Few-shot prompting is een prompting-techniek waarbij je een klein aantal voorbeelden (shots) meestuurt in de prompt. Die voorbeelden tonen het model de gewenste input-outputrelatie: dit is een vraag, en dit is het soort antwoord dat je wil. Of: dit is een product, en zo wil je dat de beschrijving eruit ziet.

De naam "few-shot" onderscheidt het van "zero-shot" (geen voorbeelden, alleen instructies) en "one-shot" (één voorbeeld). In de praktijk werken twee tot vijf voorbeelden goed voor de meeste contenttoepassingen.

Kies voorbeelden die representatief zijn voor de kwaliteit en stijl die je wil. Vermijd voorbeelden die toevallig goed zijn maar atypisch: het model zal die kenmerken overnemen, ook als ze niet de bedoeling zijn.

Zorg dat de voorbeelden divers zijn binnen de gewenste stijl. Als je productbeschrijvingen wil genereren, geef dan voorbeelden van verschillende productcategorieën: een kleding-item, een elektronicaproduct, een accessoire. Zo laat je het model zien hoe de stijl van toepassing is op variërende input.

Gebruik echte teksten die door mensen zijn geschreven en die de merkstandaard vertegenwoordigen. Een door AI gegenereerd voorbeeld als few-shot gebruiken kan werken maar vergroot de kans op patronen die al enigszins generiek zijn.

Een veelgebruikte structuur is:

Voorbeeld 1:
Input: [productdata of onderwerp]
Output: [gewenste tekst]

Voorbeeld 2:
Input: [productdata of onderwerp]
Output: [gewenste tekst]

Nu jouw beurt:
Input: [nieuwe productdata of onderwerp]
Output:

Door de structuur consistent te houden leert het model het patroon snel herkennen. Gebruik altijd dezelfde labels (Input/Output, Vraag/Antwoord, of andere vaste namen).

Few-shot voorbeelden zijn het meest effectief in de user prompt of als aanvulling op de systemprompt. De systemprompt bevat de constante regels (toon, stijl, merkcontext). De few-shot voorbeelden zijn contextspecifiek: bij een andere contenttaak gebruik je andere voorbeelden.

In geautomatiseerde pipelines kun je few-shot voorbeelden per categorie opslaan en dynamisch laden op basis van het type content dat gegenereerd wordt. Productbeschrijvingen voor kleding krijgen andere voorbeelden mee dan productbeschrijvingen voor elektronica.

Few-shot prompting maakt de prompt langer, wat contexttokens kost. Bij modellen met een beperkt contextvenster kan dit een probleem zijn. Bij grootschalige productie verhoogt het ook de API-kosten, omdat je meer tokens verstuurt per aanroep.

Bovendien kan few-shot prompting te rigide worden: het model kan de voorbeelden te letterlijk navolgen en minder goed omgaan met input die sterk afwijkt van de voorbeelden. Dit is op te lossen door de voorbeelden regelmatig te herzien en te diversifiëren.

Few-shot prompting werkt bijzonder goed als:

• De gewenste output een specifieke en herkenbare structuur heeft
• De merktoon uitgesproken is en moeilijk te omschrijven in abstracte regels
• Je consistentie wil over een groot volume vergelijkbare teksten
• De output regelmatig werd afgekeurd met alleen instructies

Bij Mach8 passen we few-shot prompting standaard toe bij contentpipelines voor productbeschrijvingen, e-mailcampagnes en SEO-teksten.

Few-shot prompting is een toegankelijke maar krachtige techniek om AI-contentoutput te verbeteren. Door het model concrete voorbeelden te geven, verklein je de ruimte voor interpretatie en vergroot je de kans op output die direct bruikbaar is.

Mach8 helpt bij het opzetten van effectieve prompting-strategieën voor contentproductie. Bekijk onze content productie diensten of neem contact op voor meer informatie.