Few-shot tanítás: hogyan tanítsd példákkal a modellt

Mi az a few-shot tanítás

A few-shot megközelítés azt jelenti, hogy a promptban néhány konkrét példát adsz a kívánt bemenet-kimenet párokra. A modell ezekből a mintákból felismeri, milyen stílusú, szerkezetű vagy hangnemű választ vársz, és a saját feladatát ehhez igazítja. A példa mintegy élő instrukcióként működik.

A technika azért hatékony, mert a modell rendkívül jó a mintázatok felismerésében. Sokszor egyetlen jó példa pontosabban közvetíti az elvárásodat, mint egy bekezdésnyi leírás, mert a minta minden apró részletet — a hangnemet, a hosszt, a felépítést — egyszerre mutat meg.

Miért működik ilyen jól

Amikor szavakkal írod le, mit szeretnél, mindig marad tér a félreértésnek: a „barátságos” vagy a „tömör” mást jelent neked és a modellnek. A példa ezt a kétértelműséget szünteti meg, mert konkrétan megmutatja, hogyan néz ki a jó eredmény a te értelmezésedben.

Ráadásul a példa olyasmit is átad, amit nehéz szavakba önteni. A stílus, a ritmus, a szóhasználat finomságai gyakran kimondhatatlanok, de egy mintából azonnal átjönnek. A modell ezeket a rejtett jellemzőket is felismeri és követi.

Hány példa az ideális

A „few” a névben nem véletlen: általában egy-három példa a leghatékonyabb. Egyetlen minta már sokat segít, kettő-három megerősíti a mintázatot, ennél több viszont ritkán javít, viszont feleslegesen hosszúvá teszi a promptot. A cél a minimális, mégis egyértelmű iránymutatás.

Ha egyetlen példa nem elég ahhoz, hogy a modell eltalálja a kívánt mintát, az gyakran azt jelzi, hogy a feladat túl összetett, vagy a példa nem volt elég reprezentatív. Ilyenkor érdemesebb a példát javítani, mint sokat hozzáadni.

Mitől jó egy példa

A jó példa reprezentatív: pontosan azt a fajta esetet mutatja, amilyennel a modellnek dolgoznia kell. Ha túl egyszerű vagy szélsőséges mintát adsz, a modell rossz következtetést von le. A példa legyen tipikus, tiszta és a feladat lényegét megragadó.

Fontos a következetesség is. Ha több példát adsz, ezeknek ugyanazt a logikát kell követniük — azonos szerkezet, azonos hangnem, azonos szintű részletesség. Az ellentmondó példák összezavarják a modellt, mert nem tudja, melyik mintát kövesse.

Használd a saját, bevált szövegeidet

A példák legjobb forrása gyakran a saját korábbi munkád. Ha van egy szöveged, amely pontosan a kívánt stílusban íródott, illeszd be referenciaként, és kérd a modellt, hogy ehhez hasonlót készítsen. Így a kimenet a te hangodon szólal meg, nem egy általános AI-stílusban.

Ez a módszer különösen értékes a márkahang megőrzésében. Néhány jól megválasztott saját minta révén a modell következetesen a céged stílusában ír, ami egyébként az egyik legnehezebben átadható elvárás. A példa itt a hang hordozója.

A few-shot buktatói

A leggyakoribb hiba a nem reprezentatív példa. Ha a minta véletlenül egy szokatlan esetet mutat, a modell általánosítja a kivételt, és rendszeresen rossz irányba megy. Mindig ellenőrizd, hogy a példád tényleg a tipikus esetet képviseli-e.

A másik buktató a túl sok vagy ellentmondó példa. Ahogy nő a minták száma, úgy nő a zaj is, és a modell figyelme megoszlik. Kevés, de tiszta és összhangban lévő példa szinte mindig jobban teljesít, mint egy hosszú, vegyes lista.

Mikor érdemes few-shotot használni

A példákkal tanítás akkor a legerősebb, amikor a kívánt kimenetnek határozott formája vagy stílusa van: terméknév-generálás adott minta szerint, osztályozás rögzített kategóriákba, vagy egy nagyon specifikus hangnem reprodukálása. Ezeknél a leírás nehézkes, a példa viszont azonnal célba talál.

