Zero-shot prompting
Zero-shot prompting is een techniek waarbij je een AI-model een directe opdracht geeft zonder vooraf voorbeelden van het gewenste antwoord te tonen.
Zero-shot prompting is een manier van communiceren met een taalmodel waarbij je een taak voorlegt zonder enkel voorbeeld te geven. Je vraagt het systeem direct om een actie uit te voeren, zoals het samenvatten van een e-mail, het vertalen van een alinea of het categoriseren van een klacht. Het model moet de opdracht direct juist interpreteren op basis van de kennis die het tijdens zijn algemene training heeft opgebouwd.
De term komt uit de computerwetenschappen en meer specifiek uit zero-shot learning. Waar traditionele computermodellen eerst getraind moesten worden met tientallen specifieke voorbeelden om één specifieke taak te herkennen, kan een modern taalmodel meteen aan de slag met een blanco instructie. Het krijgt als het ware nul kansen of voorbeelden (nul 'shots') vooraf, maar moet meteen raak schieten.
Hoe werkt het in de praktijk?
Wanneer je een AI-assistent opent en een korte vraag typt, gebruik je vrijwel altijd zero-shot prompting. Het model analyseert de woorden in je instructie, herkent het type taak (zoals herschrijven, analyseren of rubriceren) en genereert een passend antwoord. Omdat moderne modellen miljoenen tekstverbanden begrijpen, hebben ze voor alledaagse verzoeken geen extra uitleg over de gewenste vorm nodig.
Een typische zero-shot prompt is bijvoorbeeld: Vertaal de volgende alinea naar vlot Frans voor een zakelijke e-mail. Je legt niet uit hoe een Franse e-mail eruitziet en geeft geen eerdere vertalingen mee; je vertrouwt op het taalgevoel dat al in het model zit.
Een lokaal praktijkvoorbeeld
Stel dat een fietsenmaker in Utrecht of een speciaalzaak in Gent dagelijks tientallen contactformulieren binnenkrijgt. De eigenaar wil inkomende berichten automatisch sorteren om sneller te kunnen reageren. Met een zero-shot prompt kan de medewerker het model simpelweg het volgende vragen:
Lees dit bericht van de klant en bepaal tot welke categorie het behoort: Reparaties, Nieuwe fietsen, of Garantie. Bericht: Mijn elektrische bakfiets hapert sinds vanmorgen bij het optrekken.
Zonder dat het model ooit eerder een bericht van deze specifieke winkel heeft gezien, zal het direct 'Reparaties' als categorie kiezen. Het model begrijpt de semantische betekenis van haperen en bakfietsen en koppelt dit foutloos aan de juiste categorie.
Het verschil tussen zero-shot en few-shot
Hoewel zero-shot snel en efficiënt is, loop je soms tegen grenzen aan. Hier helpt het om het onderscheid met few-shot prompting te kennen:
- Zero-shot prompting: Je geeft alleen de taakomschrijving mee. Dit werkt perfect voor standaardtaken zoals samenvatten, brainstormen, grammatica controleren en algemene vertalingen.
- Few-shot prompting: Je levert eerst twee of drie concrete voorbeelden aan van de gewenste invoer en uitvoer voordat je de echte vraag stelt. Dit is ideaal wanneer je een heel strikte indeling wilt, een specifiek JSON-formaat eist, of wanneer de toon exact moet aansluiten bij de huisstijl van een school of gemeente.
Kortom: begin altijd met zero-shot. Is de uitvoer te vrijblijvend, begrijpt het model de context verkeerd of wijkt de opmaak af? Schakel dan over naar few-shot door enkele voorbeelden aan je prompt toe te voegen.
Veelgemaakte fouten bij zero-shot prompts
Omdat zero-shot prompts vaak kort zijn, schuilt het gevaar in vaagheid. Een opdracht als 'Maak dit beter' geeft het model geen richting. Bedoel je korter, formeler, overtuigender of grammaticaal foutloos? Geef altijd het doel, de gewenste rol en eventuele randvoorwaarden mee.
Een andere valkuil is aannemen dat het model lokale jargonwoorden vanzelfsprekend begrijpt. Denk aan typische termen uit het Belgische onderwijs of specifieke Nederlandse gemeentelijke regelingen. Als zo'n term cruciaal is, geef je in de opdracht een korte toelichting mee, of kies je direct voor een prompt met een uitgewerkt voorbeeld.
Veelgestelde vragen
Wat is het belangrijkste verschil tussen zero-shot en few-shot?
Bij zero-shot geef je alleen de kale opdracht zonder voorbeelden. Bij few-shot voeg je een of meerdere voorbeelden toe om het model te laten zien hoe het ideale antwoord eruitziet.
Wanneer kies je voor zero-shot prompting?
Kies voor zero-shot bij eenvoudige, veelvoorkomende taken zoals teksten samenvatten, eenvoudige vertalingen maken of een eerste opzet schrijven waarbij de precieze vorm minder belangrijk is.
Werkt zero-shot prompting altijd goed?
Nee. Bij heel specialistische taken, strikte dataformaten of een unieke tone-of-voice raakt een model zonder voorbeelden sneller van het pad af.
Wat betekent de term 'shot' in AI?
In deze context betekent 'shot' een voorbeeld. Zero-shot staat dus letterlijk voor nul voorbeelden, one-shot voor een enkel voorbeeld en few-shot voor enkele voorbeelden.
