Few-Shot prompting: leren door voorbeelden

Soms is het makkelijker om te laten zien wat je wilt dan om het uit te leggen. Dat is het idee achter Few-Shot prompting: je geeft het AI-model een paar voorbeelden van de gewenste input en output, en het model leert daaruit het patroon. Het is een van de meest effectieve technieken om consistente, voorspelbare resultaten te krijgen.

Wat is Few-Shot prompting?

Bij Few-Shot prompting geef je het model 2 tot 5 voorbeelden van de gewenste input-output combinatie voordat je je eigenlijke vraag stelt. Het model herkent het patroon en past dat toe op je nieuwe input. Het is als het geven van een voorbeeld aan een stagiair: "Kijk, zo doe ik het, nu jij."

De term "few-shot" verwijst naar het aantal voorbeelden: enkele ("few") demonstraties ("shots"). Dit staat tegenover "zero-shot" (geen voorbeelden) en "one-shot" (één voorbeeld).

Wanneer gebruik je Few-Shot?

Een handige vuistregel: als je het model twee keer hebt moeten corrigeren op hetzelfde formaat of dezelfde stijl, switch dan naar few-shot. Het is efficiënter om een voorbeeld te geven dan om steeds opnieuw uit te leggen wat je bedoelt.

• Consistent format: Als je output in een heel specifiek format nodig hebt (bijv. een database-entry, een gestructureerde review, een specifieke notatie).
• Stijl of toon vastleggen: Als je wilt dat het model een specifieke schrijfstijl overneemt die moeilijk in woorden te vatten is.
• Classificatie: Als je teksten wilt categoriseren op een specifieke manier.
• Transformatie: Als je input op een specifieke manier wilt omzetten naar output.

De onderdelen van een Few-Shot prompt

Een goede Few-Shot prompt bestaat uit drie onderdelen:

• Instructie: Een korte beschrijving van de taak.
• Voorbeelden: 2-5 input-output paren die het gewenste patroon tonen. Gebruik XML-tags om de voorbeelden duidelijk af te bakenen.
• De eigenlijke input: De nieuwe input waarop het model het geleerde patroon moet toepassen.

Hoe werkt het in de praktijk?

Hieronder een voorbeeld waarbij je klantvragen wilt classificeren:

Classificeer klantvragen in een van deze categorieën:
TECHNISCH, FACTUUR, VERZENDING, OVERIG.

<voorbeelden>
<voorbeeld>
Input: "Mijn printer maakt vreemde geluiden en print scheef."
Output: TECHNISCH
</voorbeeld>

<voorbeeld>
Input: "Ik heb twee keer betaald voor dezelfde bestelling."
Output: FACTUUR
</voorbeeld>

<voorbeeld>
Input: "Wanneer wordt mijn pakket bezorgd? Het is al 5 dagen
onderweg."
Output: VERZENDING
</voorbeeld>

<voorbeeld>
Input: "Hebben jullie ook rode varianten van dit product?"
Output: OVERIG
</voorbeeld>
</voorbeelden>

Classificeer nu deze klantvraag:
Input: "Het scherm van mijn laptop flikkert na de update."

Tips voor betere voorbeelden

• 2-5 voorbeelden is de sweet spot: Minder dan twee en het model mist het patroon. Meer dan vijf voegt zelden iets toe en maakt je prompt onnodig lang.
• Neem edge cases mee: Zorg dat minstens één voorbeeld een lastig geval is. Als alle voorbeelden eenvoudig zijn, weet het model niet hoe het met moeilijke gevallen moet omgaan.
• Gebruik XML-tags: Tags als <voorbeeld>, <input> en <output> maken de structuur helder voor het model. Dit voorkomt dat het model de voorbeelden verwart met de eigenlijke opdracht.
• Houd het format consistent: Alle voorbeelden moeten exact hetzelfde format volgen. Als je in het ene voorbeeld een punt aan het einde zet en in het andere niet, leert het model een inconsistent patroon.

Een uitgebreider voorbeeld: productbeschrijvingen

Stel, je wilt dat het model productbeschrijvingen schrijft in een heel specifiek format:

Schrijf productbeschrijvingen in het onderstaande format.

<voorbeelden>
<voorbeeld>
Product: Draadloze koptelefoon XR-500
Beschrijving: Luister urenlang zonder gedoe. De XR-500 levert
kristalhelder geluid met 30 uur batterijduur. Actieve
ruisonderdrukking blokkeert omgevingsgeluid, zodat jij je
focust op wat ertoe doet. Lichtgewicht, opvouwbaar, klaar
voor onderweg.
</voorbeeld>

<voorbeeld>
Product: Slimme thermostaat EcoHeat Pro
Beschrijving: Bespaar energie zonder comfort in te leveren.
De EcoHeat Pro leert jouw dagritme en past de temperatuur
automatisch aan. Bedien hem via de app, met je stem of op het
apparaat zelf. Binnen een maand verdien je de aanschaf terug
op je energierekening.
</voorbeeld>
</voorbeelden>

Schrijf nu een beschrijving voor:
Product: Ergonomisch toetsenbord FlexType K2

Veelgemaakte fouten

• Alleen "makkelijke" voorbeelden geven: Als al je voorbeelden simpele gevallen zijn, weet het model niet wat het moet doen bij een lastige input. Neem altijd minstens één edge case op.
• Te veel voorbeelden: Meer dan 5 voorbeelden maakt je prompt onnodig lang zonder betere resultaten. Het model heeft het patroon na 3-4 voorbeelden al door.
• Inconsistente voorbeelden: Als je voorbeelden onderling verschillen in format of stijl, leert het model geen duidelijk patroon. Zorg dat elk voorbeeld exact dezelfde structuur volgt.

Zelf aan de slag

Denk aan een taak waarbij je het model steeds opnieuw moet corrigeren op format of stijl. Maak twee of drie voorbeelden van de perfecte input-output combinatie en voeg die toe aan je prompt. Je zult merken dat het model het patroon meteen overneemt en je veel minder hoeft bij te sturen. Begin met twee voorbeelden, voeg er een derde aan toe als het model er nog niet helemaal uitkomt, en experimenteer met het toevoegen van een edge case.