Przejdź do treści
promptowy.com / Yapay Zeka Sözlüğü / Few-Shot Prompting (Az Örnekli Komut Verme)
Promptlar

Few-Shot Prompting (Az Örnekli Komut Verme)

Few-shot prompting, yapay zeka modeline uzun açıklamalar yapmak yerine birkaç somut girdi ve çıktı örneği göstererek istenen sonucu alma tekniğidir.

Few-shot prompting, bir büyük dil modeline ne yapması gerektiğini kurallarla uzun uzun anlatmak yerine, beklenen girdi ve çıktı kalıbını temsil eden birkaç somut örnek sunma tekniğidir. Komut mühendisliğinin en pratik yaklaşımlarından biri olan bu yöntem, modelin örneklerdeki yapıyı hemen kavramasını ve yeni gelen veriyi aynı mantıkla işlemesini sağlar. Yeni işe başlayan bir personele şirket prosedürlerini ezberletmek yerine, doğru doldurulmuş iki adet sipariş fişi gösterip işi devretmeye benzer.

Yapay zeka sistemleri metin içindeki kalıpları, ritmi ve biçimi yakalamakta son derece ustadır. Hiç örnek vermeden sadece talimat yazdığınızda (zero-shot) model genel tahmin yeteneğine güvenir. Few-shot komutunda ise modele iki, üç ya da dört adet net örnek vererek bir bağlam şablonu kurarsınız; model de bu şablonun devamını eksiksiz şekilde tamamlar.

Few-Shot Mantığı Nasıl Çalışır?

Bu yaklaşım, modelin temel ağırlıklarını yeniden eğitmeyi gerektirmez. Bunun yerine, modelin o anki sohbet penceresinde verilen örnekleri referans almasını sağlayan bağlam içi öğrenme mekanizmasından yararlanır. Siz komutun içine girdiyi ve hemen ardından gelmesi gereken ideal çıktıyı yazarsınız. Model, arka planda şu bağlantıyı kurar: Bu yapıdaki bir metin geldiğinde, tam olarak bu formatta ve bu tonda bir karşılık üretmeliyim.

Özellikle veri sınıflandırma, standart rapor hazırlama, metinden belirli bilgileri ayıklama veya kurumsal bir dille e-posta yanıtlama gibi belirli bir kalıba sadık kalınması gereken durumlarda bu yöntem çok etkilidir.

Yerel Bir Örnek: Kadıköy Butiği İçin Müşteri Mesajı Sınıflandırma

Diyelim ki İstanbul Moda'da el yapımı seramik ve kıyafet satan küçük bir butiğiniz var. Sosyal medyadan veya WhatsApp üzerinden yüzlerce mesaj alıyorsunuz ve bunları aciliyetine göre sınıflandırmak istiyorsunuz. Modele uzun kurallar yazmak yerine doğrudan iki net örnek göstererek işe başlayabilirsiniz:

Girdi: Dün verdiğim siparişim hala kargoya verilmedi, yarın doğum günü hediyesi olarak teslim etmem lazım! Acil bilgi lütfen.
Kategori: Kargo Takibi
Duygu: Olumsuz
Öncelik: Yüksek

Girdi: Bej renkli keten gömleğinizin m bedeni stoklara ne zaman gelir acaba?
Kategori: Stok Sorgusu
Duygu: Nötr
Öncelik: Orta

Girdi: Kargom bugün sorunsuz geldi, paketleme ve küçük hediyeniz için çok teşekkür ederim, harikasınız!
Kategori: Teşekkür / Geri Bildirim
Duygu: Olumlu
Öncelik: Düşük

Girdi: Kumaş pantolonun dikişinde sökük var, iade mi edeyim yoksa değişim yapıyor musunuz?
Kategori:

Bu kurguda model, dördüncü girdiyi görür görmez önceki üç örneğin biçimini taklit eder ve fazladan hiçbir gereksiz açıklama yapmadan doğrudan Kategori, Duygu ve Öncelik satırlarını doldurur.

Few-Shot Prompt Hazırlarken İzlenecek Adımlar

Tekniğin verimli çalışması için örneklerin seçimi ve sunumu kritik önem taşır. Aşağıdaki adımları takip etmek başarı oranını artırır:

  • Örnek sayısını dengeli tutun: Genellikle 2 ila 5 örnek yeterlidir. Çok fazla örnek eklemek komut maliyetini artırır ve modelin dikkatini dağıtabilir.
  • Farklı senaryoları dahil edin: Örneklerinizin hepsi aynı tipte olmasın. Bir olumlu, bir olumsuz, bir de arada kalan nötr durumu göstererek modelin sınırları anlamasını sağlayın.
  • Biçimi kesinlikle değiştirmeyin: Etiketleriniz 'Girdi / Çıktı' şeklindeyse tüm örneklerde aynı kelimeleri ve aynı noktalama işaretlerini kullanın.
  • İstenmeyen çıktıları örneklendirmeyin: Modele ne yapmaması gerektiğini değil, ne yapması gerektiğini gösterin.

Sık Yapılan Hatalar

En yaygın hata, yanıltıcı veya çelişkili örnekler vermektir. Örneğin ilk örnekte çıktıyı tek kelime olarak belirleyip ikinci örnekte uzun bir paragraf yazarsanız, model hangi kurala uyacağını şaşırır. Bir diğer hata ise önyargılı örnek havuzları oluşturmaktır: Beş örneğin beşinde de çıktıyı olumlu seçerseniz, model yeni gelen olumsuz bir girdiyi de olumlu olarak etiketleme eğilimi gösterebilir.

Sıkça sorulan sorular

Few-shot için kaç örnek vermek gerekir?

Genellikle 2 ile 5 örnek idealdir. Görevin karmaşıklığına göre bu sayı değişebilir ancak çoğu sınıflandırma ve formatlama işinde 3 iyi seçilmiş örnek mükemmel sonuç verir.

Zero-shot ile few-shot arasındaki fark nedir?

Zero-shot yönteminde modele hiç örnek vermeden sadece görev tanımı iletilir. Few-shot yönteminde ise görevin yanında beklenen girdi ve çıktı kalıbını gösteren birkaç örnek doğrudan komuta eklenir.

Few-shot komutları modelin genel zekasını geliştirir mi?

Hayır, modelin temel ağırlıklarını kalıcı olarak değiştirmez. Bu yöntem yalnızca mevcut sohbet penceresi içindeki anlık performansı ve biçim uyumunu artırır.

← Yapay Zeka Sözlüğündeki tüm terimler

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