Types de requêtes que l’IA peut traiter
Taxonomie des tâches d’IA : rédaction, synthèse, réponses, programmation et recherche d’idées.
Types de requêtes que l’IA peut traiter est une leçon AI Prompt Engineering gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage AI Prompt Engineering, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours AI Prompt Engineering comprend 4 leçons au total.
La taxonomie des tâches d'IA
Les modèles linguistiques d'IA sont remarquablement polyvalents. Ils prennent en charge un large éventail de types de tâches ; savoir à quelle catégorie appartient votre tâche vous aide à rédiger de meilleures invites.
Nous pouvons regrouper les tâches en : rédaction, résumé, questions-réponses, programmation, remue-méninges, traduction, classification et extraction de données.
Tâches de rédaction
La rédaction est l'une des tâches d'IA les plus courantes. Exemples :
- Rédiger des e-mails, des lettres de motivation ou des articles de blog
- Écrire des nouvelles, des scénarios ou du contenu créatif
- Composer des légendes pour les réseaux sociaux
- Réviser et réécrire des brouillons existants
L'essentiel est de préciser le format, le ton, la longueur et le public dans votre invite.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=256,
messages=[{
'role': 'user',
'content': (
'Write a 150-word professional email declining a meeting invitation. '
'Tone: polite and regretful. Suggest rescheduling next week.'
)
}]
)
print(response.content[0].text)Tâches de résumé
Le résumé condense un contenu long sous une forme plus courte et plus facile à assimiler. Utilisations courantes :
- TL;DR d'articles ou de rapports longs
- Notes de réunion à partir d'une transcription
- Résumés exécutifs d'articles de recherche
- Points clés extraits d'un chapitre de livre
Précisez la longueur cible et le niveau de détail dont vous avez besoin.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
long_text = (
'Artificial intelligence has transformed industries from healthcare '
'to finance over the past decade. Machine learning models now diagnose '
'diseases, detect fraud, and power recommendation engines. However, '
'concerns about bias, privacy, and job displacement remain significant...'
)
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': f'Summarize the following in exactly 2 sentences:\n\n{long_text}'
}]
)
print(response.choices[0].message.content)Tâches de questions-réponses
Les tâches de questions-réponses s'appuient sur la vaste base de connaissances du modèle. Elles comprennent notamment :
- Questions factuelles (« Qu'est-ce que le cycle de Krebs ? »)
- Questions explicatives (« Comment HTTPS fonctionne-t-il ? »)
- Questions comparatives (« Quelle est la différence entre la RAM et le stockage ? »)
- Questions-réponses sur un document — poser des questions sur un document collé dans l'invite
Pour les questions-réponses sur un document, incluez toujours le contenu source dans votre invite.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
document = 'Our refund policy allows returns within 30 days with receipt...'
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=256,
system='Answer only based on the document provided. If unsure, say so.',
messages=[{
'role': 'user',
'content': f'Document:\n{document}\n\nQuestion: How many days do I have to return an item?'
}]
)
print(response.content[0].text)Tâches de programmation
Les tâches de programmation sont un domaine où les assistants d'IA excellent véritablement. Demandes courantes :
- Générer du code à partir d'une description (« Écrivez une fonction Python qui... »)
- Expliquer ce que fait du code existant
- Déboguer ou corriger du code défectueux
- Convertir du code d'un langage à un autre
- Écrire des tests unitaires pour une fonction donnée
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
response = client.chat.completions.create(
model='gpt-4o',
messages=[
{
'role': 'system',
'content': 'You are a Python expert. Include type hints and a brief docstring.'
},
{
'role': 'user',
'content': (
'Write a function that takes a list of integers and returns '
'the second largest unique value, or None if it does not exist.'
)
}
]
)
print(response.choices[0].message.content)Tâches de remue-méninges
Le remue-méninges consiste à utiliser l'IA pour générer rapidement un grand nombre d'idées. Utilisez-le pour :
- Générer des noms de produits
- Dresser des listes de sujets pour des articles de blog
- Trouver des idées de fonctionnalités pour une application
- Imaginer des axes de campagnes de marketing
- Explorer des solutions alternatives à un problème
Demandez un nombre précis d'idées et indiquez au modèle de privilégier la variété plutôt que la répétition.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=512,
messages=[{
'role': 'user',
'content': (
'Generate 10 unique app name ideas for a habit-tracking app targeting busy professionals. '
'Each name should be one or two words. Prioritize variety — avoid similar-sounding names. '
'After each name, add a 5-word tagline.'
)
}]
)
print(response.content[0].text)Tâches de traduction
La traduction va au-delà d'une conversion mot à mot. Les modèles d'IA prennent en charge :
- La traduction entre langues (anglais → espagnol, français → japonais)
- La traduction de registre (jargon technique → langage courant)
- La traduction de ton (formel → décontracté)
- La traduction de format (paragraphe → points)
Précisez si vous souhaitez une traduction littérale ou une traduction naturelle et idiomatique.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
text_en = 'Please ensure the deliverables are submitted prior to the agreed deadline.'
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
f'Translate the following into natural, idiomatic Spanish '
f'suitable for a casual work chat message:\n\n{text_en}'
)
}]
)
print(response.choices[0].message.content)Tâches de classification
La classification attribue une entrée à des catégories prédéfinies. Exemples :
- Analyse des sentiments (positif / négatif / neutre)
- Catégorisation par sujet (sport / politique / technologie)
- Détection de l'intention (réclamation / demande d'information / compliment)
- Spam ou non-spam
Fournissez toujours la liste des catégories valides dans votre invite afin que le modèle sache parmi lesquelles choisir.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
reviews = [
'The product broke after one day. Terrible quality!',
'Shipping was fast and the item is exactly as described.',
'It is okay, nothing special but does the job.'
