Few-shot prompting: AI leren met voorbeelden

Eén voorbeeld zegt meer dan duizend woorden instructie. Dat geldt voor mensen, en het geldt net zo hard voor AI. Few-shot prompting, de techniek waarbij je voorbeelden meegeeft in je prompt, is de snelste manier om voorspelbare, hoogwaardige output te krijgen.

Wat is few-shot prompting?

Bij few-shot prompting voeg je concrete voorbeelden toe aan je prompt. Je laat de AI zien hoe de output eruit moet zien, in plaats van dat alleen in woorden te beschrijven. Er zijn drie varianten:

• Zero-shot: Geen voorbeelden, alleen een instructie
• One-shot: Eén voorbeeld van de gewenste output
• Few-shot: Twee tot vijf voorbeelden

Hoe complexer de taak, hoe meer voorbeelden helpen. Bij eenvoudige taken volstaat zero-shot vaak, maar bij taken met specifieke stijl, structuur of format is few-shot veel effectiever. Uit interne tests bij bedrijven als Klarna en Shopify blijkt dat few-shot prompting de outputkwaliteit met 40-60% kan verbeteren ten opzichte van zero-shot.

Expert-tip: Begin altijd met één voorbeeld en voeg er pas meer toe als de output niet consistent genoeg is. Meer voorbeelden betekent niet automatisch betere resultaten, het gaat om de kwaliteit en representativiteit van elk voorbeeld.

Waarom werkt het zo goed?

AI-modellen zijn getraind op patroonherkenning. Wanneer je voorbeelden geeft, activeert het model de juiste patronen en past het deze toe op nieuwe input. Dit verklaart waarom few-shot prompting:

• Consistentere output oplevert, de AI snapt exact welk format je verwacht
• Minder revisies nodig maakt, de eerste output is vaker bruikbaar
• Toon en stijl beter overneemt, de AI imiteert je voorbeelden
• Complexe formats correct reproduceert, tabellen, lijsten, specifieke structuren

In de praktijk betekent dit dat een marketingteam dat productbeschrijvingen genereert met few-shot prompting gemiddeld 70% minder tijd besteedt aan revisies. Bij tools als ChatGPT (GPT-4o), Claude en Gemini werkt deze techniek consistent goed.

Praktijkvoorbeelden

Voorbeeld 1: Productbeschrijvingen genereren

Zonder few-shot:

```

Schrijf een productbeschrijving voor een ergonomische bureaustoel.

```

Met few-shot:

```

Schrijf productbeschrijvingen in dit format:

Voorbeeld:

Product: Draadloze koptelefoon ProMax

Beschrijving: Geniet van kristalhelder geluid zonder kabels. De ProMax biedt 30 uur batterijduur, actieve ruisonderdrukking en een comfortabele pasvorm voor de hele dag. Ideaal voor thuiswerkers en muziekliefhebbers.

USP's: • 30 uur batterij • ANC-technologie • Memory foam oorkussen

Nu schrijven:

Product: Ergonomische bureaustoel FlexiSeat

```

Het verschil is enorm. Met het voorbeeld weet de AI precies welke lengte, toon en structuur je verwacht.

Voorbeeld 2: E-mails classificeren

```

Classificeer e-mails als "urgent", "actie vereist" of "informatief".

Voorbeeld 1:

E-mail: "De server is down, klanten kunnen niet bestellen!"

Classificatie: urgent

Voorbeeld 2:

E-mail: "Kun je volgende week de presentatie reviewen?"

Classificatie: actie vereist

Voorbeeld 3:

E-mail: "FYI: het nieuwe kantoorbeleid staat op intranet"

Classificatie: informatief

Nu classificeren:

E-mail: "De klant wil morgen voor 10:00 een aangepaste offerte ontvangen"

```

Voorbeeld 3: Data-extractie

```

Extraheer de volgende gegevens uit facturen:

Voorbeeld:

Input: "Factuur #2024-0891 van TechCorp, datum 15-03-2024, bedrag €4.750,00 excl. BTW"

Output: { nummer: "2024-0891", leverancier: "TechCorp", datum: "15-03-2024", bedrag: 4750.00 }

Nu extraheren:

Input: "Factuur #2024-1205 van CloudServices BV, datum 28-06-2024, bedrag €12.350,00 excl. BTW"

```

Expert-tip: Bij data-extractie is het cruciaal dat je voorbeeld exact het gewenste outputformat toont, inclusief datatypes. Geef bij voorkeur een voorbeeld met randgevallen, zoals een bedrijfsnaam met spaties of een bedrag met duizendtallen, zodat de AI ook die variaties correct afhandelt.

Hoeveel voorbeelden heb je nodig?

