Så tänker AI-modeller
Few-shot-prompting: Att lära modellen genom exempel
Lästid: ca 5 min
I föregående moment utforskade vi zero-shot-prompting, där AI-modellen förväntas förstå och utföra en uppgift enbart baserat på din instruktion. Men vad händer när zero-shot inte räcker till, till exempel när du behöver ett väldigt specifikt format, en viss ton, eller för att hantera komplexa nyanser? Då kommer few-shot-prompting in i bilden. I det här momentet djupdyker vi i denna kraftfulla teknik där du ger modellen ett eller flera exempel direkt i din prompt för att tydliggöra hur uppgiften ska utföras.
1. Vad är few-shot-prompting?
Few-shot-prompting är en teknik där du inkluderar ett litet antal (typiskt 1 till 5) demonstrationsexempel direkt i din prompt innan du ger AI-modellen den faktiska uppgiften den ska lösa.
- Lärande genom exempel: Syftet är att modellen ska "lära sig" mönstret, stilen eller formatet från de exempel du tillhandahåller. Den använder sedan denna information för att generalisera och applicera det på den nya uppgiften.
- Förfining av förträning: Few-shot-prompting bygger på modellens befintliga förträning men tillför en specifik vägledning som hjälper den att leverera mer precisa och skräddarsydda svar.
2. Konkreta exempel på few-shot-prompting
Låt oss se hur few-shot-prompting kan se ut i praktiken, med fokus på en skolkontext:
Exempel: Ge positiv feedback på elevtexter Anta att du vill att AI:n ska ge konstruktiv och positiv feedback på elevtexter, även om elevens formulering kan uppfattas som negativ. En zero-shot-prompt skulle kunna ha svårt att få den specifika tonen du vill ha.
Prompt med 2-shot-exempel:
Du är en stöttande svensklärare. Ge positiv och konstruktiv feedback på följande elevtexter, fokusera på att lyfta fram något bra även om texten uttrycker motstånd eller svårighet.
**Exempel 1**
Input: "Skriv en positiv återkoppling på följande elevtext:"
Text: "Jag tycker historia är tråkigt och fattar ingenting."
Output: "Jag förstår att historia kan kännas utmanande ibland, men det är jättebra att du är ärlig med hur du upplever det! Din förmåga att formulera dina känslor är stark, och vi ska tillsammans hitta nya sätt att göra historia mer intressant för dig."
**Exempel 2**
Input: "Skriv en positiv återkoppling på följande elevtext:"
Text: "Jag gillar att lösa matteproblem, men det är svårt när det blir för många steg."
Output: "Det är härligt att se din entusiasm för problemlösning! Du är duktig på att identifiera utmaningar, och det är ett viktigt steg. Vi kan fokusera på att bryta ner problem i mindre steg för att göra det tydligare."
**Din uppgift**
Input: "Skriv en positiv återkoppling på följande elevtext:"
Text: "Jag tycker engelska är svårt och jag är inte bra på det."
Output:
I detta exempel har vi gett AI:n två fullständiga "Input-Output"-par som demonstrerar vilken typ av feedback vi förväntar oss. AI:n ska då generera ett svar för den sista "Input"-frågan baserat på den stil och ton den "lärt sig" från exemplen.
3. Fördelar och nackdelar med few-shot-prompting
Att använda few-shot-prompting har tydliga fördelar, men också några avvägningar:
| Fördelar | Nackdelar |
|---|---|
| Fördelar | Nackdelar |
| :---------------------------- | :---------------------------- |
| Ger modellen tydliga mönster att kopiera för format, ton och struktur. | Ökar promptens längd, vilket innebär fler tokens och kan påverka context-fönstret. |
| Högre precision och konsistens för komplexa uppgifter eller när ett specifikt utdataformat krävs. | Kräver att du själv skapar meningsfulla och representativa exempel, vilket tar tid. |
| Bra för nybörjare att förstå promptdesign och hur AI "lär sig" från input. | Inte alltid skalbart för uppgifter som kräver väldigt många olika varianter av exempel. |
| Kan hjälpa AI:n att hantera nyanser som är svåra att beskriva enbart med instruktioner. | Kvaliteten på utdata är direkt beroende av kvaliteten på dina exempel. |
4. Praktiska tips för lärare
När du implementerar few-shot-prompting i din undervisning, tänk på följande:
- Välj representativa exempel: Se till att de exempel du inkluderar tydligt visar det önskade resultatet. Om du vill ha variation, inkludera exempel som täcker olika scenarier.
- Håll antalet exempel lågt: Ofta räcker 2-5 väl valda exempel för att modellen ska förstå mönstret. För många exempel kan fylla context-fönstret i onödan och även förvirra modellen.
- Återanvänd och bygg mallar: Spara de effektiva few-shot-prompter du skapar som mallar. Detta sparar tid och säkerställer konsistens när du eller dina elever ska utföra liknande uppgifter i framtiden. En "prompt-bank" kan vara mycket värdefull.
5. Reflektionsövning
För att träna på att tillämpa few-shot-prompting, gör följande:
- Skapa ett few-shot-exempel: Välj ett kapitel i din kurslitteratur (eller en annan text). Skriv en prompt som ber AI:n att "Skriva en sammanfattning av texten, formulerad som en kort notis till föräldrar". Inkludera sedan två demonstrationsexempel som visar hur en sådan notis kan se ut (tänk på tonläge, längd och innehåll).
- Jämför med zero-shot: Testa samma uppgift med en zero-shot-prompt (alltså utan exemplen). Jämför resultaten. Vilken metod gav en mer precis och önskvärd notis? Varför?
- Diskutera i kollegiet: Fundera på vilka typer av uppgifter i era ämnen där few-shot-prompting skulle vara särskilt värdefullt. När är det värt att lägga tid på att skapa dessa exempel istället för att bara använda zero-shot? Finns det situationer där det är absolut nödvändigt?
Nästa moment: Prompt-teknik: Det handlar om tydliga instruktioner - nu när vi har gått igenom både zero-shot och few-shot-prompting, kommer vi att samla ihop de viktigaste principerna för effektiv promptformulering och diskutera hur du kan skriva instruktioner som är så tydliga och effektiva som möjligt, oavsett vilken prompting-teknik du väljer att använda.