คุณเคยขอให้ ChatGPT เขียนอีเมลธุรกิจ แต่โทนเสียงไม่เหมาะสมเลย? คุณต้องการให้ Claude สร้างหัวข้อที่ดึงดูดใจ แต่ผลลัพธ์ดูธรรมชาติเกินไป? Few-shot prompting แก้ปัญหานี้ได้โดยแสดงให้ AI เห็นว่าคุณต้องการอะไรพอดี แทนที่จะอธิบายเพียงอย่างเดียว เทคนิคนี้ประกอบด้วยการให้ตัวอย่างที่เป็นรูปธรรม 2-5 ตัวอย่างก่อนคำขอจริงของคุณ AI จะวิเคราะห์ตัวอย่างเหล่านี้ ระบุรูปแบบ และสร้างสไตล์เดียวกันสำหรับกรณีของคุณ มันเหมือนกับการแสดงให้ใครบางคนเห็นว่าจะพับเสื้อได้อย่างไร แทนที่จะอธิบายด้วยคำพูด: ผลลัพธ์จะทันทีและแม่นยำ ในคู่มือนี้ คุณจะได้เรียนรู้วิธีใช้ few-shot prompting เพื่อให้ได้คำตอบที่ตรงกับความคาดหวังของคุณพอดี โดยไม่มีศัพท์เทคนิคหรือทักษะการเขียนโปรแกรม
Few-shot prompting คืออะไร และมันทำงานอย่างไร?
Few-shot prompting เป็นเทคนิคที่ประกอบด้วยการให้ตัวอย่างหลายตัวอย่างแก่ AI ก่อนที่จะถามคำถามหรือคำขอจริงของคุณ ต่างจาก zero-shot (ไม่มีตัวอย่าง) ที่คุณเพียงแค่อธิบายสิ่งที่คุณต้องการ few-shot จะแสดงให้เห็นรูปแบบ โทนเสียง และโครงสร้างที่คาดหวังอย่างเป็นรูปธรรม
คำว่า "few-shot" หมายถึงตัวอักษร "ตัวอย่างไม่กี่ตัว": โดยทั่วไประหว่าง 2 ถึง 5 ตัวอย่าง เกินกว่านั้น คุณอาจจะทำให้บริบทหนาแน่นเกินไปโดยไม่ได้รับประโยชน์ด้านประสิทธิภาพ ต่ำกว่านั้น AI อาจไม่สามารถจับรูปแบบที่สมบูรณ์ได้
ในทางปฏิบัติ นี่คือโครงสร้างของ prompt few-shot:
- คุณให้ตัวอย่าง 2-5 ตัวอย่างของผลลัพธ์ที่คาดหวัง
- คุณนำเสนอกรณีจริงของคุณ
- AI สร้างคำตอบที่ตามรูปแบบเดียวกัน
มาดูตัวอย่างง่ายๆ กัน คุณต้องการให้ AI แปลงคำอธิบายผลิตภัณฑ์เป็นวลีที่ดึงดูดใจสำหรับ Instagram:
โดยไม่มี few-shot (ผลลัพธ์สุ่ม): "เขียนวลีที่ดึงดูดใจสำหรับ Instagram สำหรับผลิตภัณฑ์นี้: รองเท้าวิ่งเบา"
ด้วย few-shot (ผลลัพธ์ที่สอดคล้องกัน): "แปลงคำอธิบายเหล่านี้เป็นวลี Instagram:
ผลิตภัณฑ์: กระเป๋าเป้สะพายหลังกันน้ำ วลี: การผจญภัยของคุณไม่เคยหยุด แม้ว่าจะฝนตก 🎒
ผลิตภัณฑ์: กระบอกน้ำรักษาอุณหภูมิ วลี: 24 ชั่วโมงของความเย็น ไม่มีการประนีประนอม พันธมิตรใหม่ของคุณ 💧
ผลิตภัณฑ์: โคมไฟหน้าชาร์จได้ วลี: คืนกลายเป็นสนามเด็กเล่นของคุณ ส่องแสงไปตามเส้นทางของคุณ 🔦
ตอนนี้ ทำเช่นเดียวกันสำหรับ: ผลิตภัณฑ์: รองเท้าวิ่งเบา"
