Przejdź do treści
promptowy.com / KI-ordbok / Few-shot prompting
Prompter

Few-shot prompting

Few-shot prompting er en teknikk der du gir en språkmodell noen få konkrete eksempler på inndata og ønsket resultat før den løser en ny oppgave.

Few-shot prompting er en teknikk innen prompt engineering der du gir en språkmodell noen få konkrete eksempler på ønsket resultat før du ber den utføre oppgaven på nye data. I stedet for å skrive en lang og abstrakt instruksjon om hvordan noe skal gjøres, mater du modellen med to til fem ferdige par av inndata og utdata. Modellen leser mønsteret i eksemplene og gjentar den samme strukturen, stilen og logikken på det nye materialet.

Dette er en av de enkleste og mest pålitelige metodene for å øke kvaliteten på svarene fra en kunstig intelligens. Mens en teoretisk forklaring ofte kan misforstås eller tolkes bredt, fjerner et par gode eksempler nesten all tvil om hvilket format eller hvilken tone du er ute etter.

Hvordan fungerer teknikken i praksis?

Språkmodeller fungerer ved å forutse hva som er den mest naturlige fortsettelsen på en tekst. Når du oppgir et mønster som gjentar seg flere ganger, fortsetter modellen ganske enkelt denne tråden. Dette kalles ofte læring i kontekst: modellen endrer ikke sin underliggende programmering eller kunnskap, men tilpasser seg umiddelbart det midlertidige rammeverket du har satt opp i samtalen.

Prinsippet kan sammenlignes med å lære opp en nyansatt sommervikar i en sportsbutikk i Tromsø. Hvis du ber vikaren om å føre inn skadede varer i et skjema uten å vise hvordan det gjøres, vil resultatet variere mye. Viser du derimot tre ferdig utfylte linjer i permen, forstår vedkommende oppsettet, forkortelsene og detaljnivået umiddelbart.

Forskjellen på zero-shot og few-shot

For å forstå verdien av eksempler er det nyttig å skille mellom to vanlige måter å instruere en modell på:

  • Zero-shot prompting: Du gir kun en instruks uten noen eksempler. For eksempel: «Sorter denne tilbakemeldingen som positiv eller negativ». Modellen må basere seg utelukkende på sin generelle språklige forståelse.
  • Few-shot prompting: Du oppgir instruksen pluss to eller tre eksempler på tidligere tilbakemeldinger og fasiten på hvordan de ble vurdert, før du legger inn den nye meldingen.

Zero-shot fungerer ofte utmerket for enkle spørsmål og generelle tekster, men svikter lettere når oppgaven krever strenge formater, spesielle fagtermer eller nyanserte vurderinger.

Et lokalt eksempel: Kundeservice hos en rørleggerbedrift

Se for deg at en lokal håndverkerbedrift i Sandnes ønsker å sortere e-poster som kommer inn til felleskassen. Målet er å hente ut tre ting: type oppdrag, hastegrad og postnummer, formatert på en standardisert linje. Med few-shot prompting kan ledeteksten se slik ut:

Oppgave: Trekk ut informasjon fra kundehenvendelser.

E-post: «Hei, det fosser vann under vasken på kjøkkenet vårt på Ganddal! Trenger hjelp med en gang.»
Svar: Kategori: Akutt lekkasje | Hastegrad: Høy | Område: Ganddal (4322)

E-post: «God dag, vi vurderer å bytte ut toalettet på hytta utpå våren. Har dere tid til en befaring?»
Svar: Kategori: Installasjon | Hastegrad: Lav | Område: Ukjent

E-post: «Hei, varmtvannstanken har sluttet å virke, og vi har to små barn i huset på Hana.»
Svar:

Ved å se de to første eksemplene forstår modellen umiddelbart hvordan svaret skal bygges opp, hvilke etiketter som skal brukes, og hvordan den skal vurdere hastegraden uten at du trenger å skrive et langt reglement.

Typiske fallgruver du bør unngå

Selv om few-shot prompting er svært effektivt, er det lett å gjøre små feil som reduserer treffsikkerheten:

  1. Inkonsekvente eksempler: Hvis dine egne eksempler har ulik formatering eller sprikende vurderinger, vil modellen bli forvirret og levere ustabile svar.
  2. Skrivefeil og slurv: Modellen etterligner alt du gjør. Har du kommafeil eller feilstavede fagord i eksemplene dine, vil modellen ofte reprodusere de samme feilene.
  3. For mange eksempler: Vanligvis holder det med to til fem eksempler. Legger du inn tjue eksempler, fyller du opp arbeidsminnet til modellen unødvendig, og du risikerer at den overser den faktiske oppgaven i bunnen av teksten.

Når bør du bruke metoden?

Few-shot prompting er førstevalget når du trenger strukturerte data, som JSON-kode eller tabellformater, når du vil kopiere en helt spesifikk tone for en merkevare, eller når du jobber med klassifisering av henvendelser til et kontor. Et par solide eksempler sparer deg for timevis med finjustering av instruksjoner.

Ofte stilte spørsmål

Hvor mange eksempler må jeg gi i few-shot prompting?

Som regel holder det med to til fem representative eksempler. Flere enn fem gir sjelden merkbar forbedring for vanlige oppgaver, og kan i stedet ta opp unødvendig plass i ledeteksten.

Hva er forskjellen mellom few-shot prompting og finjustering (fine-tuning)?

Few-shot prompting foregår rett i chatten eller ledeteksten der og da, uten at modellen endres permanent. Finjustering betyr at du trener opp selve modellen på nytt med store datasett over tid.

Hvorfor virker ikke zero-shot like godt som few-shot?

Zero-shot gir modellen rom for å gjette på formatering, stil og detaljnivå. Few-shot fjerner dette gjetningsarbeidet ved å vise modellen en tydelig mal den skal følge.

Kan eksemplene mine lære modellen feil fakta?

Ja, hvis eksemplene dine inneholder logiske feil eller feilaktig informasjon, vil modellen ofte tro at dette mønsteret er regelen den skal følge for resten av teksten.

← Alle begreper i KI-ordboken

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›