Few-Shot prompting
Few-Shot prompting is een instructietechniek waarbij je een AI-model niet alleen vertelt wat het moet doen, maar dit ook direct laat zien aan de hand van een aantal concrete voorbeelden (de ‘shots’). Door binnen je prompt een paar combinaties van invoer en de gewenste uitvoer mee te sturen, begrijpt het model direct welk patroon, welke schrijfstijl of welke specifieke structuur er van hem wordt verwacht. Het is een van de meest effectieve manieren om de nauwkeurigheid van een AI-output direct te verhogen zonder dat je diepe technische aanpassingen hoeft te doen.
Hoe AI jouw logica kopieert
Zonder voorbeelden (wat we Zero-Shot prompting noemen) moet een AI-model gissen naar jouw specifieke wensen. Vraag je de AI om productbeoordelingen te categoriseren, dan kan het model de ene keer antwoorden met “Dit is een positieve recensie” en de andere keer met “Klant is tevreden”. Door de AI vooraf te voeden met een aantal vaste invoer-en-uitvoer-combinaties, dwing je het model in het juiste format.
Voorbeeld van een Few-Shot prompt:
Invoer: “De levering was twee dagen te laat en de doos was beschadigd.”
Uitvoer: [Categorie: Logistiek | Sentiment: Negatief | Actie: Klantenservice bellen]
Invoer: “Geweldig product, mijn kat is er dol op!”
Uitvoer: [Categorie: Productkwaliteit | Sentiment: Positief | Actie: Geen]
Invoer: “Hoe kan ik mijn factuuradres aanpassen in mijn account?”
Uitvoer: [Categorie: Accountbeheer | Sentiment: Neutraal | Actie: FAQ-link sturen]
Invoer: “Ik probeer te betalen maar de iDEAL-knop reageert niet.”
Uitvoer: [Categorie: Betalingen | Sentiment: Negatief | Actie: IT-support melden]
Zonder dat je de regels expliciet hebt uitgeschreven, begrijpt de AI direct dat hij voor de laatste invoer de structuur [Categorie: Betalingen | Sentiment: Negatief | Actie: IT-support melden] moet hanteren.
Welk niveau kies je?
In de praktijk is Few-Shot prompting geen starre alles-of-niets-techniek. Het is een schaalbare methode die je nauwkeurig kunt afstemmen op de complexiteit van je taak en de capaciteit van het AI-model dat je gebruikt. Soms heeft een model aan een half woord genoeg, terwijl het bij een ingewikkeld bedrijfsproces juist behoefte heeft aan een uitgebreid ‘smoelenboek’ met diverse scenario’s.
Door strategisch te kiezen hoeveel voorbeelden (of ‘shots’) je meegeeft, balanceer je de nauwkeurigheid van de AI met de snelheid en de kosten van je tokens. Afhankelijk van de uitdaging waar je voor staat, kun je kiezen uit drie verschillende niveaus om je instructies vorm te geven:
| Methode | Aantal voorbeelden | Ideaal voor |
| Zero-Shot | 0 voorbeelden | Simpele taken, creatief schrijven, brede brainstorms. |
| One-Shot | 1 voorbeeld | Taken met een vaste opmaak waarbij de logica eenvoudig is. |
| Few-Shot | 3 tot 5 voorbeelden | Complexe data-extractie, specifieke tone-of-voice, logische puzzels. |
De kracht van ‘In-Context Learning’
Het fascinerende aan Few-Shot prompting is dat er achter de schermen geen permanente aanpassing van het AI-model plaatsvindt. Het model wordt niet opnieuw getraind op jouw data. In plaats daarvan maakt de AI gebruik van In-Context Learning.
Binnen het actieve geheugen van de lopende chat (het context window) herkent de Transformer-architectuur de wiskundige verbanden tussen jouw voorbeelden. Zodra je de chat sluit of een nieuw gesprek start, is de AI de voorbeelden weer vergeten. Dit maakt het een extreem flexibele, veilige en goedkope manier om een AI-model tijdelijk te ‘kneden’ naar de unieke werkwijze van jouw organisatie.
Veelgestelde vragen
Over het algemeen zijn 3 tot 5 sterke voorbeelden ruim voldoende. Te veel voorbeelden verbruiken onnodig veel tokens en kunnen ervoor zorgen dat het model zich blindstaart op de details in de voorbeelden (bias).
Zorg voor diversiteit. Als je een model leert om klantvragen te beantwoorden, geef dan niet alleen voorbeelden van boze klanten, maar wissel dit af met blije klanten en informatieve vragen. Zo begrijpt de AI hoe hij met verschillende scenario’s moet omgaan.
Ja. Bij multimodale AI-modellen kun je de AI bijvoorbeeld twee foto’s sturen van een correct gemonteerd onderdeel en twee foto’s van een foutieve montage. De AI kan een nieuwe, vijfde foto vervolgens feilloos beoordelen op basis van die voorbeelden.
Nee. Bij Few-Shot prompting leert de AI tijdelijk binnen de lopende chat (in-context). Bij fine-tuning pas je de daadwerkelijke, permanente wiskundige gewichten van het AI-model aan door het te trainen op een grote, externe dataset.