ด้วย few-shot AI จะเข้าใจทันทีโทนเสียง (พลวัต สั้น) โครงสร้าง (3 วลีสั้น) และสไตล์ (การใช้คำสรรพนาม ตัวอักษรเล็ก อีโมจิที่ส่วนท้าย) ผลลัพธ์จะสอดคล้องกับตัวอย่างของคุณ
ทำไม few-shot prompting จึงมีประสิทธิภาพมากกว่าการอธิบาย
Few-shot prompting ทำงานได้ดีกว่าเพราะตัวอย่างช่วยขจัดความคลุมเครือทั้งหมดเกี่ยวกับสิ่งที่คุณต้องการจริงๆ คำเช่น "ธุรกิจ" "สร้างสรรค์" หรือ "กระชับ" มีความหมายต่างกันไปตามแต่ละคน ตัวอย่างหนึ่งมีค่าเท่ากับคำอธิบายพันคำ
ตามเอกสารอย่างเป็นทางการของ Anthropic (ผู้สร้าง Claude) few-shot prompting ปรับปรุงความแม่นยำของคำตอบ 30 ถึง 50% สำหรับงานที่มีโครงสร้าง OpenAI ยืนยันผลลัพธ์ที่คล้ายกันกับ GPT-4
นี่คือเหตุผลที่เทคนิคนี้มีประสิทธิภาพมากขนาดนั้น:
ประหยัดเวลาทันที แทนที่จะทำซ้ำ 5 ครั้งเพื่ออธิบายว่า "โทนธุรกิจแต่เข้าถึงได้" หมายถึงอะไร คุณแสดง 2 ตัวอย่างและได้ผลลัพธ์ที่ถูกต้องในครั้งแรก
ความสอดคล้องที่รับประกัน เมื่อคุณต้องสร้างคำอธิบายผลิตภัณฑ์ 20 รายการ few-shot ช่วยให้แน่ใจว่าทั้งหมดตามรูปแบบเดียวกันพอดี เหมาะสำหรับงานที่ซ้ำๆ
การเรียนรู้สไตล์ AI จับความแตกต่างที่ละเอียดอ่อน: ความยาวของประโยค คำศัพท์เฉพาะ โครงสร้างของย่อหน้า ระดับความเป็นทางการ องค์ประกอบที่ยากต่อการอธิบายด้วยคำพูด
ลดข้อผิดพลาด โดยการแสดงสิ่งที่ถูกต้อง คุณก็แสดงสิ่งที่ไม่ถูกต้องด้วย AI หลีกเลี่ยงรูปแบบหรือโทนเสียงที่ไม่เหมาะสม
ตัวอย่างที่เป็นรูปธรรม: คุณต้องการแยกข้อมูลจากใบแจ้งหนี้ โดยไม่มี few-shot คุณต้องอธิบายอย่างแม่นยำแต่ละช่อง รูปแบบ วิธีจัดการกรณีพิเศษ ด้วย few-shot คุณแสดง 3 ตัวอย่างของใบแจ้งหนี้ที่ประมวลผลแล้ว และ AI สร้างการประมวลผลแบบเดียวกันสำหรับรายการต่อไป
วิธีสร้าง prompt few-shot ที่ดี: วิธีทีละขั้นตอน
Prompt few-shot ที่มีประสิทธิภาพจะตามโครงสร้างเดียวกันเสมอ: บริบท + ตัวอย่าง + คำแนะนำ + กรณีของคุณ ลำดับนี้ช่วยให้แน่ใจว่า AI เข้าใจว่าคุณต้องการอะไรพอดี
นี่คือวิธีที่สมบูรณ์:
ขั้นตอนที่ 1: กำหนดบริบท
เริ่มต้นด้วยประโยคที่อธิบายงานโดยรวม สิ่งนี้ช่วยให้ AI เข้าใจวัตถุประสงค์ทั่วไป
ตัวอย่าง: "คุณต้องแปลงความเห็นของลูกค้าเป็นคำให้การสั้นๆ สำหรับเว็บไซต์"
ขั้นตอนที่ 2: ให้ตัวอย่าง 2-5 ตัวอย่าง
เลือกตัวอย่างที่แสดงถึงความหลากหลายของกรณีที่คุณจะพบ หากคุณจัดการกับข้อความยาวและสั้น ให้แสดงทั้งสองแบบ หากบางกรณีซับซ้อน ให้รวมไว้ด้วย
