Pay As You GoEssai gratuit de 7 jours ; aucune carte de crédit requise
Exploitez le potentiel de l'IA grâce à de meilleures instructions
L'ingénierie rapide fait le lien entre l'intention humaine et les capacités d'IA, transformant ainsi la façon dont les entreprises génèrent du contenu, rationalisent les flux de travail et résolvent les problèmes. En élaborant des entrées précises, claires et orientées vers des objectifs, vous pouvez orienter des modèles d'IA tels que GPT-4, Claude, ou Lama pour fournir des résultats précis, efficaces et fiables.
Des outils tels que Prompts.ai simplifier le processus, offrant un accès à plus de 35 modèles d'IA, à des contrôles des coûts en temps réel et à des modèles prêts à l'emploi. Réduisez les coûts liés à l'IA jusqu'à 98 % tout en garantissant la conformité et en adaptant les flux de travail entre les équipes.
Il ne vous reste plus qu'à transformer vos interactions basées sur l'IA en un puissant atout commercial.
Une ingénierie rapide efficace repose sur trois principes clés : clarté et spécificité, contexte et structure, et itération. Ces principes sont à la base de la transformation des interactions avec l'IA de frustrantes à productives. En vous concentrant sur une communication claire, en fournissant un contexte essentiel et en affinant les instructions par itération, vous pouvez guider de grands modèles linguistiques afin de fournir des résultats précis et utiles. Voyons comment ces éléments fonctionnent ensemble pour optimiser les résultats de l'IA.
La qualité de la réponse d'une IA reflète souvent la clarté des instructions qu'elle reçoit. Des instructions ambiguës mènent à des résultats ambigus, tandis que des instructions claires et spécifiques permettent à l'IA de fournir des réponses qui correspondent à vos besoins. La clarté et la spécificité sont essentielles pour obtenir des résultats précis et pertinents.
Par exemple, au lieu de dire « Écrivez sur le marketing », vous pourriez spécifier : « Rédigez un article de blog de 500 mots détaillant trois stratégies de marketing numérique pour les petites entreprises de détail dont le budget mensuel est inférieur à 1 000$ ». Ce niveau de détail élimine les conjectures et garantit que l'IA se concentre sur la production de contenu adapté à vos besoins. Une telle précision améliore non seulement la qualité des résultats, mais contribue également à rationaliser les flux de travail, en particulier dans les environnements d'entreprise où l'efficacité et la gestion des coûts sont des priorités.
La conception de vos invites influence directement la pertinence, la précision et la cohérence des réponses générées par l'IA. En élaborant des instructions claires et spécifiques, vous préparez le terrain pour des interactions plus efficaces.
L'ajout de contexte et la structuration logique de vos invites peuvent améliorer considérablement la qualité des réponses de l'IA. Lorsque vous fournissez un cadre clair et des informations générales pertinentes, l'IA parvient à mieux comprendre la tâche à accomplir. Par exemple, définir le rôle de l'IA, par exemple « Agir en tant qu'agent du service client », l'aide à adopter la bonne perspective, améliorant à la fois la cohérence et la pertinence de ses résultats.
Les instructions structurées réduisent également le besoin de clarifications de suivi. L'inclusion de détails spécifiques tels que la tonalité, la longueur de sortie ou les éléments à éviter garantit que l'IA fournit exactement ce dont vous avez besoin. Voici un exemple d'invite bien structurée :
En définissant des paramètres clairs, vous pouvez vous assurer que l'IA produit des réponses qui sont non seulement précises mais également fiables, des qualités particulièrement essentielles dans les environnements professionnels et d'entreprise.
Même avec des instructions claires et structurées, il est souvent nécessaire de les affiner. L'ingénierie rapide est un processus itératif qui implique des tests, une analyse des résultats et des ajustements. Ce perfectionnement continu vous permet de découvrir le phrasé et la structure qui donnent les meilleurs résultats pour répondre à vos besoins spécifiques.
Par exemple, vous pouvez commencer par une invite générale, examiner les résultats de l'IA, puis modifier vos instructions pour corriger les éventuelles lacunes ou incohérences. Au fil du temps, ce processus vous aide à créer des invites qui fournissent constamment des résultats de haute qualité.
