Vinster:
- Kan skilja mellan noll- och få-shot-inflygningar och vet när man ska välja vilken
- Kan tillämpa regler för val av representativa prover som speglar önskad form, ton och kvalitet
- Kan på ett tillförlitligt sätt kontrollera formatet och tonen för utdata med prover
Ibland är det mycket mer effektivt att visa något snarare än att beskriva det. Istället för att säga "Skriv på ett artigt men tydligt språk som det här," visar ett exempel på exakt vad du vill ha din avsikt till modellen mycket snabbare. Det är precis vad "få-shot sampling" handlar om: lära modellen det mönster du vill ha genom att visa den några exempel. I den här enheten kommer vi att lära oss denna kraftfulla teknik och reglerna för att använda den effektivt, med scenarier från ditt eget företag.
Vad är Zero-Shot och Few-Shot?
Det finns två grundläggande tillvägagångssätt:
- Zero-shot: Beskriver uppgiften direkt utan att ge några exempel till modellen. "Klassificera denna recension som positiv, negativ eller neutral." Modellen implementerar instruktionen med sin egen kunskap.
- Few-shot: Visar några exempel på input-output-par till modellen samt beskrivning av uppgiften. "Här är 3 exempel: kommentar → tagg. Tagga nu kommentar 4." Mönstret efterliknar mönstret du visar.
"Hutten" här syftar på antalet prover du ger: om du ger två prover är det ett "två-shot", om du ger fem prover är det ett "fem-shot". Regeln är enkel: ju mer subjektiv, formalistisk eller ovanlig uppgift är, desto mer värdefull är den att demonstrera.
När betalar Few-Shot?
Att demonstrera är överlägset att beskriva, särskilt i följande fall:
- Om du vill ha ett specifikt format: Om du vill att dina produktbeskrivningar alltid ska ha samma struktur är det tydligare att visa två exempel än en beskrivning på tio meningar.
- Om du vill ha en specifik ton: Det är svårt att beskriva din varumärkesröst i ord; Två exempeltexter förmedlar omedelbart tonen.
- Om du håller på med klassificering: Att visa med ett exempel vilken ingång som går till vilken etikett är säkrare än att skriva regeln.
- Om det är en ovanlig uppgift: Om du vill ha en speciell transformation som mönstret inte ser ofta, lär exemplet mönstret.
Regler för att välja ett effektivt exempel
Modellen imiterar proverna; så kvaliteten på dina prover blir direkt kvaliteten på resultatet. Fem regler:
- Låt det vara representativt. Låt exemplen återspegla typiska situationer för ditt verkliga arbete; inte extrema och sällsynta fall.
- Var konsekvent. Låt alla exempel följa samma form, samma ton, samma längd. Motsägelsefulla exempel förvirrar modellen.
- Låt det vara kvalitet. Om ditt prov är defekt kommer utgången också att vara defekt. "Ett dåligt exempel är en dålig lärare."
- Inkludera mångfald. Ge minst ett exempel på varje etikett i klassificeringen; Annars kommer modellen att hålla sig till etiketten den ser.
- Låt det vara lite men tillräckligt. Vanligtvis kommer 2-5 prover att göra susen. Dussintals exempel skapar onödig längd och kan ge onödig vikt åt ett sällsynt exempel.
Zero-Shot / Few-Shot Jämförelse
kriterium
Nollskott
några skott
Installationsansträngning
låg
Medium (behöver förbereda prov)
Formatkonsistens
Variabel
hög
tonkontroll
hårt
lätt
ovanlig uppgift
svag
stark
snabb längd
kort
längre
Fyra kopieringsbara mallar
1) Klassificering (få skott):
Uppgift: Märk kundrecensionen som Positiv / Negativ / Neutral. Exempel: Kommentar: "Frakten var väldigt snabb, jag älskade den." -> Positiv kommentar: "Produkten var inte som i beskrivningen." -> Negativkommentar: "Lådan var lite krossad, men produkten fungerar." -> NeutralTagga nu:Kommentar: "[ny kommentar]" ->
2) Tonöverföring (få bilder):
Följande två exempel visar vårt varumärkes skrivton. Skriv en beskrivning på två meningar för en ny produkt med samma ton. Exempel 1: "[varumärkessats]"Exempel 2: "[varumärkessats]"Ny produkt: [namn + funktion]
3) Få skott:
Konvertera rånotan till strukturen i exemplet nedan. Exempelinmatning: "Ali ringde och frågade efter ett pris, han vill ha 3 licenser"Exempelutdata:- Person: Ali- Begäran: 3 licenser- Åtgärd: Skicka en offert Konvertera nu:Inmatning: "[rånota]"
4) Huvudproduktion (få skott):
Skapa 5 rubriker som liknar tonen i exemplen på bra rubriker nedan. Exempel: - "3 vanor som minskar redovisningen till 10 minuter" - "Dold skattefördel för små och medelstora företag" Ämne: [ditt ämne]
Svag prompt / Stark prompt
Svag:
Dela upp dessa kommentarer i positiva eller negativa kommentarer.[kommentarer]
Stark:
Tagga varje kommentar med ett enda ord (Positiv / Negativ / Neutral) som i exemplen nedan. Skriver en beskrivning.Ali: "Bra produkt." -> PositiveAyşe: "Han kom sent." -> NegativeCan: "Det är okej." -> Neutralkommentarer:[kommentarer]
Den andra prompten både fixar tagguppsättningen med exemplet och reducerar utdata till ett enda ord med "skriv inte beskrivning"-begränsningen; Resultatet kan bearbetas direkt till en tabell.