รูปแบบที่แนะนำ:
อินพุต: [ตัวอย่างอินพุตของคุณ]
เอาต์พุต: [ผลลัพธ์ที่คาดหวัง]
แยกแต่ละตัวอย่างให้ชัดเจน ใช้บรรทัดว่างหรือตัวคั่นเช่น "---"
ขั้นตอนที่ 3: ให้คำแนะนำสุดท้าย
ประโยคง่ายๆ ที่แนะนำกรณีจริงของคุณ: "ตอนนี้ ทำเช่นเดียวกันสำหรับความเห็นใหม่นี้:" หรือ "ใช้การแปลงแบบเดียวกันกับ:"
ขั้นตอนที่ 4: นำเสนอกรณีของคุณ
ให้อินพุตที่คุณต้องการเอาต์พุต ในรูปแบบเดียวกับตัวอย่างของคุณ
นี่คือตัวอย่างที่สมบูรณ์สำหรับแปลงคำอธิบายทางเทคนิคเป็นภาษาธรรมชาติ:
แปลงคำอธิบายทางเทคนิคเหล่านี้เป็นวลีที่ทุกคนเข้าใจ:
ทางเทคนิค: โปรเซสเซอร์แปดแกนที่ 2.8 GHz พร้อมสถาปัตยกรรม ARM Cortex-A78
ง่าย: โปรเซสเซอร์ 8 แกนที่รวดเร็วมากซึ่งจัดการแอปพลิเคชันทั้งหมดของคุณโดยไม่ชะลอตัว
ทางเทคนิค: แบตเตอรี่ลิเธียม-โพลิเมอร์ 5000 mAh พร้อมการชาร์จเร็ว 65W
ง่าย: แบตเตอรี่ที่ใช้ได้ตลอดวันและชาร์จเต็มใน 45 นาที
ทางเทคนิค: หน้าจอ AMOLED 6.7 นิ้ว ความละเอียด 2400x1080 พิกเซล อัตราการรีเฟรช 120 Hz
ง่าย: หน้าจอขนาดใหญ่ที่สว่างและลื่นไหล เหมาะสำหรับวิดีโอและเกม
ตอนนี้ ทำให้คำอธิบายนี้ง่ายขึ้น:
ทางเทคนิค: เซนเซอร์ภาพ 50 เมกะพิกเซล พร้อมการทำให้เสถียรแบบออปติคัล OIS และช่องรับแสง f/1.8
AI จะตามรูปแบบตามธรรมชาติ: หลีกเลี่ยงศัพท์เทคนิค อธิบายประโยชน์ที่เป็นรูปธรรม ให้ประโยคสั้น
ข้อผิดพลาดทั่วไปที่ต้องหลีกเลี่ยงกับ few-shot prompting
ข้อผิดพลาดที่พบบ่อยที่สุดคือการให้ตัวอย่างที่ไม่สอดคล้องกัน ซึ่งทำให้ AI สับสนแทนที่จะให้คำแนะนำ หากตัวอย่างของคุณตามรูปแบบต่างกัน AI จะไม่รู้ว่าจะตามรูปแบบใด
นี่คือข้อผิดพลาดทั่วไปและวิธีหลีกเลี่ยง:
ตัวอย่างที่แตกต่างกันมากเกินไป
หากตัวอย่างแรกของคุณมี 2 บรรทัด ตัวอย่างที่สอง 10 บรรทัด และตัวอย่างที่สาม 1 ประโยค AI จะไม่รู้ว่าจะใช้ความยาวใด ให้รักษาความสอดคล้องในโครงสร้าง
ไม่ดี:
คำถาม: VPN คืออะไร?
คำตอบ: VPN เข้ารหัสการเชื่อมต่อของคุณ
คำถาม: Bluetooth ทำงานอย่างไร?
คำตอบ: Bluetooth เป็นเทคโนโลยีการสื่อสารไร้สายที่ช่วยให้สามารถเชื่อมต่ออุปกรณ์ในระยะใกล้ โดยปกติถึง 10 เมตร โดยใช้คลื่นวิทยุในย่านความถี่ 2.4 GHz
ดี:
คำถาม: VPN คืออะไร?
คำตอบ: VPN เข้ารหัสการเชื่อมต่ออินเทอร์เน็ตของคุณเพื่อปกป้องข้อมูลและซ่อนที่อยู่ IP ของคุณ
คำถาม: Bluetooth ทำงานอย่างไร?
