Une entreprise souhaite utiliser un LLM sur Amazon Bedrock pour classer du texte comme ayant un sentiment positif ou négatif. Quelle technique d'ingénierie d'invite est la plus appropriée ?

La technique la plus appropriée est d'inclure des exemples étiquetés (few-shot prompting). Cette méthode fournit au LLM des paires d'entrée-sortie (texte et son sentiment correspondant) qui l'aident à comprendre le format et le type de classification attendus. Le modèle apprend ainsi à généraliser à partir de ces exemples pour classer de nouveaux textes. Inclure une longue explication du fonctionnement de l'analyse des sentiments ou des LLM est inutile et n'améliore pas la performance. Soumettre uniquement le passage (zero-shot prompting) peut fonctionner, mais l'ajout d'exemples améliore généralement la précision pour les tâches de classification. Fournir des exemples de tâches non liées introduirait de la confusion et diluerait l'objectif de l'invite.