01Typický
02Hraničný
03Negatívny
04Nový vstup
05Test
Najmenšia reprezentatívna sada je cennejšia než veľa podobných ukážok.
Few-shot príklady sú dočasné demonštrácie v kontexte, nie tréning modelu. Fungujú ako malá dátová sada a prenášajú zamýšľané pravidlá aj vlastné chyby.
Po prečítaní budete vedieť
- rozlíšiť zero-shot, one-shot a few-shot zadanie
- vybrať typické, hraničné a negatívne demonštrácie
- otestovať citlivosť na poradie a formát príkladov
Zadarmo po registrácii
Celá kapitola je zadarmo po registrácii.
23odborných častí
49minút čítania
7odkazov na zdroje
V plnej kapitole nájdete
- Čo sa model z príkladov skutočne učí
- Kedy začať bez príkladov
- Anatómia čitateľnej demonštrácie
- Ako vybrať užitočné príklady
- Reprezentatívnosť je dôležitejšia než efektnosť
- Poradie a formát môžu meniť výsledok
- Negatívne príklady musia ukázať správnu alternatívu
- Few-shot pre extrakciu, klasifikáciu a štýl
Registrovať sa alebo prihlásiť
Prihlásenie zabezpečuje ChatGPT. PoznAI nedostane vaše heslo.
Praktické odpovede
Často kladené otázky
Koľko príkladov je pri few-shot promptingu potrebných?
Najmenší počet, ktorý merateľne zlepší výsledok. Začnite zero-shot baseline a pridávajte reprezentatívne príklady podľa pozorovaných zlyhaní.
Mení few-shot prompting parametre modelu?
Nie. Príklady pôsobia iba v aktuálnom kontexte. Trvalá zmena parametrov patrí k tréningu alebo fine-tuningu.
Aké príklady vyberať?
Odborne správne, reprezentatívne a rozmanité - typický prípad, hranicu medzi triedami, nedostatok údajov aj málo častú kritickú situáciu.
Prihlásiť / registrovať