Few-shot Prompting

Prompt-Engineering mit der OpenAI-API

Fouad Trad

Machine Learning Engineer

Few-shot Prompting

Modell mit Beispielen bereitgestellt (Frage-Antwort-Paare)

Eine visuelle Darstellung eines Few-Shot-Prompt mit seiner Struktur, Beispiel-Fragen und -Antworten und schließlich der Frage, die das Modell beantworten soll.

Few-shot Prompting

Modell mit Beispielen bereitgestellt (Frage-Antwort-Paare)

Ein visuelles Diagramm, das zeigt, wie wir einen Few-Shot-Prompt an das LLM senden.

Few-shot Prompting

Modell mit Beispielen bereitgestellt (Frage-Antwort-Paare)

Ein visuelles Diagramm, das zeigt, wie wir einen Few-Shot-Prompt an das LLM senden und im Gegenzug eine Antwort erhalten.

Few-shot Prompting

Modell mit Beispielen bereitgestellt (Frage-Antwort-Paare)

Ein visuelles Diagramm, das zeigt, wie wir einen Few-Shot-Prompt an das LLM senden und im Gegenzug eine Antwort erhalten. Anzahl der Proben

- Zero -> zero-shot Prompting

Zero-Shot-Prompting

Einen Prompt ohne Beispiele bereitstellen
Das Modell generiert Antworten basierend auf seinem Wissen
Ideal für schnelle und unkomplizierte Aufgaben

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

Geben Sie dem Modell ein einzelnes Beispiel
Nützlich für einheitliche Formatierung oder Stil

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

Mehr als ein Beispiel angeben
Leistungsstark für kontextbezogene Aufgaben

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

Mehr als ein Beispiel angeben
Leistungsstark für kontextbezogene Aufgaben

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 mit einem Chatmodell

response = client.chat.completions.create(
  model = "gpt-4o-mini",

  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

Überlegungen

Wähle die Anzahl der Aufnahmen entsprechend der Aufgabenkomplexität
- Weniger Aufnahmen -> grundlegende Aufgaben
- Verschiedene Aufnahmen -> komplexe Aufgaben

Ein Bild, das eine Person zeigt, die sich selbst hinterfragt.

Lass uns üben!

Prompt-Engineering mit der OpenAI-API