Zero-shot ve few-shot: modele örnek vermek sonucu nasıl değiştirir?
Zero-shot örneksiz, few-shot birkaç örnekle model yönlendirme yaklaşımıdır. Farkı, çalışma mantığını ve ne zaman hangisini seçeceğinizi örnekle öğrenin.
Zero-shot ve few-shot nedir?
Zero-shot (sıfır atış) yaklaşımında modele yalnızca görevin tanımı verilir, hiçbir çözülmüş örnek gösterilmez. Few-shot (az atış) yaklaşımında ise talimatla birlikte birkaç örnek girdi ve beklenen çıktı eklenir; model bu örneklerden istenen kalıbı çıkarır.
Buradaki "atış" (shot), istemde verilen örnek sayısını anlatır. Büyük dil modellerinde bu yönlendirme, modelin ağırlıkları değiştirilmeden yalnızca istem düzeyinde yapılır; bu yaklaşıma bağlam içi öğrenme (in-context learning) denir.
Nasıl çalışırlar? Aynı görev, farklı yaklaşımlar
Örneğin müşteri yorumlarını olumlu, olumsuz ya da nötr olarak sınıflandırmak istiyorsunuz.
Zero-shot istem: Aşağıdaki yorumu olumlu, olumsuz ya da nötr olarak sınıflandır. Yorum: Kargo geç geldi ama ürün güzel.
Few-shot istem aynı talimata örnekler ekler: Yorum: Çok memnun kaldım. Sınıf: olumlu Yorum: Hiç beğenmedim, iade ediyorum. Sınıf: olumsuz Yorum: Kargo geç geldi ama ürün güzel. Sınıf:
Örnekler, model için çıktı biçimini, etiket adlarını ve sınır durumların nasıl ele alınacağını gösterir. Böylece belirsiz talimat çoğu zaman daha tutarlı sonuç verir.
Ne zaman hangisi seçilir?
Zero-shot, görev genel ve açıksa tercih edilir: kısa bir özet, basit bir çeviri ya da bilinen bir sınıflandırma gibi. Hızlıdır ve istemi kısa tutar.
Few-shot şu durumlarda daha değerlidir: • Çıktı biçimi sabit olmalıdır (belirli bir tablo ya da JSON yapısı gibi) • Etiketler kuruma özgüdür, modelin varsayılan yorumundan farklıdır • Üslup ve ton taklit edilecektir • Zero-shot sonuç tutarsızdır ve talimat eklemek yetmemektedir
Örnekler kaliteli ve çeşitli olmalıdır; hatalı ya da tek yönlü örnek, modeli yanlış kalıba yönlendirir.
Sık yapılan hatalar
Örnekleri hep aynı türden seçmek modelin yanlış genelleme yapmasına yol açar; farklı durumları ve sınır vakaları kapsayan örnekler gerekir. Örneklerin sırası ve dağılımı da sonucu etkileyebilir. Çok sayıda örnek ekleyerek istemi gereksiz uzatmak maliyet ve gecikmeyi artırır; her örneğin bir amacı olmalıdır.
Önemli bir nokta daha: few-shot her zaman zero-shot'tan iyi sonuç vermez. Güçlü modellerde açık ve iyi yazılmış bir talimat yeterli olabilir. Bu nedenle iki yaklaşımı küçük bir test setinde karşılaştırıp ölçmek doğru yöntemdir.
Yakın kavramlar: fine-tuning ve zincir düşünce
Fine-tuning modelin ağırlıklarını yeni veriyle güncelleyerek öğretir ve daha yüksek maliyet gerektirir; few-shot ise yalnızca istemde yönlendirir. Zincir düşünce (chain-of-thought) istemi, modelden ara akıl yürütme adımlarını yazmasını ister ve few-shot örneklerle birleştirilebilir.
Zero-shot ve few-shot tekniklerini Mindset programlarında çalışmak
İleri Prompt Teknikleriyle Tutarlı ve Güvenilir Yapay Zeka Çıktıları eğitimi, az örnekli öğrenme ve kısıt tekniklerini, prompt testi ve kalite güvencesiyle birlikte ele alır. Prompt Mühendisliği ve Prompt Engineer programları temel istem yapısından gelişmiş tekniklere uzanır; Microsoft 365 Copilot'ta Prompt Temelleri eğitimi ise ofis uygulamalarında etkili istem yazımına odaklanır. İş birimlerinde yapay zeka kullanan çalışanlar ve istem tasarlayan ekipler için uygundur.
İlgili Mindset programı
Prompt Mühendisliği: Kurumsal Verimlilik Programı
Sık sorulan sorular
One-shot nedir?
One-shot, istemde tek bir örnek verilen durumdur; zero-shot ile few-shot arasında yer alır. Biçimi göstermek için çoğu zaman tek örnek yeterli olabilir, ancak çeşitlilik gerektiren görevlerde birkaç örnek daha dengeli sonuç verir.
Few-shot için kaç örnek vermeliyim?
Sabit bir sayı yoktur; görevin zorluğuna ve modele bağlıdır. Az sayıda, iyi seçilmiş ve çeşitli örnekle başlayıp sonucu küçük bir test setiyle ölçmek en sağlıklı yoldur. Fazla örnek her zaman daha iyi sonuç anlamına gelmez.
Few-shot modeli kalıcı olarak eğitir mi?
Hayır. Örnekler yalnızca o istek sırasında modelin bağlamında bulunur. İstek bittiğinde model değişmez. Kalıcı davranış değişikliği için fine-tuning ya da sisteme sabit talimat ekleme gibi farklı yöntemler gerekir.
Bu terimler yalnızca dil modellerinde mi geçer?
Hayır. Zero-shot ve few-shot öğrenme, makine öğrenmesinde görsel sınıflandırma gibi alanlarda da kullanılır: model eğitim sırasında hiç görmediği bir sınıfı ya da çok az örnekle öğrendiği sınıfı tanımaya çalışır. Dil modellerindeki kullanım bunun istem düzeyindeki biçimidir.