]
for review in reviews:
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=16,
messages=[{
'role': 'user',
'content': (
f'Classify this review as exactly one of: POSITIVE, NEGATIVE, NEUTRAL.\n'
f'Reply with only the label.\n\nReview: {review}'
)
}]
)
label = response.content[0].text.strip()
print(f'{label}: {review[:40]}...')Tâches d'extraction de données
L'extraction de données consiste à extraire des informations structurées d'un texte non structuré. Utilisations courantes :
- Extraire les noms, les dates et les montants de factures
- Extraire les faits essentiels d'articles d'actualité
- Analyser les coordonnées présentes dans des e-mails
- Extraire les caractéristiques de produits à partir de descriptions
Demandez une sortie au format JSON pour pouvoir utiliser facilement les données extraites dans votre code.
import openai
import json
client = openai.OpenAI(api_key='sk-your-key-here')
email_text = (
'Hi, I am Sarah Johnson from Acme Corp. '
'Please send the invoice for $4,250 to billing@acmecorp.com by June 15th.'
)
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Extract the following fields from the email below and output valid JSON:\n'
'name, company, email, amount, deadline\n\nEmail:\n' + email_text
)
}]
)
raw = response.choices[0].message.content
data = json.loads(raw)
print(data)Combiner plusieurs types de tâches
Dans les invites du monde réel, plusieurs types de tâches sont souvent combinés au sein d'une même demande. Par exemple :
- Extraire les affirmations essentielles d'un article, puis classer chacune comme fait ou opinion
- Résumer un document, puis traduire le résumé en français
- Faire un remue-méninges pour trouver des idées, puis rédiger une courte présentation pour la meilleure
Enchaîner plusieurs types de tâches dans une seule invite est puissant ; soyez simplement explicite quant à chaque étape.
import anthropic
client = anthropic.Anthropic(api_key='sk-ant-your-key-here')
response = client.messages.create(
model='claude-opus-4-5',
max_tokens=512,
messages=[{
'role': 'user',
'content': (
'Do the following in order:\n'
'1. Brainstorm 5 blog post titles about remote work productivity.\n'
'2. Pick the most compelling title.\n'
'3. Write a 3-sentence intro paragraph for that post.\n'
'Format your output with clear numbered sections.'
)
}]
)
print(response.content[0].text)Choisir le bon cadre de tâche
Une même demande fondamentale peut être formulée selon différents types de tâches, et cette formulation modifie considérablement la sortie.
Objectif d'exemple : comprendre la page tarifaire d'une entreprise.
- Cadre questions-réponses : « Quels sont les niveaux tarifaires ? »
- Cadre de résumé : « Résumez la page tarifaire en 3 points. »
- Cadre d'extraction : « Extrayez les noms et les prix des forfaits au format JSON. »
- Cadre de comparaison : « Créez un tableau comparant tous les forfaits. »
Choisissez le cadre qui correspond à l'utilisation que vous ferez de la sortie.
import openai
client = openai.OpenAI(api_key='sk-your-key-here')
pricing_text = (
'Starter: $9/month - 1 user, 5GB storage. '
'Pro: $29/month - 10 users, 50GB storage. '
'Enterprise: custom pricing - unlimited users.'
)
# Extraction frame
response = client.chat.completions.create(
model='gpt-4o',
messages=[{
'role': 'user',
'content': (
'Extract plan names and monthly prices as a JSON array. '
'Use null for custom pricing.\n\n' + pricing_text
)
}]
)
print(response.choices[0].message.content)Vérification des connaissances
Vous avez découvert les principales catégories de tâches d'IA. Voyons si vous pouvez identifier la bonne.
Un développeur colle dans une invite un e-mail de 500 mots du service client et demande à l'IA : « Extrayez le nom du client, le numéro de commande et le type de problème ; fournissez le résultat au format JSON. »
De quel type de tâche s'agit-il ?
Récapitulatif de la taxonomie des tâches
Vous pouvez maintenant identifier et formuler toute demande d'IA comme l'un des principaux types de tâches :
- Rédaction — générer du contenu textuel original
- Résumé — condenser un contenu long
- Questions-réponses — répondre à des questions à partir de connaissances ou de documents
- Programmation — générer, expliquer ou déboguer du code
- Remue-méninges — générer de nombreuses idées variées
- Traduction — convertir entre langues ou registres
- Classification — attribuer une entrée à des catégories prédéfinies
- Extraction de données — extraire des données structurées d'un texte non structuré
Nommez d'abord le type de tâche, puis rédigez l'invite autour de celui-ci.
Questions Fréquemment Posées
La leçon « Types de requêtes que l’IA peut traiter » est-elle gratuite ?
Oui — le texte complet de « Types de requêtes que l’IA peut traiter » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours AI Prompt Engineering, passe à CoddyKit PRO. Le cours AI Prompt Engineering comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Types de requêtes que l’IA peut traiter » ?
Taxonomie des tâches d’IA : rédaction, synthèse, réponses, programmation et recherche d’idées. Tu pratiques AI Prompt Engineering avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer AI Prompt Engineering ?
Aucune expérience préalable n'est requise. AI Prompt Engineering sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Types de requêtes que l’IA peut traiter » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon AI Prompt Engineering ?
Oui. Chaque leçon AI Prompt Engineering inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Comprendre l’interface de conversation
- Types de requêtes que l’IA peut traiter
- Comment l’IA génère des réponses
- Ce que l’IA ne peut pas faire