Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Few-Shot Prompting

Oppitunti 5 / 16 Päivitetty 28. heinäkuuta 2026 Aloittelija
Tällä sivulla
  1. Oppi esimerkeistä
  2. Zero-shot, one-shot, few-shot: kolme ohjaustasoa
  3. Few-shotin toteuttaminen Mistral API:n kanssa
  4. Milloin käyttää few-shotia
  5. Kuinka monta esimerkkiä kannattaa antaa
  6. Rakenna hyviä esimerkkejä
  7. Keskeiset asiat

Oppi esimerkeistä

Few-shot prompting tarkoittaa sitä, että annat mallille yhden tai useamman esimerkin suoritettavasta tehtävästä ennen varsinaisen pyynnön esittämistä. Sen sijaan, että selittäisit abstraktisti mitä odotat, näytät sen konkreettisesti – aivan kuin kouluttaja, joka kahdenkymmenen minuutin hyvän kokousraportin kuvaamisen sijaan jakaa kaksi hyvin kirjoitettua näytettä ja antaa osallistujien omaksua ne. Tämä tekniikka on yksi tehokkaimmista tavoista saada tarkkoja ja johdonmukaisia tuloksia Mistral-malleilla.

Periaate on yksinkertainen: malli käyttää annettuja esimerkkejä ymmärtääkseen odotetun muodon, sävyn, yksityiskohtaisuuden tason ja logiikan, minkä jälkeen se toistaa tämän kaavan pyynnöllesi. Hyvin valittu esimerkki korvaa usein kokonaisen kappaleen selitystä – ja tekee sen paremmin.

Zero-shot, one-shot, few-shot: kolme ohjaustasoa

Alan sanasto erottaa kolme varianttia esimerkkien määrän perusteella. Zero-shot-tilanteessa annat ohjeen ilman esimerkkejä, ja malli luottaa yksinomaan omaan tietämykseensä:

Classify the sentiment of this text as positive, neutral, or negative:
"Customer service was responsive but delivery was late."

Zero-shot toimii yksinkertaisissa, yleisissä tehtävissä, joita malli on kohdannut tuhansia kertoja harjoittelunsa aikana. Liiketoimintakohtaisissa tehtävissä se on usein riittämätön: malli luokittelee, mutta ei välttämättä kriteeriesi mukaan.

One-shot-tilanteessa yksi esimerkki riittää joskus ohjaamaan mallia. Esimerkki näyttää sekä tulosteen muodon että tavan perustella vastaus:

Classify the sentiment and justify in one sentence.

Example:
Text: "Excellent product, highly recommended!"
Sentiment: positive
Justification: Expression of enthusiasm and explicit recommendation.

To classify:
Text: "Customer service was responsive but delivery was late."
Sentiment:
Justification:

Few-shot-menetelmässä useat esimerkit vähentävät epäselvyyksiä ja vahvistavat johdonmukaisuutta. Tämä on erityisen hyödyllistä, kun rajatapauksia on paljon – kuten tässä sekavassa arvostelussa, joka yhdistää myönteisen ja kielteisen pointin:

Classify the sentiment and justify in one sentence.

Example 1:
Text: "Excellent product, highly recommended!"
Sentiment: positive
Justification: Expression of enthusiasm and explicit recommendation.

Example 2:
Text: "The price is fair for what it is."
Sentiment: neutral
Justification: Factual evaluation without strong emotion.

Example 3:
Text: "Three weeks of waiting for a defective product."
Sentiment: negative
Justification: Delay issue combined with a quality defect.

To classify:
Text: "Customer service was responsive but delivery was late."
Sentiment:
Justification:

Kun malli saa kolme esimerkkiä, jotka kattavat kaikki kolme luokkaa, se näkee miltä jokainen tapaus näyttää ja kalibroi vastauksensa sen mukaisesti.

