Few-shot prompting (leren van voorbeelden)
Few-shot prompting is een techniek waarbij je een AI-model een paar concrete voorbeelden geeft van de gewenste invoer en uitvoer voordat het aan de slag gaat.
Few-shot prompting is een instructietechniek waarbij je een AI-taalmodel een klein aantal uitgewerkte voorbeelden meegeeft in je opdracht. In plaats van in een lange tekst uit te leggen wat de bedoeling is, toon je simpelweg twee of drie keer hoe een vraag en het bijbehorende antwoord eruit moeten zien. Het model herkent het patroon in die voorbeelden en past diezelfde logica, stijl of opmaak toe op het uiteindelijke verzoek.
Je kunt het vergelijken met een nieuwe stagiair bij een notariskantoor in Gent of een makelaardij in Utrecht: in plaats van een handboek vol abstracte regels te laten lezen, leg je twee correct ingevulde formulieren op tafel met de mededeling: doe het volgende dossier net zo. Dit bespaart tijd, voorkomt misverstanden en leidt vrijwel altijd tot een veel consistenter resultaat.
Waarom voorbeelden beter werken dan lange uitleg
Grote taalmodellen zijn getraind op patronen. Wanneer je een model vraagt om een taak uit te voeren zonder voorbeelden, noem je dat zero-shot prompting. Het model moet dan zelf raden welke toon, lengte of structuur je precies verwacht. Dat leidt regelmatig tot antwoorden die technisch kloppen, maar qua stijl of indeling de plank misslaan.
Door enkele voorbeelden (de zogeheten shots) toe te voegen, geef je context zonder eindeloze restricties te hoeven uitschrijven. Dit werkt uitzonderlijk goed bij:
- Gegevensextractie: ongestructureerde mails van klanten omzetten naar vaste velden zoals naam, woonplaats en klachtomschrijving.
- Tekstclassificatie: inkomende berichten categoriseren als positief, neutraal of dringend.
- Specifieke tone-of-voice: het nabootsen van een huisstijl, zoals nuchter Nederlands of juist gemoedelijk Vlaams.
- Vaste opmaakvormen: antwoorden dwingen in tabellen, JSON of puntsgewijze samenvattingen zonder overbodige inleidende beleefdheden.
Een praktijkvoorbeeld: klantenservice bij een lokale fietsenmaker
Stel dat een fietsenmaker met vestigingen in Antwerpen en Breda dagelijks tientallen reparatieverzoeken via een websiteformulier binnenkrijgt. De monteur wil in één oogopslag het fietstype, het probleem en de urgentie zien. Zonder voorbeelden schrijft de AI vaak een heel opstel terug. Met few-shot prompting geef je de structuur direct mee:
Klantbericht: De ketting van mijn Gazelle stadsfiets ligt eraf en trapt door. Kan ik morgen langskomen?
Type: Stadsfiets
Probleem: Ketting doortrappen/aflopen
Urgentie: Hoog
Klantbericht: Mijn elektrische bakfiets maakt een piepend geluid bij het remmen, maar fietst verder prima.
Type: Elektrische bakfiets
Probleem: Piepende remmen
Urgentie: Laag
Klantbericht: De versnelling van mijn racefiets hapert sinds vanmorgen op weg naar kantoor.
Type:
Het model ziet meteen de bedoeling en vult uitsluitend de ontbrekende regels in met exact dezelfde beknoptheid. Je hoeft niet eens uit te leggen wat de regels zijn; de voorbeelden spreken voor zich.
Hoe pas je few-shot prompting effectief toe?
Om het maximale uit deze methode te halen, heb je meestal niet veel nodig. Twee tot vier kwalitatieve voorbeelden zijn in de regel voldoende. Houd rekening met de volgende stappen:
- Kies gevarieerde voorbeelden: zorg dat je voorbeelden niet allemaal identiek zijn. Laat bij classificatie minstens één voorbeeld van elke mogelijke uitkomst zien.
- Hanteer een vaste opbouw: gebruik steeds hetzelfde scheidingsteken of dezelfde tussenkopjes voor invoer en uitvoer, zoals Vraag: en Antwoord:.
- Bewaak de consistentie: als je in het eerste voorbeeld een formeel antwoord geeft en in het tweede een informeel antwoord, raakt het model in de war over de gewenste stijl.
Veelgemaakte fouten bij few-shot prompts
De meest voorkomende fout is het toevoegen van te veel voorbeelden. Wie tien of twintig voorbeelden plakt, vult onnodig het geheugen van de prompt en loopt het risico dat het model details uit eerdere voorbeelden letterlijk gaat herhalen in nieuwe situaties. Een andere valkuil is het insluipen van fouten in je eigen voorbeelden: als jouw voorbeeld een verkeerde categorisatie bevat, zal de AI die fout overtuigend nadoen.
Veelgestelde vragen
Hoeveel voorbeelden heb je nodig voor few-shot prompting?
Meestal zijn twee tot vijf goede voorbeelden voldoende. Meer voorbeelden toevoegen levert zelden veel extra kwaliteit op en kost onnodig veel ruimte in je prompt.
Wat is het verschil tussen few-shot en zero-shot prompting?
Bij zero-shot geef je alleen een opdracht zonder enig voorbeeld. Bij few-shot voeg je een paar uitgewerkte voorbeelden van invoer en uitvoer toe om het gewenste patroon te tonen.
Werkt few-shot prompting met elk AI-model?
Ja, vrijwel elk modern taalmodel herkent patronen in tekst en kan daardoor leren van voorbeelden in de prompt.
Wat doe je als het model de voorbeelden letterlijk kopieert?
Dat gebeurt als de voorbeelden te specifiek zijn of te veel op de nieuwe vraag lijken. Zorg voor meer variatie in de voorbeelden of voeg een korte instructie toe waarin je benadrukt dat alleen de structuur moet worden overgenomen.