De vuistregel is:

1. Eenvoudige taken (classificatie, vertaling): 1-2 voorbeelden
2. Middelcomplexe taken (samenvattingen, beschrijvingen): 2-3 voorbeelden
3. Complexe taken (data-extractie, analyse): 3-5 voorbeelden

Meer dan vijf voorbeelden levert zelden betere resultaten op en maakt je prompt onnodig lang. De kwaliteit van je voorbeelden is belangrijker dan de kwantiteit. Kies voorbeelden die de volledige breedte van je verwachte input dekken.

Wanneer kies je voor zero-shot?

Few-shot is niet altijd nodig. Gebruik zero-shot wanneer de taak eenvoudig en eenduidig is, zoals een simpele vertaling of een rechttoe-rechtaan samenvatting. Schakel over naar few-shot zodra je merkt dat de output qua format, toon of structuur afwijkt van wat je verwacht.

Vijf tips voor betere few-shot prompts

1. Gebruik representatieve voorbeelden, Kies voorbeelden die de breedte van je use-case dekken, inclusief randgevallen
2. Houd voorbeelden consistent, Zorg dat al je voorbeelden dezelfde structuur en stijl volgen
3. Varieer de input, Geef voorbeelden met verschillende lengtes en complexiteit
4. Markeer het patroon, Maak het verschil tussen input en output visueel duidelijk met labels zoals "Input:" en "Output:"
5. Test en verfijn, Begin met twee voorbeelden, test de output en voeg er een toe als het resultaat niet consistent genoeg is

Geavanceerde technieken

Combineer few-shot prompting met andere technieken voor nog betere resultaten. Voeg een system prompt toe vóór je voorbeelden die de context en regels beschrijft. Gebruik chain-of-thought prompting door in je voorbeelden ook het denkproces te tonen, niet alleen het eindresultaat.

Veelgemaakte fouten

• Tegenstrijdige voorbeelden die de AI verwarren met inconsistente stijl of structuur
• Te complexe voorbeelden waardoor de AI de kern mist en irrelevante details overneemt
• Irrelevante voorbeelden die niet aansluiten bij de daadwerkelijke taak
• Te weinig variatie waardoor de AI slechts één type input goed afhandelt
• Voorbeelden met fouten, de AI reproduceert spelfouten en formateerfouten trouw
• Te lange voorbeelden die het contextvenster van het model onnodig belasten

Direct aan de slag

1. Kies een taak die je regelmatig aan AI geeft en waar je niet tevreden bent met de output
2. Schrijf twee tot drie voorbeelden van je ideale resultaat, inclusief randgevallen
3. Voeg de voorbeelden toe aan je prompt met duidelijke "Input:" en "Output:" labels
4. Test de output op ten minste vijf verschillende inputs
5. Verfijn je voorbeelden op basis van de resultaten en deel je best werkende few-shot prompt met je team via een gedeeld document of promptbibliotheek

Lees ook

• Betere prompts schrijven: van goed naar excellent
• Chain-of-thought: complexe taken opdelen voor AI
• 10 prompt templates voor dagelijks werk

Veelgestelde vragen

Hoeveel voorbeelden heb ik nodig voor goede resultaten?

Voor de meeste taken volstaan twee tot drie voorbeelden. Bij eenvoudige classificatietaken is één voorbeeld vaak al voldoende, terwijl complexe data-extractie of stijlimitatie drie tot vijf voorbeelden kan vereisen. Meer dan vijf voorbeelden levert zelden merkbare verbetering op en verbruikt onnodig contextruimte. Focus op de kwaliteit en diversiteit van je voorbeelden, niet op de hoeveelheid.

Maakt de volgorde van voorbeelden uit?

Ja, de volgorde kan invloed hebben op de output. Plaats je meest representatieve voorbeeld als eerste en je meest complexe of randgeval als laatste. Onderzoek toont aan dat AI-modellen meer gewicht geven aan het eerste en laatste voorbeeld. Als je merkt dat de output te sterk op één voorbeeld lijkt, wissel dan de volgorde om een gebalanceerder resultaat te krijgen.

Wat is het verschil tussen few-shot prompting en fine-tuning?

Few-shot prompting voeg je voorbeelden toe aan je prompt, het model wordt niet aangepast. Fine-tuning traint het model daadwerkelijk op jouw data, waardoor het permanent leert. Few-shot is ideaal voor snel experimenteren zonder technische kennis of kosten, terwijl fine-tuning geschikt is voor zeer hoge volumes (duizenden verzoeken per dag) of wanneer je maximale consistentie nodig hebt. Begin altijd met few-shot en schakel pas over naar fine-tuning als dat aantoonbaar betere resultaten oplevert.