Few-shot prompting

Few-shot prompting betyder, at du i din prompt viser modellen et par konkrete eksempler på, hvordan output skal se ud, typisk to til fem. Modellen bruger de eksempler som mønster og efterligner stil, struktur og tone i sit svar i stedet for kun at følge en lang tekstbeskrivelse af ønsket format. One-shot er samme idé med ét eksempel, og ofte virker et par eksempler bedre end lange beskrivelser.

Sådan virker Few-shot prompting i praksis

Few-shot prompting virker ved, at modellen genkender gentagne træk i de indtastede eksempler og bruger dem som implicit regel. Forestil dig, at du lægger tre gamle nyhedsbreve ind og beder om et fjerde i samme stil: modellen ser overskriftstil, afsnitslængde, call-to-action og sprogniveau og forsøger at efterligne det. Eksemplerne fungerer som en kortlæser, ikke som faste instruktioner; modellen kan stadig afvige, især hvis eksemplerne er inkonsistente.

Hvorfor marketingfolk allerede bruger few-shot prompting

Du kender teknikken uden at tænke over navnet: når en SoMe-ansvarlig kopierer tre tidligere opslag og siger "skriv et nyt lignende", det er few-shot prompting. Fordelen er, at eksempler ofte fører til mere troværdig tone og bedre struktur end en lang stilbeskrivelse. Ulemperne er, at du skal vælge gode eksempler, og at for mange eller for forskellige eksempler forvirrer modellen. Husk også, at eksempler med fejl kan gøre output dårligt, fordi modellen efterligner fejlene.

Eksempel: Few-shot prompting hos en kommunikationsmedarbejder

En kommunikationsmedarbejder på en lille webshop sidder mandag morgen, tre dage før næste nyhedsbrev skal ud. Hun har tre tidligere nyhedsbreve i indbakken: et kort produktfokus, et længere kundeinterview og et tilbudsbrev med rabatkode. Hun kopierer de to mest relevante (begge under 300 ord) ind i prompten og beder: "Skriv et nyt tilbudsbrev i samme tone og struktur." Første udkast er for langt og blander tilbudstekst med interviewets personlige tone. Hun fjerner interview-uddraget, prøver igen med kun de to tilbudsbreve og tilføjer en kort note om ønsket længde. Andet udkast rammer tonen bedre, men kræver redigering af tilbudsbetingelser, fordi prompten ikke indeholdt de opdaterede priser. Det tog i alt 50 minutters arbejde: 20 minutter på at finde og teste eksempler, 30 minutter på redigering og kontrol med priser fra regnearket.

Few-shot er ikke det samme som Zero-shot eller en almindelig prompt

Zero-shot prompting betyder, at du ikke giver eksempler, kun en instruktion. En almindelig "prompt" kan være en kort kommando eller beskrivelse. Few-shot adskiller sig ved at bruge eksempler i stedet for detaljerede instruktioner, og det er ofte hurtigere at få den rette tone med eksempler. Men few-shot skal ikke forveksles med fine-tuning eller "few-shot learning" i udviklersammenhæng; her ændrer du ikke modellen permanent, du guider den kun på tilfældig vis i den enkelte prompt.

Sådan kommer du i gang med few-shot prompting

1. Vælg 2 til 5 klare eksempler, der matcher format og tone. For marketing: tidligere nyhedsbreve eller opslag.
2. Hold eksempler korte og konsistente. Bland ikke formater, hvis du vil have ensartet output.
3. Placer eksemplerne først i prompten og skriv derefter din opgave: hvad modellen skal lave, og eventuelle faste krav (længde, CTA, nøgleord).
4. Test to gange: juster eksemplerne eller tilføj et enkelt notefelt med krav, hvis output gentagne gange fejler.
5. Gennemse altid facts som priser, datoer og navne, fordi modellen kan finde på dem.

Som skæv sammenligning: det er som at lade en ny medarbejder læse tre færdige tekster, før hun skriver sin egen. Hun lærer formen hurtigere, men hvis teksterne var rodede, bliver hendes første udkast det også.

Skal flere end én i huset kunne noget med few-shot prompting, så se, hvordan en AI-workshop er skruet sammen. Det tunge ved few-shot prompting er sjældent at komme i gang, men at holde det kørende. Det er jobbet for et AI-team i huset.