Egyszerű, nyitott feladatoknál viszont gyakran felesleges. Ha csak egy általános ötletelést vagy egy szabad fogalmazványt kérsz, a példa inkább szűkíti a teret. Ott elég a jól megfogalmazott instrukció, és a few-shotot hagyd a mintázatigényes feladatokra.

Gyakorlati felépítés

Egy tipikus few-shot prompt így épül fel: rövid instrukció, majd két-három példa azonos szerkezetben, végül az új bemenet, amelyre választ kérsz. A modell az utolsó elem feldolgozásakor a fenti minták logikáját alkalmazza, így a kimenet illeszkedik a megadott példákhoz.

Ha ezt a felépítést egyszer kialakítod egy visszatérő feladatra, érdemes sablonként elmenteni. A példák stabilak maradnak, csak az új bemenetet cseréled — így a few-shot technika a napi munkád gyors, megbízható eszközévé válik, nem egyszeri trükké.

Példa nélkül vagy példával: a különbség

Amikor minden példa nélkül kérsz valamit, azt nevezik példa nélküli, vagyis zero-shot megközelítésnek. Ilyenkor a modell pusztán az utasításra támaszkodik, és a saját, általános értelmezése szerint válaszol. Egyszerű, jól definiált feladatoknál ez tökéletesen elég, és gyorsabb is, mert nem kell példát keresned.

A példával tanítás akkor lép be, amikor a puszta leírás nem elég pontos. Ha a feladatnak finom stílusbeli vagy szerkezeti elvárása van, a példa felülmúlja a legrészletesebb magyarázatot is. A kettő közötti választás tehát a feladat természetén múlik: minél nehezebb szavakba önteni az elvárást, annál inkább kell a példa.

Hasznos kísérlet, ha ugyanazt a feladatot kipróbálod példa nélkül és példával is. A különbség gyakran azonnal látszik, és megtanít arra, mikor éri meg a példa befektetése. Idővel ráérzel, mely feladatoknál elég a tiszta utasítás, és melyeknél hoz nagy ugrást egyetlen jó minta.

Hol ragyog a példákkal tanítás

A technika különösen erős az osztályozási feladatoknál. Ha vélemények hangulatát, kérdések témáját vagy szövegek kategóriáját kell besorolni, néhány felcímkézett példa pontosan megmutatja a modellnek, milyen logika szerint döntsön. A leírás itt nehézkes lenne, a példa viszont azonnal érthető.

Hasonlóan jól működik a formátumkövetésnél. Ha egy adott szerkezetű kimenetet vársz — például terméknevek, rövid leírások vagy táblázatsorok adott mintában —, egy-két minta után a modell pontosan tartja a formát. Ez sok manuális utómunkát spórol, mert a kimenet rögtön a kívánt alakban érkezik.

A harmadik tipikus terep a stílus reprodukálása. Ha egy nagyon specifikus hangnemet kell eltalálni, a leírás szinte mindig elmarad a mintától. Néhány jó példa a kívánt stílusból azonnal a helyes irányba tereli a modellt, ezért a márkahang megőrzésénél a few-shot az egyik leghasznosabb eszköz.

A példa a többi elemmel együtt a legerősebb

A példákkal tanítás nem helyettesíti a prompt többi elemét, hanem kiegészíti. A szerepkör beállítja a hangot, az utasítás a feladatot, a példa pedig finomhangolja a kívánt kimenet pontos alakját. A három együtt sokkal megbízhatóbb, mint bármelyik önmagában.

A sorrend itt is számít. Általában érdemes az utasítással és a szerepkörrel kezdeni, majd a példákat adni, végül az új bemenetet, amelyre választ kérsz. Ez a felépítés a modell számára logikus, és könnyen átlátható marad a számodra is, amikor később módosítanád.

Ha ezt a kombinációt egy visszatérő feladatra kidolgozod, érdemes egyben elmenteni. A szerepkör, a példák és a formátum együtt egy erős, újrahasználható sablont alkotnak, amelyből a feladat minden előfordulásánál azonnal kiváló kiindulópontot kapsz, mindössze az új adat behelyettesítésével.

Hasznos forrás

A példákkal tanítás technikájáról mélyebb, gyakorlati leírást találsz a példákkal tanítás (multishot prompting) részletes útmutatója.

Kapcsolódó témák

Gyakran ismételt kérdések