Few-shotin toteuttaminen Mistral API:n kanssa

Tekstikehotteessa esimerkit pinotaan päällekkäin kuten edellä. API:a käytettäessä on kuitenkin siistimpi menetelmä: käytä user- ja assistant-rooleja luodaksesi keinotekoisia vuorovaikutuksia, jotka toimivat esimerkkeinä. Luot tyhjästä keskusteluhistorian, jossa malli on “jo” vastannut täydellisesti:

messages = [
    {
        "role": "system",
        "content": "You classify customer reviews. Respond only with the indicated format."
    },
    # Example 1
    {
        "role": "user",
        "content": "Classify: \"Excellent product, highly recommended!\""
    },
    {
        "role": "assistant",
        "content": "Sentiment: positive\nJustification: Expression of enthusiasm and explicit recommendation."
    },
    # Example 2
    {
        "role": "user",
        "content": "Classify: \"Three weeks of waiting for a defective product.\""
    },
    {
        "role": "assistant",
        "content": "Sentiment: negative\nJustification: Delay issue combined with a quality defect."
    },
    # Actual request
    {
        "role": "user",
        "content": "Classify: \"Customer service was responsive but delivery was late.\""
    }
]

Kun välität esimerkit user/assistant-viesteinä, malli käsittelee niitä onnistuneena keskusteluhistoriana, jota sen tulee jatkaa samaan tyyliin. Tämä on ensisijainen malli heti, kun siirryt tuotantoympäristöön: esimerkit pysyvät erillään datasta, ja niitä on helppo ylläpitää ja täydentää.

Milloin käyttää few-shotia

Few-shot loistaa neljässä tilanteessa. Ensinnäkin räätälöity luokittelu: kun kategoriasi eivät ole standardoituja – esimerkiksi yrityksellesi ominaiset sisäiset tukipyyntötyypit – mikään kuvaus ei voita muutamaa jo luokiteltua tapausta. Toiseksi datan poiminta, kun tulosteen muoto on organisaatiollesi ominainen. Kolmanneksi kirjoittaminen tietyllä sävyllä: jos haluat mallin omaksuvan toimituksellisen tyylisi, näytä sille kaksi tai kolme omaa tekstiäsi sen sijaan, että yrittäisit kuvailla tyyliäsi adjektiiveilla. Viimeisenä yleisesti epäselvät tehtävät: heti kun tekstikuvaus ei riitä poistamaan epäilyksiä, esimerkki ratkaisee asian.

Kuinka monta esimerkkiä kannattaa antaa

Optimaalinen määrä riippuu tehtävän monimutkaisuudesta. Yksinkertaisessa tehtävässä, jossa muoto on selkeä – binäärinen luokittelu, yhden kentän poiminta – yksi tai kaksi esimerkkiä riittää. Tehtävissä, joissa on useita kategorioita tai monimutkainen muoto, laske varaan kolmesta viiteen esimerkkiä, ihannetapauksessa yksi per kategoria. Yli viiden esimerkin käytössä ollaan hyvin spesifien tehtävien tai sellaisten parissa, joissa on runsaasti rajatapauksia, jotka on katettava nimenomaisesti.

Pidä kuitenkin kustannukset mielessä: jokainen esimerkki kuluttaa input-tokensia, ja Mistral-malleilla input-tokensit ovat maksullisia. Luokittelukehote, jota kutsutaan kymmenentuhatta kertaa päivässä kahdeksalla redundanttilla esimerkillä, maksaa huomattavasti enemmän kuin sama kehote kolmella hyvin valitulla esimerkillä, usein ilman laadun paranemista. Löydä oikea tasapaino tarkkuuden ja tehokkuuden välillä.

Rakenna hyviä esimerkkejä

Muutama paras käytäntö lopuksi. Vaihtele esimerkkejäsi kattamaan erilaisia mahdollisia tapauksia, mukaan lukien rajatapaukset: kolme pelkästään myönteistä esimerkkiä ei opeta mitään kielteisten arvostelujen käsittelystä. Pidä muoto ehdottoman identtisenä esimerkistä toiseen – pieninkin variaatio rakenteessa tulkitaan merkittäväksi ja se toistetaan. Käytä realistisia esimerkkejä, jotka ovat lähellä todellista dataasi: malli, joka on harjoiteltu aidolla asiakasarvosteludatallasi, luokittelee todelliset asiakasarvostelusi paremmin kuin jos se olisi nähnyt vain oppikirjamaisia fraaseja. Ja sijoita aina varsinainen pyyntö viimeiseksi: malli kiinnittää eniten huomiota kehotteen alkuun ja loppuun.

Keskeiset asiat

  • Few-shot prompting näyttää mallille esimerkein, mitä odotat
  • Käytä user/assistant-rooleja esimerkkien luomiseen Mistral API:ssa
  • Useimmissa tapauksissa 1–5 esimerkkiä riittää
  • Vaihtele esimerkkejä kattamaan eri skenaarioita, pidä muoto kaikkialla identtisenä
  • Few-shot on ihanteellinen luokitteluun, datan poimintaan ja kirjoittamiseen tietyssä muodossa