Few-shot prompting

Engenharia rápida com a API OpenAI

Fouad Trad

Machine Learning Engineer

Few-shot prompting

Modelo recebe exemplos (pares pergunta–resposta)

Uma representação visual de um prompt few-shot mostrando sua estrutura com perguntas e respostas de exemplo e, por fim, a pergunta que queremos que o modelo responda.

Few-shot prompting

Modelo recebe exemplos (pares pergunta–resposta)

Um diagrama visual mostrando como enviamos um prompt few-shot para o LLM.

Few-shot prompting

Modelo recebe exemplos (pares pergunta–resposta)

Um diagrama visual mostrando como enviamos um prompt few-shot para o LLM e recebemos uma resposta.

Few-shot prompting

Modelo recebe exemplos (pares pergunta–resposta)

Um diagrama visual mostrando como enviamos um prompt few-shot para o LLM e recebemos uma resposta.

Número de exemplos:
- Zero -> zero-shot prompting
- Um -> one-shot prompting
- Mais de um -> few-shot prompting

Zero-shot prompting

Fornecer um prompt sem exemplos
O modelo responde com base no próprio conhecimento
Ideal para tarefas rápidas e simples

prompt = "What is prompt engineering?"
print(get_response(prompt))

Prompt engineering refers to designing and refining prompts or instructions given 
to a language model like ChatGPT to elicit desired responses or behaviors. It 
involves formulating specific guidelines or hints to guide the model's output 
towards a desired outcome.

One-shot prompting

Forneça ao modelo um único exemplo
Útil para manter formatação ou estilo consistentes

prompt =  """ 
Q: Sum the numbers 3, 5, and 6. A: 3+5+6=14
Q: Sum the numbers 2, 4, and 7. A: 
"""
print(get_response(prompt))

2+4+7=13

One-shot prompting

prompt = """
Q: Sum the numbers 3, 5, and 6. A: The sum of 3, 5, and 6 is 14
Q: Sum the numbers 2, 4, and 7. A: 
"""
print(get_response(prompt))

The sum of 2, 4, and 7 is 13

Few-shot prompting

Forneça mais de um exemplo
Potente para tarefas contextuais

prompt = """
Text: Today the weather is fantastic -> Classification: positive
Text: The furniture is small -> Classification: neutral
Text: I don't like your attitude -> Classification: negative

"""

Few-shot prompting

Forneça mais de um exemplo
Potente para tarefas contextuais

prompt = """
Text: Today the weather is fantastic -> Classification: positive
Text: The furniture is small -> Classification: neutral
Text: I don't like your attitude -> Classification: negative
Text: That shot selection was awful -> Classification: 
"""
print(get_response(prompt))

negative

Few-shot prompting com um modelo de chat

response = client.chat.completions.create(
  model = "gpt-3.5-turbo",

  messages = [{"role": "user",
             "content": "Today the weather is fantastic"},

             {"role": "assistant",
             "content": "positive"},

              {"role": "user",
             "content": "I don't like your attitude"},
              {"role": "assistant",
             "content": "negative"},

              {"role": "user",
             "content": "That shot selection was awful"}
             ],
  temperature = 0
)

print(response.choices[0].message.content)

negative

Considerações

Escolha o número de shots conforme a complexidade da tarefa
- Menos shots -> tarefas básicas
- Shots diversos -> tarefas complexas

Uma imagem mostrando uma pessoa se questionando.

Vamos praticar!

Engenharia rápida com a API OpenAI