Few-shot prompting is een manier om een AI te sturen door hem een paar afgemaakte voorbeelden in je verzoek te laten zien, zodat hij hetzelfde patroon volgt op het nieuwe item. Je beschrijft de regels niet in detail; je laat ze zien, en het model pikt het formaat en de toon op uit de voorbeelden.
Stel je wilt productreviews verdelen in ‘positief’, ‘neutraal’ of ‘negatief’. In plaats van een lange instructie te schrijven plak je drie reviews met hun juiste label, en daarna een vierde met het label leeg. Het model vult de lege in door het patroon te matchen. Dat is de hele truc, en het is een vast onderdeel van praktische prompt engineering. Het ligt vlak naast zero-shot prompting, waar je helemaal geen voorbeelden geeft en op de algemene kennis van het model leunt.
Few-shot werkt het best als de taak een specifieke vorm heeft die moeilijk in woorden te vatten is maar makkelijk te laten zien. Een datum, een bedrag en een leverancier uit rommelige facturen halen is zo’n geval: twee of drie gelabelde voorbeelden leren de opmaak sneller dan een alinea regels. Hetzelfde geldt voor een merkstem of een strak JSON-schema raken.
Er is een addertje. De voorbeelden vreten aan de prompt-lengte die het model aankan, dus tien stuks zijn niet altijd beter dan drie. Kies voorbeelden die de lastige randgevallen dekken, niet tien bijna identieke makkelijke, en houd hun formaat exact gelijk zodat het model niets hoeft te raden. Een rommelige of tegenstrijdige set kan de uitvoer zelfs slechter maken dan helemaal geen voorbeelden.
Bij TopDevs gebruiken we few-shot prompting om AI-uitvoer vast te zetten in precies het formaat dat het systeem van een klant nodig heeft, zonder de kosten en vertraging van een eigen model trainen.
