Prompt engineering: Umenie komunikácie s AI

Few-shot prompting: keď je dobrý príklad presnejší než ďalšie pravidlo

Začiatočník49 min čítania23 častíZadarmo po registrácii
Lekcia06
DemonštráciePríklady ako malá dátová sada
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.

Few-shot príklady sú dočasné demonštrácie v kontexte, nie tréning modelu. Fungujú ako malá dátová sada a prenášajú zamýšľané pravidlá aj vlastné chyby.

Few-shot prompting znamená, že modelu pred riešením novej úlohy ukážete niekoľko dvojíc vstup - správny výstup. Model sa počas toho nepretrénuje a jeho parametre sa nezmenia. Príklady fungujú ako dočasné demonštrácie v kontexte: ukazujú, čo v tejto úlohe považujete za správny výsledok. V kontexte môže model odvodiť viac vecí naraz: význam štítkov, poradie polí, požadovaný tón, mieru detailu, spôsob riešenia hraničných prípadov aj pravidlo, ktoré ste výslovne nenapísali. To je sila aj riziko few-shot promptingu. Príklad odovzdáva nielen to, čo ste zamýšľali, ale aj svoje náhodné vlastnosti. Ak všetky ukážky zákazníckych odpovedí začínajú slovom „Samozrejme“, model môže tento zvyk prebrať. Ak sa v ukážkach pri nejasnom vstupe vždy háda, model sa môže naučiť hádať. Demonštrácie preto treba posudzovať ako dátový súbor v malom, nie ako dekoráciu promptu. Najprv vytvorte jednoduchý zero-shot baseline. Moderný model môže jasnú úlohu zvládnuť bez ukážok, čo šetrí tokeny aj údržbu. Príklady pridajte, keď potrebujete: Ak je problémom chýbajúci fakt, nejasná politika alebo nepodporovaný nástroj, viac príkladov ho nevyrieši. Vtedy treba doplniť zdroj, pravidlo alebo funkciu.

Ťažisko tvoria časti „Čo sa model z príkladov skutočne učí“, „Kedy začať bez príkladov“ a „Anatómia čitateľnej demonštrácie“. Nejde iba o vysvetlenie pojmov. Kapitola ich prepája s rozhodnutiami, príkladmi a hranicami, ktoré treba poznať pri reálnom použití.

Po prečítaní budete vedieť rozlíšiť zero-shot, one-shot a few-shot zadanie a vybrať typické, hraničné a negatívne demonštrácie. Praktickým výsledkom bude schopnosť otestovať citlivosť na poradie a formát príkladov.

Kapitola odpovedá aj na otázku „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.

23odborných častí
49minút čítania
7odkazov na zdroje
V plnej kapitole nájdete
  1. Čo sa model z príkladov skutočne učí
  2. Kedy začať bez príkladov
  3. Anatómia čitateľnej demonštrácie
  4. Ako vybrať užitočné príklady
  5. Reprezentatívnosť je dôležitejšia než efektnosť
  6. Poradie a formát môžu meniť výsledok
  7. Negatívne príklady musia ukázať správnu alternatívu
  8. 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.