คำตอบ: Bluetooth เชื่อมต่ออุปกรณ์ไร้สายในระยะใกล้โดยใช้คลื่นวิทยุที่ปลอดภัย
ตัวอย่างมากเกินไป (มากกว่า 5 ตัวอย่าง)
เกิน 5 ตัวอย่าง คุณจะสิ้นเปลืองโทเค็นโดยไม่ปรับปรุงคุณภาพ AI เข้าใจรูปแบบแล้ว ให้ลำดับความสำคัญ 3 ตัวอย่างที่เลือกอย่างดีแทน 8 ตัวอย่างที่ปานกลาง
ตัวอย่างที่ไม่ครอบคลุมกรณีขอบ
หากคุณจัดการกับข้อมูลที่อาจขาดหายไปหรือไม่สมบูรณ์ ให้แสดงวิธีจัดการกรณีเหล่านี้ มิฉะนั้น AI จะสร้างสรรค์
ลืมแยกตัวอย่างให้ชัดเจน
หากไม่มีการแยกที่ชัดเจน AI อาจสับสนว่าตัวอย่างหนึ่งสิ้นสุดและตัวอย่างถัดไปเริ่มต้นที่ใด ใช้บรรทัดว่างสองบรรทัดหรือตัวคั่น
ผสมผสาน few-shot และคำแนะนำยาว
หากคุณให้ 3 ตัวอย่างแล้วตามด้วยย่อหน้าคำแนะนำ 2 ย่อหน้า คุณจะยกเลิกข้อดีของ few-shot ให้ตัวอย่างพูดด้วยตัวเอง คำแนะนำสุดท้ายสั้นๆ ก็เพียงพอ
การทดสอบที่ดี: อ่านตัวอย่างของคุณอีกครั้ง หากคุณ (มนุษย์) เข้าใจรูปแบบทันที AI ก็จะเข้าใจด้วย หากคุณลังเล ให้ชัดเจนตัวอย่างของคุณ
กรณีการใช้งานที่เป็นรูปธรรมของ few-shot prompting สำหรับผู้เริ่มต้น
Few-shot prompting เป็นเลิศในงานที่ซ้ำๆ ทั้งหมดที่คุณต้องการรูปแบบหรือสไตล์ที่คงที่ นี่คือการใช้งานจริงที่คุณสามารถใช้ได้วันนี้ แม้ว่าจะไม่มีประสบการณ์
การเขียนอีเมลธุรกิจ
คุณต้องส่งอีเมลติดตามไปยังลูกค้า แสดง 2 ตัวอย่างของโทนที่คุณต้องการ (เป็นมิตร แต่กระชับ) และ AI สร้างอีเมลต่อไปในสไตล์เดียวกัน
การสร้างโพสต์สื่อสังคม
คุณจัดการบัญชี Instagram สำหรับธุรกิจของคุณ ให้ 3 ตัวอย่างของโพสต์ที่ทำงานได้ดี และ AI สร้างโพสต์ใหม่ที่เคารพโทนและโครงสร้างของคุณ
การแปลงข้อมูล
คุณมีรายการที่อยู่ 100 รายการที่ต้องจัดรูปแบบให้สอดคล้องกัน แสดง 3 ตัวอย่างของรูปแบบสุดท้าย และ AI ประมวลผลส่วนที่เหลือโดยอัตโนมัติ
สรุปการประชุม
คุณจดบันทึกระหว่างการประชุมและต้องการแปลงเป็นรายงานที่มีโครงสร้าง ให้ 2 ตัวอย่างของรายงานที่เขียนไว้ดี และ AI แปลงบันทึกต่อไปในรูปแบบเดียวกัน
การแปลด้วยสไตล์เฉพาะ
คุณแปลเนื้อหาการตลาดจากภาษาอังกฤษเป็นภาษาไทย การแปลตามตัวอักษรไม่ได้ผล แสดง 3 ตัวอย่างของการแปลที่ดัดแปลง (ซึ่งรักษาพลัง) และ AI จะตามวิธีการนี้
การจัดหมวดหมู่ความเห็นของลูกค้า
คุณได้รับความเห็นหลายร้อยรายการ แสดง 4 ตัวอย่างของความเห็นที่จัดหมวดหมู่แล้ว (บวก/เป็นกลาง/ลบ + หัวข้อ) และ AI จัดประเภทใหม่โดยอัตโนมัติ
ตารางสรุป:
| งาน | จำนวนตัวอย่าง | ประหยัดเวลา |
|---|---|---|
| อีเมลประเภท | 2-3 | 70% |
| โพสต์สื่อสังคม | 3-4 | 60% |
| การจัดรูปแบบข้อมูล | 2-3 | 85% |
| สรุปที่มีโครงสร้าง | 2-3 | 50% |
| การแปลที่ดัดแปลง | 3-5 | 65% |
| การจัดหมวดหมู่ | 4-5 | 80% |
Few-shot prompting เปลี่ยนงานที่ใช้เวลาหลายชั่วโมงให้เป็นเพียงไม่กี่นาที การลงทุนเริ่มต้น (สร้างตัวอย่างที่ดี) จะได้รับการชดเชยอย่างรวดเร็ว
Few-shot vs zero-shot vs one-shot: เลือกเทคนิคใด?
