Precision Recall : Définition et Exemples

La précision et le rappel sont des métriques fondamentales en intelligence artificielle et en recherche d'information. Elles permettent d'évaluer la performance d'un système qui doit identifier des éléments pertinents parmi un ensemble de données. Ces deux mesures sont indissociables car elles capturent deux facettes différentes de la qualité d'un résultat.

La précision (precision) répond à la question : « Parmi tous les éléments que le modèle a identifiés comme positifs, combien le sont réellement ? » Par exemple, si un filtre anti-spam classe 100 emails comme spam et que 90 d'entre eux sont effectivement du spam, la précision est de 90 %. Un système à haute précision produit peu de faux positifs. Le rappel (recall), quant à lui, répond à la question : « Parmi tous les éléments réellement positifs, combien ont été correctement identifiés ? » Si la boîte de réception contient 120 spams au total et que le filtre en détecte 90, le rappel est de 75 %.

Il existe généralement un compromis entre ces deux métriques, connu sous le nom de trade-off précision-rappel. Augmenter la précision tend à diminuer le rappel, et inversement. Un système très conservateur aura une haute précision mais un faible rappel (il ne signale que les cas dont il est sûr), tandis qu'un système permissif aura un haut rappel mais une précision plus faible (il capture tout, y compris des faux positifs). Le F1-score, moyenne harmonique de la précision et du rappel, permet de trouver un équilibre entre les deux.

Dans le contexte du prompt engineering, comprendre ces métriques aide à formuler des instructions plus efficaces. Lorsqu'on demande à un LLM d'extraire des informations ou de classifier du contenu, on peut orienter ses réponses vers plus de précision (« ne retourne que les résultats dont tu es certain ») ou plus de rappel (« liste tous les éléments possibles, même incertains »). Cette compréhension est essentielle pour calibrer les attentes et affiner les résultats obtenus.