« Les instructions structurées mènent à des réponses cohérentes, ce qui est particulièrement utile dans les environnements professionnels où la fiabilité est cruciale. » - Zack Saadioui, auteur, Arsturn
Une conception rapide efficace repose sur la clarté, le contexte et l'itération. En transformant des demandes vagues en instructions précises, vous pouvez améliorer de manière significative la qualité et la cohérence des résultats de l'IA. Cela est particulièrement important dans les environnements d'entreprise, où la fiabilité et l'efficacité sont essentielles. Ci-dessous, nous explorerons les techniques clés à l'aide d'exemples concrets pour vous aider à créer de meilleures invites.
Les meilleures instructions sont celles qui associent des instructions claires à des exemples spécifiques. Cette combinaison permet d'éliminer toute ambiguïté et garantit que l'IA sait exactement ce qui est attendu. Par exemple, au lieu de demander à l'IA de « rédiger une description du produit », envisagez une invite plus détaillée :
« Rédigez une description de 150 mots pour notre nouveau casque sans fil. Mettez en évidence trois fonctionnalités clés, expliquez un avantage pour chaque fonctionnalité pour le client et terminez par un appel à l'action. Gardez un ton à la fois enthousiaste et professionnel. »
Ce niveau de spécificité oriente l'IA vers vos objectifs tout en évitant les erreurs d'interprétation. De même, le fait de formuler les instructions de manière positive peut faire toute la différence. Par exemple, plutôt que de dire « Ne soyez pas trop technique », vous pourriez spécifier : « Utilisez un langage facile à comprendre pour un diplômé du secondaire ».
L'attribution d'un rôle ou d'un personnage à l'IA peut rendre ses réponses plus pertinentes et personnalisées. Comparez ces deux instructions :
La deuxième invite conduit à une réponse qui donne la priorité aux préoccupations de la direction, telles que les coûts, la conformité et les risques stratégiques, plutôt que de simples détails techniques. Les rôles peuvent aller de titres de poste spécifiques (comme analyste financier ou directeur marketing) à des niveaux d'expertise (débutant, intermédiaire, expert) ou à des styles de communication (formel, conversationnel, technique).
Vous pouvez même combiner les rôles avec le contexte pour des résultats plus nuancés. Par exemple : « En tant que chef de projet à la tête d'une équipe à distance, créez un modèle de rapport d'état hebdomadaire qui permet de suivre les livrables, d'identifier les obstacles et de maintenir le moral de l'équipe. » Cette méthode garantit que le résultat répond à la fois aux besoins fonctionnels et aux aspects humains de la tâche.
Lorsqu'il s'agit de tâches complexes, le fait de les diviser en étapes plus petites et séquentielles peut améliorer considérablement les performances de l'IA. Cette approche étape par étape, similaire à l'incitation par chaîne de pensée, permet à l'IA de traiter les tâches plus efficacement sans se laisser submerger par leur ampleur.
« Pour les tâches plus complexes, telles que la création de présentations, la rédaction de documents de recherche ou le codage, divisez les instructions en plusieurs étapes. »
— Tigran Sloyan, cofondateur et PDG @ Code Signal
Par exemple, au lieu de demander une stratégie marketing complète en une seule fois, vous pourriez la décomposer comme suit :
Ce processus itératif permet d'affiner chaque étape, garantissant ainsi que le résultat final répond à vos attentes. De même, pour une tâche de recherche, vous pouvez la structurer comme suit :
En traitant l'IA comme un partenaire collaboratif, vous pouvez ajuster des parties spécifiques de l'invite selon vos besoins. Si la réponse n'est pas tout à fait correcte, identifiez le problème, qu'il s'agisse d'un manque de détails, d'une formulation trop complexe ou d'autre chose, et modifiez uniquement cette partie de l'invite au lieu de recommencer à zéro.
La plateforme de Prompts.ai rend ce processus itératif encore plus efficace. Vous pouvez tester différentes variations rapides sur plusieurs modèles, comparer les résultats côte à côte et suivre les approches qui donnent systématiquement les meilleurs résultats. Ces pratiques permettent aux entreprises d'affiner leurs interactions avec l'IA, en garantissant que les résultats sont à la fois précis et exploitables.