Few-shot (2-5 ตัวอย่าง) เหมาะสำหรับงานที่คุณต้องการรูปแบบหรือสไตล์ที่แม่นยำ zero-shot (0 ตัวอย่าง) สำหรับคำถามง่ายๆ และ one-shot (1 ตัวอย่าง) เมื่อรูปแบบชัดเจน แต่ละวิธีมีจุดแข็ง
Zero-shot: เมื่อใช้
Zero-shot หมายถึงการให้คำแนะนำโดยไม่มีตัวอย่าง ใช้สำหรับ:
- คำถามข้อเท็จจริงง่ายๆ ("เมืองหลวงของโปรตุเกสคืออะไร?")
- งานที่ชัดเจน ("แปลข้อความนี้เป็นภาษาอังกฤษ")
- การระดมสมองโดยไม่มีข้อจำกัดรูปแบบ
ข้อดี: รวดเร็ว ไม่ต้องเตรียมการ ข้อเสีย: ผลลัพธ์แปรปรวน การควบคุมน้อยลง
One-shot: ตัวเลือกกลาง
ตัวอย่างเดียวก็เพียงพอเมื่อรูปแบบง่ายและซ้ำๆ ตัวอย่างเช่น การจัดรูปแบบวันที่:
จัดรูปแบบวันที่นี้: 15/03/2024 → 15 มีนาคม 2024
ตอนนี้: 22/07/2024
ข้อดี: ประหยัดโทเค็น เขียนได้เร็ว ข้อเสีย: ความเสี่ยงของความคลุมเครือหากรูปแบบซับซ้อน
Few-shot: เมื่อใช้
Few-shot เหมาะสำหรับ:
- งานที่มีความแตกต่างของสไตล์หรือโทน
- รูปแบบที่ซับซ้อนพร้อมองค์ประกอบหลายรายการ
- สถานการณ์ที่ความสอดคล้องมีความสำคัญ
- สถานการณ์ที่มีข้อยกเว้นหรือกรณีพิเศษ
ข้อดี: ความแม่นยำสูงสุด ผลลัพธ์ที่สอดคล้องกัน ข้อเสีย: ใช้โทเค็นมากขึ้น ต้องมีตัวอย่างที่ดี
วิธีเลือก?
ถามตัวเองคำถามนี้: "หากฉันอธิบายงานนี้ให้เพื่อนร่วมงานฟัง ฉันจำเป็นต้องแสดงตัวอย่างหรือไม่?"
- ถ้าใช่ ใช้ few-shot
- ถ้าตัวอย่างเดียวก็เพียงพอ ใช้ one-shot
- ถ้าคำแนะนำด้วยคำพูดเพียงพอ ใช้ zero-shot
เมื่อสงสัย ให้เริ่มด้วย zero-shot หากผลลัพธ์ไม่เป็นไปตามที่คุณต้องการ ให้ไปที่ few-shot คุณจะเห็นความแตกต่างของคุณภาพทันที
เพื่อพัฒนาทักษะด้านการเขียน prompt เพิ่มเติม โปรดดู คู่มือที่ครอบคลุมเกี่ยวกับเทคนิค 10 อย่างที่ใช้ได้จริง คุณจะค้นพบวิธีรวม few-shot กับวิธีอื่นๆ เช่น chain-of-thought เพื่อให้ AI ใช้เหตุผลทีละขั้นตอน
บทสรุป
Few-shot prompting เป็นเทคนิคที่ง่ายที่สุดในการได้รับผลลัพธ์ที่สอดคล้องและแม่นยำจาก AI โดยการแสดง 2-5 ตัวอย่างที่เป็นรูปธรรมแทนที่จะอธิบายสิ่งที่คุณต้องการ คุณจะขจัดความคลุมเครือและประหยัดเวลาอย่างมาก วิธีการนี้ใช้ได้กับงานที่ซ้ำๆ ทั้งหมด: อีเมล โพสต์สื่อสังคม การแปลงข้อมูล สรุปที่มีโครงสร้าง เริ่มต้นด้วยการระบุงานที่คุณทำซ้ำบ่อย สร้าง 3 ตัวอย่างของผลลัพธ์ที่เหมาะสม และปล่อยให้ AI สร้างรูปแบบนี้ ผลลัพธ์จะทำให้คุณประหลาดใจตั้งแต่การใช้ครั้งแรก
หากคุณเพิ่งเริ่มต้นกับ AI ให้ค้นพบ วิธีใช้ ChatGPT เมื่อคุณเพิ่งเริ่มต้น และสำรวจ 50 prompt ที่มีประโยชน์ในการใช้ทุกวัน เพื่อให้ได้แรงบันดาลใจ
