Few-shot prompting: Jak učit AI pomocí několika příkladů

Few-shot prompting je technika, při které uživatel vloží do zadání několik ukázek požadovaného chování nebo formátu odpovědi. Jazykový model z nich odvodí vzor a následně se jej pokusí uplatnit na nový vstup. Nemusí se přitom znovu trénovat ani měnit jeho parametry – příklady jsou součástí samotného promptu.

Jak few-shot prompting funguje

Model při zpracování promptu vyhodnocuje jeho instrukce i ukázkové dvojice vstupů a výstupů. Ty mu napovídají, jaký typ úlohy má řešit, jak má odpověď strukturovat a jaký styl nebo míru podrobnosti zvolit. Poté dostane nový vstup, pro který má vytvořit výsledek odpovídající předvedenému vzoru.

Označení „few-shot“ znamená, že prompt obsahuje několik příkladů. Pro srovnání: při zero-shot promptingu model nedostane žádnou ukázku a řídí se pouze instrukcí. One-shot prompting využívá jeden příklad, zatímco few-shot prompting pracuje s více ukázkami.

Příklad few-shot promptingu

Few-shot prompting lze použít například při určování sentimentu krátkých zákaznických recenzí. Prompt může obsahovat několik ukázek klasifikace a poté nový text k vyhodnocení:

Recenze: „Objednávka dorazila rychle a výrobek funguje skvěle.“
Sentiment: pozitivní

Recenze: „Zboží přišlo poškozené a zákaznická podpora neodpovídá.“
Sentiment: negativní

Recenze: „Výrobek je v pořádku, ale cena je poměrně vysoká.“
Sentiment: smíšený

Recenze: „Balík dorazil včas a vše odpovídá popisu.“
Sentiment:

Z ukázek model pozná, že má přiřazovat jednu z kategorií pozitivní, negativní nebo smíšený. U poslední recenze by měl pokračovat ve stejném formátu a doplnit odpovídající štítek.

Kdy se few-shot prompting hodí

Tato metoda je užitečná zejména tehdy, když samotná instrukce nestačí k jednoznačnému vymezení výsledku. Příklady mohou modelu pomoci například při:

klasifikaci textů podle předem stanovených kategorií,
extrakci údajů z dokumentů do strukturovaného formátu,
převodu textu do požadovaného stylu nebo tónu,
formátování odpovědí podle konkrétní šablony,
přiřazování štítků nebo vytváření krátkých souhrnů.

Few-shot prompting se uplatní také v situacích, kdy má výstup odpovídat specifickým požadavkům projektu, například interním kategoriím, podobě reportu nebo způsobu zápisu dat.

Jak připravit kvalitní příklady

Účinnost promptu závisí nejen na počtu ukázek, ale také na jejich srozumitelnosti a reprezentativnosti. Dobře zvolené příklady modelu jasně ukazují, jak má postupovat, včetně způsobu řešení typických případů.

Zvolte jasný formát: oddělte instrukce, příklady a nový vstup, aby bylo zřejmé, co má model zpracovat.
Používejte konzistentní strukturu: zachovejte u všech ukázek stejné značení vstupu a výstupu.
Vyberte různorodé příklady: pokryjte běžné situace i případy, které se mohou snadno zaměnit.
Ověřte správnost ukázek: chybný nebo nejednoznačný příklad může model vést k nežádoucímu výsledku.
Uveďte přesné instrukce: vysvětlete požadované kategorie, omezení i podobu výsledné odpovědi.

Výhody a omezení few-shot promptingu

Hlavní výhodou few-shot promptingu je možnost přizpůsobit chování modelu konkrétní úloze bez jeho dalšího trénování. Několik vhodných ukázek může zlepšit dodržování formátu i konzistenci odpovědí. Technika je zároveň flexibilní: změnou příkladů lze prompt upravit pro jiný typ vstupu nebo požadovaného výstupu.

Výsledek však není zaručen. Model může příklady vyložit jinak, než uživatel zamýšlel, zejména pokud si ukázky odporují nebo neobsahují dostatek informací o okrajových případech. Delší prompty navíc spotřebovávají více kontextového prostoru. Proto je vhodné výstupy kontrolovat, testovat prompt na různých vstupech a podle výsledků upravovat instrukce i ukázky.

Praktický postup

Při tvorbě few-shot promptu nejprve přesně určete, jaký výstup očekáváte. Poté připravte několik správných a reprezentativních dvojic vstupů a odpovědí, sjednoťte jejich formát a přidejte nový úkol. Výsledky otestujte na různých případech. Pokud model opakovaně chybuje, doplňte vhodnou ukázku nebo zpřesněte instrukci.

Few-shot prompting tak představuje praktický způsob, jak modelu ukázat požadovaný postup přímo v zadání. Kvalita výsledku přitom závisí především na přesnosti instrukcí, vhodném výběru příkladů a následném ověření odpovědí.