Une fois que vous avez maîtrisé les bases de la conception rapide, des techniques avancées permettent de faire passer les résultats de l'IA au niveau supérieur, en répondant aux exigences nuancées des applications d'entreprise. Ces méthodes vont au-delà de simples instructions et permettent des interactions plus structurées et réfléchies avec les modèles d'IA. En mettant l'accent sur la clarté, le contexte et le raffinement itératif, ces stratégies contribuent à garantir que les résultats sont à la fois sophistiqués et fiables.
L'incitation par chaîne de pensée encourage les modèles d'IA à décomposer leur raisonnement en étapes logiques, un peu comme la façon dont les humains abordent des problèmes complexes. Au lieu de tirer des conclusions hâtives, cette approche garantit un processus plus transparent et plus précis.
Par exemple, plutôt que de demander « Quel est le retour sur investissement de notre campagne marketing ? » vous pouvez demander : « Calculez le retour sur investissement en identifiant d'abord les coûts totaux de la campagne, puis les revenus, et enfin en affichant le calcul ». Ce raisonnement étape par étape est particulièrement utile pour des tâches telles que analyse financière, planification stratégique et résolution des problèmes, car il permet aux utilisateurs de suivre la logique qui sous-tend les conclusions de l'IA.
Cette technique améliore non seulement la précision, mais facilite également l'identification et la correction des erreurs. Lors de la présentation d'informations générées par l'IA aux parties prenantes, cette transparence est essentielle pour renforcer la confiance dans les recommandations. De plus, il jette les bases de l'application de techniques d'autocohérence afin de valider davantage les résultats.
L'autocohérence implique que l'IA produise plusieurs réponses à la même invite, puis synthétise la réponse la plus cohérente. Cette approche est particulièrement utile pour décisions commerciales à enjeux élevés où la précision est essentielle. En comparant plusieurs résultats, les entreprises peuvent s'assurer que la réponse finale est à la fois précise et motivée.
L'incitation réflexive pousse ce concept encore plus loin en demandant à l'IA de revoir et d'affiner ses propres résultats. Cette méthode permet de découvrir les erreurs, de combler les lacunes et de répondre à des hypothèses qui peuvent ne pas être suffisamment étayées. Par exemple, demander à l'IA de « examinez votre réponse pour détecter toute incohérence logique ou tout renseignement manquant » peut ajouter une couche de vérification critique. Dans les entreprises, cette surveillance supplémentaire peut faire la différence entre une décision éclairée et une erreur coûteuse.
La combinaison de ces techniques peut être encore plus efficace. Par exemple, vous pouvez demander : « Générez trois solutions différentes à ce problème d'optimisation de la chaîne d'approvisionnement. Comparez leurs forces et leurs faiblesses et recommandez la meilleure approche en fonction de votre analyse. » Cette approche tire parti de divers points de vue tout en maintenant le contrôle de la qualité grâce à l'auto-évaluation.
Le formatage structuré des sorties garantit la cohérence en obligeant l'IA à suivre des modèles ou des schémas de données spécifiques. Cela est particulièrement important dans les flux de travail d'entreprise où les sorties doivent s'intégrer parfaitement aux systèmes existants.
Au lieu d'accepter des réponses non structurées, vous pouvez définir le format souhaité. Par exemple : « Fournissez votre analyse de marché dans le format suivant : résumé (2 à 3 phrases), principaux résultats (liste numérotée avec données à l'appui), recommandations (classées par ordre d'impact) et prochaines étapes (avec calendrier et parties responsables). » Cette approche garantit la clarté et la facilité d'utilisation entre les équipes.
Pour les applications techniques, le formatage JSON est particulièrement efficace. Vous pouvez demander : « Extrayez les détails clés de ce contrat et mettez-le au format JSON avec les champs suivants : contract_value, start_date, end_date, key_deliverables, payment_terms et risk_factors. » Cela garantit que la sortie peut être directement intégrée aux API ou à d'autres systèmes sans reformatage manuel.
Les modèles standardisés permettent également de gagner du temps et d'améliorer la cohérence des tâches récurrentes. Par exemple, une mise à jour hebdomadaire du projet pourrait suivre un format prédéfini : « Incluez les progrès réalisés cette semaine (points à puces avec pourcentages), les étapes à venir (dates et résultats), les obstacles et les risques (niveau de gravité et solutions proposées) et les besoins en ressources (demandes spécifiques avec justification). » En rationalisant les résultats, les entreprises peuvent améliorer leur efficacité opérationnelle et maintenir l'uniformité entre les équipes.
