0Pricing
AI Prompt Engineering · Leçon

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

  1. Comprendre l’interface de conversation
  2. Types de requêtes que l’IA peut traiter
  3. Comment l’IA génère des réponses
  4. Ce que l’IA ne peut pas faire
← Retour à AI Prompt Engineering