Quelle approche d'ingénierie de prompt peut aider à se défendre contre les attaques par injection de prompt ?

L'approche correcte est le "Adversarial prompting". Cette technique implique de tester le modèle avec des prompts malveillants ou inattendus pour identifier et corriger les vulnérabilités, y compris celles liées à l'injection de prompt. L'objectif est de renforcer la robustesse et la sécurité du modèle face à de telles attaques. Les autres options sont incorrectes car : "Zero-shot prompting" est une technique où le modèle répond à une tâche sans exemples préalables, mais ne vise pas la sécurité. "Least-to-most prompting" est une méthode de décomposition de problèmes complexes en étapes plus simples, sans lien avec la défense contre les attaques. "Chain-of-thought prompting" encourage le modèle à générer une série d'étapes intermédiaires avant la réponse finale, améliorant la logique mais pas la sécurité contre l'injection.