La plateforme Prompts.ai prend en charge ces techniques avancées en permettant aux utilisateurs de testez des instructions structurées sur plusieurs modèles simultanément. Cela vous permet de comparer la manière dont les différents modèles d'IA gèrent le raisonnement en chaîne de pensée, d'évaluer la cohérence entre les résultats et d'affiner les exigences de formatage en fonction des données de performance. Ces fonctionnalités garantissent que les stratégies d'incitation avancées fournissent des résultats fiables à grande échelle.
À mesure que l'ingénierie passe rapidement à la production, les entreprises se heurtent à des obstacles liés à la sécurité, à la conformité et à la gestion des coûts. Sans cadre de gouvernance structuré, les flux de travail d'IA peuvent rapidement devenir coûteux, non réglementés et difficiles à adapter à l'échelle des équipes. La solution réside dans l'orchestration centralisée, qui concilie contrôle et liberté d'innovation. La mise en place de ces mesures est essentielle avant d'étendre les flux de travail d'IA au sein d'une organisation.
Une gouvernance solide constitue l'épine dorsale des opérations d'IA sécurisées et conformes. Il garantit que les résultats de l'IA sont conformes aux normes réglementaires tout en protégeant les données sensibles. Pour les entreprises, cela signifie maintenir des pistes d'audit détaillées et mettre en place des mesures de sécurité des données pour suivre chaque interaction avec les systèmes d'IA. La visibilité est essentielle : les entreprises doivent savoir qui utilise quels modèles, quelles instructions sont exécutées et comment les données circulent dans leurs systèmes.
Les contrôles d'accès basés sur les rôles constituent un point de départ pratique. Par exemple, les analystes financiers peuvent uniquement accéder à des modèles formés à partir des données du marché, tandis que les équipes de support client utilisent des modèles adaptés aux interactions entre les services. Cette segmentation protège les informations sensibles tout en garantissant l'efficacité des équipes.
Lorsque la conformité réglementaire est un facteur, les pistes d'audit deviennent indispensables. Chaque interaction, qu'il s'agisse d'une exécution rapide ou d'une sélection de modèle, doit être enregistrée avec des horodatages, des informations sur l'utilisateur et un historique des données. Ce niveau de documentation est crucial pour des secteurs tels que la santé, la finance et les services juridiques, où la conformité à des réglementations telles que HIPAA ou SOX est obligatoire.
Les contrôles relatifs à la résidence et à la confidentialité des données ajoutent à la complexité. Les données sensibles doivent rester dans les limites géographiques approuvées, conformément à des réglementations telles que GDPR. Cela implique souvent de choisir des modèles en fonction non seulement des performances, mais également de l'endroit où les données peuvent être traitées.
Le contrôle de version des invites est un autre élément essentiel. Les bibliothèques d'instructions centralisées permettent aux organisations de gérer les versions approuvées, de suivre les mises à jour et d'évaluer leur impact sur les résultats. Cela réduit le risque d'utiliser des instructions obsolètes ou non conformes dans les environnements en direct.
Les coûts de l'IA peuvent augmenter rapidement sans surveillance adéquate. Le suivi des coûts en temps réel fournit la transparence nécessaire pour contrôler les dépenses tout en maintenant les performances. Les organisations doivent surveiller l'utilisation des jetons, modéliser les dépenses et les habitudes de dépenses au niveau des équipes pour identifier les inefficacités.
Le suivi au niveau des jetons est particulièrement utile pour identifier les invites gourmandes en ressources. En analysant le ratio coût/résultat, les équipes peuvent identifier et affiner les instructions qui consomment trop de ressources sans apporter de valeur ajoutée. Ces informations permettent de prendre des décisions d'optimisation plus intelligentes, de réduire les coûts tout en améliorant les résultats.
Les contrôles budgétaires et les alertes de dépenses constituent des garanties contre les dépassements de coûts. Les limites de dépenses automatisées peuvent suspendre les flux de travail qui dépassent les seuils prédéfinis, tandis que des alertes en temps réel informent les administrateurs des habitudes de dépenses inhabituelles. Cela est particulièrement important lorsque plusieurs équipes partagent des ressources d'IA.
