concepts, construite pendant le pré-entraînement.

Quand vous soumettez une invite, le modèle interroge cet espace latent et assemble sa réponse mot par mot, en choisissant à chaque étape le jeton le plus probable compte tenu du contexte. Le modèle ne raisonne pas : il génère une continuation statistiquement plausible. Si le sujet de votre invite est mal représenté dans l’espace latent (données rares, absentes, ou obsolètes), le modèle produira quand même une réponse — la plus proche statistiquement — sans signaler son incertitude. C’est la cause première des hallucinations évoquées au chapitre précédent.

💡 Implication pratique : une compétence avancée en ingénierie de prompts consiste à évaluer, avant même de rédiger l’invite finale, si le sujet abordé est probablement bien couvert par l’espace latent du modèle choisi. Sinon, mieux vaut recourir au RAG (données externes à jour) plutôt qu’espérer une réponse fiable du modèle seul.

Les risques spécifiques à l’ingénierie des prompts

Quatre types d’attaques ciblent spécifiquement les invites :

Attaque	Principe
Injection de prompt	Un attaquant insère des instructions malveillantes dans une entrée non fiable, mélangées à l’invite « fiable » du développeur, pour produire une réponse indésirable.
Débridage (jailbreaking)	Tentative de contourner les protections (garde-fous) mises en place sur le modèle.
Détournement (hijacking)	Modifier ou remplacer les instructions d’origine par de nouvelles instructions non autorisées.
Empoisonnement (poisoning)	Des instructions nuisibles sont dissimulées dans un contenu tiers (e-mail, page web) que le modèle traite ensuite comme une source légitime.

Pour s’en prémunir, Amazon Bedrock propose des garde-fous (Guardrails) : filtres de contenu configurables par catégorie (haine, violence, contenu sexuel), blocage de sujets définis en langage naturel, et détection/masquage des informations personnelles identifiables (PII) — appliqués aussi bien à l’invite qu’à la réponse du modèle. Nous détaillons leur configuration dans le module 5.

Points clés à retenir

Une invite efficace combine instruction, contexte, données d’entrée et, si besoin, des exemples (few-shot).
La chaîne de pensée décompose un raisonnement complexe en étapes intermédiaires pour améliorer la qualité du résultat.
L’espace latent est la connaissance statistique interne d’un modèle ; un sujet mal représenté dans cet espace produira une réponse plausible mais potentiellement fausse.
Quatre risques spécifiques ciblent les invites : injection de prompt, débridage, détournement et empoisonnement — les garde-fous Amazon Bedrock permettent de s’en prémunir.

Glossaire

Terme	Définition
Espace latent	Représentation statistique interne des connaissances d’un modèle de langage, issue de son pré-entraînement.
Chaîne de pensée (chain-of-thought)	Technique d’invite décomposant un raisonnement en étapes intermédiaires explicites.
Injection de prompt	Attaque insérant des instructions malveillantes dans une entrée non fiable traitée par le modèle.
Garde-fous (Guardrails)	Fonctionnalité Amazon Bedrock filtrant contenus et sujets indésirables en entrée et en sortie d’un modèle.

Prochain chapitre

Quand l’ingénierie des prompts ne suffit pas, il faut aller plus loin : ajuster le modèle lui-même sur vos propres données. C’est l’objet du fine-tuning et du RLHF.

👉 Chapitre 3 : Pré-entraînement, fine-tuning et RLHF des modèles de fondation

Junior TSAFACK – 11/09/2026