フューショットプロンプティング - 例を見せて学ばせる

前回のZero-shot?
の続きよ。
今日はFew-shot?
プロンプティング。

『フュー』は英語で『少数』。
つまり少数の例を示してからAIに回答させる手法ね。

たとえば感情分析をさせたいとき、こう書くの。

『例1: このレストラン最高!
→ポジティブ』

『例2: 二度と行きたくない→ネガティブ』

『例3: まあまあだった→?』

こうするとAIは『あ、私は文を分類すればいいのか』と例のパターンを学ぶわ。

いい例えね。
例の数は2〜5個くらいが一般的。

ちなみに例が1個だけの場合はOne-shot?
、複数ならFew-shot?
と呼び分けるわ。

その通りよ、ましろちゃん。

ただ、多すぎるとトークン?
(AIが処理する最小単位)を消費して、コンテキストウィンドウ?
(AIが一度に扱える上限)を圧迫するの。

そう。
実運用では『2〜3例で足りるか?』『5例必要か?』を試しながら決めるの。

ちなみにGoogleの研究では、Few-shotで1〜2例入れるだけで精度が10〜20%上がる場合もあるわ。

その通り。
まずゼロショットで試して、結果が不十分ならフューショットに切り替えるのが効率的よ。

まさに。
試験でも『Few-shot=少数の例示』という対比がよく出題されるから覚えておいてね。

いい質問ね。
大事なポイントは3つよ。

1つ目: 例の形式を揃える(入力→出力の並びを統一)。

2つ目: 偏りのない例を選ぶ(ポジティブばかり、など偏ると偏った出力になる)。

3つ目: 想定する回答パターンを網羅する(境界事例も1つ入れると精度が上がる)。

完璧な理解よ。
いわば推論時学習?
なの。
これがLLM?
の強力な特性のひとつよ。

そう。
しかも重み?
を更新せずにね。
だからデータがすぐに反映される速さがFew-shotの強みなの。

ちなみにファインチューニング?
と対比して覚えておくと試験で役立つわ。

完璧な例え、ジャスミンちゃん!
その違いは本当に大事なポイントよ。