Tre minifodral
Fall 1 – Supportteam, 200 kommentarer. Ett supportteam för e-handel taggade manuellt 200 kundrecensioner; Det tog ca 2 timmar per person. Med en uppmaning om fyra skott taggade modellen kommentarer på några sekunder; Genom att manuellt granska endast de märkta "Neutral" (cirka 30), minskade teamet arbetet från 2 timmar till 15 minuter.
Fall 2 — Varumärkesröst. Ett innehållsteam klagade på att nya skribenter inte träffade varumärkestonen. Skapat en mall med tre godkända stycken som ett exempel på några bilder; Redaktionella omgångar av nytt innehåll minskade från två till en eftersom tonen slogs fast första gången.
Fall 3 – Försäljnings-CRM. Ett säljteam skrev samtalsanteckningar i fritext och det var krångligt att bearbeta till CRM (customer relationship management software). En "konvertera anteckning till struktur"-prompt i två instanser konverterade spridda anteckningar till formatet "Kontakt/Begäran/Nästa steg"; datainmatning är standardiserad.
Tips: Välj dina exempel från dina tidigare verkliga och goda gärningar. De tre utgångarna du gillar bäst är faktiskt dina mest värdefulla få-shot-exempel; behålla dem.
Observera: Om det finns en konflikt mellan dina prover (en kort och en mycket lång, en formell och en intim), kommer modellen inte att veta vilken den ska imitera och kommer att ge inkonsekventa utdata. Innan du publicerar exempel, se till att de är konsekventa sinsemellan.
Vanliga misstag
- Motsägelsefulla exempel. Blanda prover av olika former och toner.
- Partiskt exempel på en etikett. Ge bara "positiva" exempel i klassificeringen och rita modellen där.
- Exempel på dålig kvalitet. Kopiera ett defekt prov och producera samma defekt.
- Extremt exempel. Att sätta 30 exempel i onödan och göra prompten svullen.
- Förvirrande uppgift med exempel. Utan att skilja på vilket som är ett exempel och vilken som är den faktiska begäran.
Sammanfattningsvis
- Zero-shot beskriver uppgiften utan att ge exempel, medan few-shot beskriver uppgiften genom att visa några exempel på input/output-par.
- Modellen imiterar proverna; Kvaliteten på proverna är direkt kvaliteten på resultatet.
- Bra provrepresentation bör vara konsekvent, högkvalitativ, mångsidig och lite-men-tillräckligt.
- Few-shot utmärker sig vid beskrivning, särskilt i form, ton, klassificering och okända uppgifter.
- Ditt bästa tidigare arbete är dina mest värdefulla få-shot exempel; spara dem i biblioteket.
Applikationsuppgift
Välj en sorterings- eller formateringsuppgift som du gör regelbundet (som kommentartaggning, anteckningsredigering, rubrikgenerering, etc.). Välj 3 bra exempel från ditt tidigare arbete, skapa en konsekvent få-shot-prompt och testa den på 5 nya ingångar. Mät hur mycket av resultatet du kan använda utan korrigering och försök förbättra resultatet genom att ändra proverna.
checklista
- [ ] Jag kan förklara skillnaden mellan zero-shot och few-shot.
- [ ] Jag vet när det är bättre att visa än att beskriva.
- [ ] Jag kan välja representativa, konsekventa och högkvalitativa exempel.
- [ ] Jag ger exempel på varje etikett i klassificeringen.
- [ ] Jag behåller mina bästa resultat som exempel för framtiden.