# Few-shot Learning

> Capacité d'un modèle à apprendre une nouvelle tâche à partir d'un très petit nombre d'exemples.

- Page ZoneIA : https://zoneia.fr/glossaire/few-shot-learning
- Type : Définition du glossaire IA
- Catégories : [Recherche & Science](https://zoneia.fr/outils/categorie/recherche-science-ia), [Analyse de Données & Data](https://zoneia.fr/outils/categorie/analyse-donnees-data)
- Publié le : 2026-03-04
- Mis à jour le : 2026-05-22

Le *few-shot learning* désigne la capacité d’un modèle à s’adapter à une tâche nouvelle avec seulement quelques exemples (souvent 1 à 20), au lieu de nécessiter des milliers d’annotations. L’idée est de réutiliser des connaissances acquises lors d’un pré-entraînement sur de grandes quantités de données, puis de “généraliser” rapidement à un contexte inédit.

## Comment ça fonctionne
Dans les modèles modernes (notamment les grands modèles de langage), on obtient souvent cet effet **sans réentraîner** le modèle : on fournit des exemples directement dans le prompt (on parle alors d’*in-context learning*). Le modèle infère le format attendu, les règles implicites ou le style de réponse à partir de ces démonstrations. Dans d’autres approches, on fait un **fine-tuning léger** sur quelques exemples, parfois avec des techniques d’adaptation paramétrique (ex. LoRA), pour réduire les coûts.

## À quoi ça sert
- Prototyper rapidement une fonctionnalité IA quand on manque de données.
- Adapter un modèle à un domaine spécifique (juridique, médical, interne entreprise).
- Répondre à des variations de formats (classification, extraction, structuration).

## Exemples
- Donner 3 exemples “email → intention” pour classifier de nouveaux emails.
- Fournir quelques paires “texte → résumé” pour imposer un style de résumé précis.

---

Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/glossaire/few-shot-learning)