Few-shot-oppiminen (few-shot prompting)
Few-shot-oppiminen on tekoälyn kehotustekniikka, jossa mallille annetaan ohjeen mukana muutama valmis esimerkkipari toivotusta tuloksesta.
Few-shot-oppiminen, jota kutsutaan usein myös few-shot-kehotteeksi, tarkoittaa tekoälyn ohjaamista antamalla sille tehtävänannon yhteydessä muutama havainnollistava esimerkkipari. Sen sijaan, että kielimallille kuvailtaisiin monimutkainen sääntölista pelkin abstraktein ohjein, kehotteeseen kirjoitetaan kaksi tai kolme esimerkkiä siitä, miltä syötteen ja toivotun lopputuloksen tulee näyttää.
Kielimalli tunnistaa esimerkeistä toistuvan kaavan, rakenteen sekä tyylin ja soveltaa samaa logiikkaa varsinaiseen uuteen tehtävään. Tekniikka on yksi tehokkaimmista ja helpoimmista tavoista parantaa kielimallin tarkkuutta ilman mallin uudelleenkoulutusta.
Miten few-shot-kehotus toimii käytännössä?
Few-shot-tekniikkaa voi verrata uuden työntekijän perehdyttämiseen toimistossa. Jos opastat harjoittelijaa arkistoimaan saapuneita asiakirjoja, kymmensivuisen ohjesäännön lukeminen johtaa usein epävarmuuteen. Sen sijaan kaksi valmiiksi täytettyä kansiota ja tositetta näyttävät heti, miten päivämäärät merkitään, miten otsikot lyhennetään ja mihin leima painetaan. Harjoittelija oppii kaavan sekunneissa katsomalla mallia.
Kielimallit toimivat samalla periaatteella. Kun syötät kehotteeseen esimerkin muodossa Syöte: X -> Tulos: Y, malli lukee yhteyden ja jatkaa samaa sarjaa. Tämä vähentää väärinymmärrysten riskiä huomattavasti enemmän kuin pitkä ja monisanainen selitys.
Käytännön esimerkki: tamperelainen pyörähuolto
Kuvitellaan tilanne, jossa tamperelainen polkupyörähuolto haluaa lajitella verkkosivujensa yhteydenottolomakkeen kautta tulleet viestit automaattisesti oikealle asentajalle ja määrittää työn kiireellisyyden. Ilman esimerkkejä malli saattaa kirjoittaa pitkän kohteliaan analyysin, vaikka tarve on vain lyhyelle luokittelulle.
Few-shot-kehotteessa mallille syötetään ensin pari mallisuoritusta:
Esimerkki 1:
Asiakkaan viesti: "Hei, maantiepyörästäni katkesi pinna ja lauantaina olisi kisa Näsijärven ympäriajossa! Onnistuuko pikahuolto?"
Luokittelu: KIIREELLINEN | Osasto: Kiekot ja renkaat | Toimenpide: Pinnan vaihto ja rihtaus
Esimerkki 2:
Asiakkaan viesti: "Moi, etsiskelen ensi kesäksi uutta työmatkapyörää, millaisia sähköpyöriä teillä on koeajettavissa?"
Luokittelu: NORMAALI | Osasto: Myynti ja neuvonta | Toimenpide: Koeajon sopiminen
Uusi käsiteltävä tapaus:
Asiakkaan viesti: "Jarrut vinkuvat todella pahasti ja jarrukahva painuu pohjaan asti, pitäisi saada kuntoon ensi viikoksi."
Luokittelu:
Näiden esimerkkien pohjalta malli tietää tarkalleen, mitä siltä odotetaan: se vastaa suoraan muodossa NORMAALI | Osasto: Jarrut | Toimenpide: Jarrujen ilmaus ja palojen vaihto, ilman turhaa jaarittelua tai väärää rakennetta.
Milloin few-shot-menetelmää kannattaa hyödyntää?
Few-shot-kehotus loistaa tilanteissa, joissa lopputuloksen muodolla tai sävyllä on tarkat raamit. Menetelmä toimii erinomaisesti seuraavissa käyttötarkoituksissa:
- Tietojen poiminta ja muotoilu: Kun vapaamuotoisesta tekstistä pitää erotella esimerkiksi osoitteet, summat tai tuotekoodit ja muuntaa ne siistiksi taulukoksi tai koodirakenteeksi.
- Tekstin luokittelu ja sävyarvio: Palautteiden jakaminen positiivisiin, neutraaleihin tai kriittisiin viesteihin ennalta määrätyllä asteikolla.
- Tietyn äänenpainon tai brändityylin matkiminen: Kun halutaan tuottaa lyhyitä tuotekuvauksia tai sosiaalisen median päivityksiä, jotka noudattavat yrityksen omaa, vakiintunutta ilmaisutapaa.
- Käännökset ja termistöt: Esimerkkien avulla voidaan varmistaa, että tietyt toimialasanat käännetään johdonmukaisesti juuri oikealla ammattitermillä.
Yleinen sudenkuoppa: huonolaatuiset esimerkit
Few-shot-oppimisen suurin riski liittyy esimerkkien laatuun. Jos annat mallille esimerkkejä, jotka ovat keskenään ristiriitaisia, malli oppii myös epäjohdonmukaisuuden. Jos yhdessä esimerkissä käytetään isoja kirjaimia ja toisessa pieniä ilman selkeää sääntöä, tekoäly arvaa satunnaisesti, kumpaa tyyliä seurata.
Toinen tyypillinen virhe on liian monen esimerkin kasaaminen kehotteeseen. Useimmissa arkisissa tehtävissä kaksi tai kolme tarkoin valittua ja toisistaan hieman poikkeavaa esimerkkiä riittää mainiosti. Ylimääräiset esimerkit vain kuluttavat kehotteen tilaa ja saattavat ohjata mallia huomioimaan epäolennaisia yksityiskohtia.
Usein kysytyt kysymykset
Kuinka monta esimerkkiä few-shot-kehotteeseen tarvitaan?
Yleensä 2-4 laadukasta esimerkkiä riittää opettamaan toivotun kaavan. Monimutkaisemmissa luokitteluissa voidaan käyttää muutamaa lisäesimerkkiä eri ääritapauksista.
Miten few-shot eroaa zero-shot-kehotteesta?
Zero-shot-kehotteessa tekoälylle annetaan pelkkä tehtävänanto ilman yhtäkään mallivastausta. Few-shot-kehotteessa mukaan liitetään aina muutama havainnollistava esimerkkipari.
Opettaako few-shot kielimallia pysyvästi?
Ei opeta. Few-shot-oppiminen vaikuttaa vain kyseiseen keskusteluun ja kehotteeseen, eikä se muuta kielimallin taustalla olevaa pysyvää neuroverkkoa.
