Few-shot
Few-shot prompting giver modellen få eksempler på ønsket input og output før den nye opgave.
Definition: Few-shot prompting giver modellen få eksempler på ønsket input og output før den nye opgave.
Hvad betyder Few-shot?
Few-shot prompting viser modellen et lille antal eksempler på input og ønsket output før den nye opgave. Eksemplerne fungerer som demonstration af mønstret.
Et konkret eksempel
Tre eksempler på supporttickets med korrekt kategori kan hjælpe modellen med at klassificere en fjerde ticket i samme format.
Hvorfor er begrebet vigtigt?
Når du arbejder praktisk med generativ AI, hjælper forståelsen af Few-shot dig med at skelne mellem selve modellen, de data den får, og de kontroller produktet omkring den tilføjer. Det gør det lettere at skrive bedre prompts, vurdere fejl og vælge den rigtige tekniske løsning.
Relaterede begreber
Praktisk huskeregel
Brug ikke Few-shot som buzzword. Spørg i stedet: Hvilken konkret del af workflowet beskriver begrebet, hvilke begrænsninger følger med, og hvordan kan vi teste at systemet gør det vi forventer?
Few-shot i praksis
Few-shot betyder at prompten indeholder nogle få eksempler på ønsket input/output eller vurdering.
Sådan møder du begrebet i et AI-workflow
Begrebet bliver først nyttigt, når du kobler det til et konkret system. Spørg derfor altid: Er dette en egenskab ved selve modellen, et produktlag omkring modellen, inputtet til modellen eller en proces mennesker har lagt rundt om den? Den skelnen gør det langt lettere at forstå både muligheder og begrænsninger.
Tre spørgsmål der afslører misforståelser
- Hvilken del af systemet refererer ordet til?
- Hvad kan begrebet ikke bruges som garanti for?
- Hvordan ville du måle eller observere effekten i en rigtig opgave?
Typisk forveksling
Few-shot bliver ofte brugt som et bredt buzzword, selv når der menes noget mere specifikt. Når du møder ordet i en leverandørtekst eller intern diskussion, så bed om et konkret eksempel: Hvilket input går ind, hvad sker der i systemet, og hvilket output kommer ud? Det fjerner meget af den tvetydighed der ellers opstår omkring AI-termer.
Hvorfor det betyder noget for prompts
En bedre forståelse af begrebet gør det lettere at skrive realistiske krav. Du ved bedre hvilke oplysninger der skal gives som kontekst, hvilke ting modellen selv kan håndtere, og hvor du har brug for retrieval, værktøjer, validering eller menneskelig kontrol omkring modellen.
Husk
- Skeln mellem model, produkt og workflow.
- Spørg hvordan begrebet kan observeres eller testes i praksis.
- Brug ikke tekniske ord som erstatning for et konkret krav.
Sådan bruger du begrebet i praksis
Når du møder ordet Few-shot i en AI-guide, et produkt eller en teknisk beskrivelse, så spørg hvad det konkret ændrer i din opgave. Påvirker det kvaliteten af input, måden modellen finder information på, hvordan output kontrolleres, eller hvilke data der må bruges? Det spørgsmål gør begrebet langt mere anvendeligt end en løs definition.
Tre spørgsmål der gør definitionen operationel
- Hvilken del af AI-workflowet beskriver Few-shot?
- Kan jeg se eller måle effekten i mit konkrete output?
- Hvilke beslægtede begreber skal jeg kende for ikke at misforstå det?
I praksis overlapper mange AI-begreber. Derfor er det ofte bedre at forstå relationerne mellem input, model, kontekst, kilder og kontrol end at memorere enkeltstående definitioner.
Ofte stillede spørgsmål
Hvad betyder Few-shot?+
Few-shot prompting giver modellen få eksempler på ønsket input og output før den nye opgave.
Kan du give et eksempel på Few-shot?+
Tre eksempler på supporttickets med korrekt kategori kan hjælpe modellen med at klassificere en fjerde ticket i samme format.
Hvorfor er Few-shot vigtigt at kende?+
Fordi begrebet beskriver en konkret del af moderne AI-systemer. Når du ved hvilken del, bliver det nemmere at skrive præcise prompts, vælge værktøj og forstå hvor fejl eller begrænsninger kan opstå.
Guardrails
Tekniske og procesmæssige begrænsninger, der reducerer risikoen ved AI-output og agent-handlinger.
Læs videre
Human-in-the-loop
Et design hvor et menneske godkender, korrigerer eller overtager bestemte AI-beslutninger.
Læs videre
LLM
LLM står for large language model: en stor sprogmodel trænet til at forudsige og generere tekst ud fra mønstre i data.
Læs videre