Choisir le modèle adapté à la tâche à accomplir est un autre moyen de gérer efficacement les coûts. Par exemple, la génération de contenu de base peut bien fonctionner avec des modèles moins coûteux, tandis que les analyses complexes peuvent nécessiter des options premium. Des plateformes telles que Prompts.ai simplifient ce processus en permettant aux entreprises de réduire les dépenses liées à l'IA jusqu'à 98 % grâce à une tarification à l'utilisation qui élimine les abonnements inutiles et la prolifération des outils.
L'attribution des coûts est tout aussi importante. En liant les dépenses liées à l'IA à des départements ou à des projets spécifiques, les organisations peuvent mieux allouer les ressources et évaluer le retour sur investissement. Cela garantit la responsabilisation et soutient la prise de décisions fondée sur les données.
Une fois les contrôles des coûts en place, les entreprises peuvent faire évoluer leurs flux de travail d'IA de manière plus efficace. À mesure que les organisations développent leurs applications d'IA, les flux de travail multimodèles deviennent une nécessité. Cependant, la gestion de plusieurs plateformes d'IA peut introduire de la complexité et faire grimper les coûts. Les plateformes d'orchestration centralisées répondent à ce problème en offrant un accès à plus de 35 modèles de pointe via une interface unique.
Les bibliothèques d'instructions standardisées rationalisent la collaboration entre les équipes tout en préservant la qualité. Par exemple, si l'équipe marketing crée des invites efficaces pour la génération de contenu, ces modèles peuvent être adaptés pour être utilisés par les services commerciaux, le support client et d'autres services. Cette approche réduit la duplication et accélère l'adoption.
Les espaces de travail collaboratifs améliorent encore l'efficacité en permettant aux équipes de développer, de tester et d'affiner les instructions ensemble. Des fonctionnalités telles que le contrôle des versions, les systèmes de commentaires et les flux de travail d'approbation garantissent que les améliorations sont documentées et partagées au sein de l'organisation. Les équipes peuvent tirer parti du travail des autres, ce qui permet d'économiser du temps et des efforts.
Les programmes de formation et de certification constituent un autre moyen d'évoluer efficacement. En développant une expertise interne en matière d'ingénierie rapide, les organisations réduisent leur dépendance à l'égard de consultants externes, créant ainsi des avantages à long terme tout en réduisant les coûts.
Le suivi des performances des équipes permet d'identifier ce qui fonctionne et pourquoi. Des indicateurs tels que la qualité de la production, la rentabilité et la satisfaction des utilisateurs fournissent des informations exploitables pour une amélioration continue. Le partage de ces informations au sein de l'organisation améliore l'efficacité globale.
Une plateforme centralisée élimine le chaos lié à la gestion de plusieurs outils et fournisseurs, offrant des fonctionnalités de sécurité et de conformité de niveau entreprise dans un environnement unifié. Les équipes peuvent se concentrer sur la création de valeur et la stimulation de l'innovation plutôt que sur les problèmes d'intégration. Cette approche rationalisée évolue avec l'organisation, prenant en charge de nouveaux modèles, utilisateurs et équipes sans ajouter de complexité inutile.
La plateforme d'orchestration de Prompts.ai répond à ces défis en combinant un accès unifié aux modèles, des contrôles des coûts en temps réel et des flux de travail collaboratifs dans un seul système sécurisé. Les entreprises peuvent déployer des flux de travail d'IA conformes rapidement, souvent en quelques minutes, tout en conservant une visibilité et un contrôle complets sur leurs opérations.
L'ingénierie rapide s'est développée bien au-delà des simples méthodes d'essais et d'erreurs, pour devenir une discipline délibérée qui produit des résultats mesurables. Comme le souligne ce guide, une mise en œuvre réussie de l'IA ne se limite pas à l'accès à des modèles avancés : elle nécessite des stratégies structurées en matière de conception, de supervision et d'optimisation.
Des instructions claires et spécifiques surpassent systématiquement les instructions vagues, constituant ainsi la base d'une utilisation efficace de l'IA. Des techniques telles que le raisonnement en chaîne de pensée et le formatage structuré des résultats peuvent encore améliorer les performances, mais elles doivent être mises en balance avec les coûts et les contraintes pratiques.
Il est essentiel de maîtriser les coûts pour préserver la valeur de l'IA. Sans une gestion adéquate, l'utilisation des jetons et les dépenses peuvent devenir incontrôlables. Les outils de suivi en temps réel et de gestion budgétaire fournissent la visibilité nécessaire pour trouver le juste équilibre entre les performances et les dépenses.
La gouvernance et la conformité jouent un rôle central dans le déploiement de l'IA au niveau de l'entreprise. Une gouvernance solide garantit le respect des réglementations et protège les données, ce qui devient de plus en plus essentiel à mesure que les flux de travail d'IA s'étendent aux équipes et aux départements. Une fois la gouvernance en place, les organisations peuvent se concentrer sur la gestion des coûts et la mise à l'échelle efficace des opérations.
Faire passer l'IA de l'expérimentation au déploiement au niveau de l'entreprise nécessite des plateformes centralisées qui simplifient les opérations. La gestion de plusieurs outils et fournisseurs ajoute une complexité inutile et fait grimper les coûts. Les solutions centralisées réduisent ces inefficacités, rationalisent les flux de travail et renforcent la sécurité.
Prompts.ai incarne ces principes en proposant une plateforme qui unifie l'accès à plusieurs modèles de langage tout en intégrant des contrôles FinOps et des fonctionnalités de collaboration. En réduisant les coûts des logiciels d'IA jusqu'à 98 % grâce à une tarification à l'utilisation, Prompts.ai permet aux entreprises de maintenir une sécurité et une conformité de niveau professionnel tout en éliminant la prolifération des outils. Les équipes peuvent déployer des flux de travail d'IA conformes en quelques minutes, ce qui accélère considérablement les délais de mise en œuvre.
À l'heure où les organisations se tournent vers l'avenir, l'adoption de cadres structurés qui équilibrent innovation et contrôle sera essentielle pour développer les initiatives d'IA. Ceux qui accordent la priorité à une conception rapide et réfléchie, à la gestion des coûts et à la gouvernance seront bien placés pour étendre efficacement leurs capacités d'IA tout en maximisant leur retour sur investissement.
L'ingénierie rapide améliore l'efficacité des modèles d'IA tels que GPT-4 et Claude en proposant des instructions claires et structurées qui aident à orienter leurs réponses. Des instructions bien conçues permettent d'obtenir des résultats plus précis et pertinents, de réduire les erreurs et de garantir une qualité constante entre les différentes tâches et applications.
Cette méthode rationalise le processus en réduisant le besoin de réglages manuels ou de réglages coûteux, ce qui le rend à la fois efficace et fiable. Qu'il s'agisse de générer du contenu, d'automatiser des tâches ou de relever des défis complexes, une ingénierie rapide garantit que les modèles d'IA fournissent des résultats précis et fiables.
Techniques avancées d'ingénierie rapide, telles que Incitation à la chaîne de pensée (CoT), autocohérence, et ReACT (Raisonner et agir), peut affiner de manière significative les résultats de l'IA à des fins commerciales. L'incitation CoT simplifie les tâches complexes en les divisant en de plus petits processus de raisonnement étape par étape, ce qui améliore la clarté et la précision des réponses de l'IA.
L'autocohérence va encore plus loin en générant de multiples chemins de raisonnement et en sélectionnant le résultat le plus fiable, garantissant ainsi des résultats de meilleure qualité. De son côté, ReAct associe le raisonnement à des instructions exploitables, permettant à l'IA de gérer efficacement des flux de travail structurés en plusieurs étapes. Ces approches offrent aux entreprises une précision et un contrôle accrus, ce qui les rend idéales pour des tâches telles que l'automatisation, la génération de contenu et la résolution de problèmes complexes.
Pour maîtriser les coûts liés à l'IA tout en élargissant les flux de travail, les organisations peuvent tirer parti de la centralisation de leurs opérations grâce à des outils qui suivent l'utilisation et les dépenses en temps réel. Cette approche met en évidence les domaines où les dépenses sont plus élevées, ce qui permet une allocation des ressources plus intelligente.
Mise en œuvre modèles de tarification à l'utilisation et conception modèles d'invite réutilisables sont également des stratégies efficaces. Ces méthodes minimisent les dépenses inutiles et améliorent l'efficacité, ce qui permet aux équipes de se développer plus facilement sans trop dépenser. En adoptant ces pratiques, les entreprises peuvent gérer leurs budgets de manière efficace tout en encourageant le travail d'équipe entre les différents groupes.
