Kỹ thuật Few-Shot Learning

Hãy dạy AI các mẫu mới bằng cách đưa ra ví dụ. Nắm vững kỹ thuật giúp các prompt trở nên đáng tin cậy hơn đáng kể.

Kỹ thuật mạnh mẽ nhất

Trong bài học trước, chúng ta đã khám phá các vai trò và nhân cách. Bây giờ, hãy xây dựng trên nền tảng đó. Nếu chỉ có thể dạy bạn một kỹ thuật nâng cao, thì đó sẽ là kỹ thuật này.

Few-shot learning – đưa ra ví dụ về những gì bạn muốn – cực kỳ hiệu quả. Nó thường giải quyết các vấn đề mà không có hướng dẫn nào có thể khắc phục được. Nó biến các đầu ra không nhất quán thành đầu ra đáng tin cậy. Nó cho phép bạn dạy AI các định dạng, kiểu dáng và logic tùy chỉnh mà nó không được đào tạo rõ ràng.

Và hầu hết mọi người không sử dụng nó. Thay vào đó, họ viết các hướng dẫn dài hơn.

Bài học này sẽ chỉ cho bạn cách sử dụng ví dụ đúng cách.

Few-shot learning là gì?

Thuật ngữ này xuất phát từ Machine Learning:

• Zero-shot: Chỉ đưa ra hướng dẫn, không có ví dụ
• One-shot: Đưa ra 1 ví dụ
• Few-shot: Đưa ra 2 - 5 ví dụ

Trên thực tế, “few-shot prompting” nghĩa là bao gồm các ví dụ đầu vào - đầu ra thể hiện mẫu bạn muốn.

Zero-shot:

Phân loại tin nhắn khách hàng sau đây là Tích cực, Tiêu cực hoặc Trung lập.

Tin nhắn: “Sản phẩm bị hư hỏng khi nhận được và không ai giúp tôi”.

Few-shot:

Phân loại tin nhắn khách hàng là Tích cực, Tiêu cực hoặc Trung lập.

Ví dụ:

Tin nhắn: “Tôi thích sản phẩm này! Đây là món đồ mua tốt nhất tôi từng mua trong năm nay.” Phân loại: Tích cực

Tin nhắn: “Tạm được, không có gì đặc biệt nhưng hoạt động tốt.” Phân loại: Trung lập

Tin nhắn: “Đã đợi 3 tuần mà vẫn chưa nhận được hàng. Thật kinh khủng.” Phân loại: Tiêu cực

Bây giờ, hãy phân loại tin nhắn này: Tin nhắn: “Sản phẩm bị hư hỏng khi nhận được và không ai giúp tôi.”

Phiên bản few-shot dài hơn nhưng đáng tin cậy hơn nhiều. AI nhận ra mẫu, khớp với định dạng và đưa ra kết quả nhất quán.

Tại sao ví dụ lại tốt hơn hướng dẫn?

Hướng dẫn cho AI biết phải làm gì. Ví dụ minh họa điều đó.

Và minh họa tốt hơn lời nói vì lý do tương tự như với con người. Khi bạn nói “viết bằng giọng văn thân mật”, điều đó mang tính chủ quan. Giọng văn thân mật của bạn và người khác có thể khác nhau.

Nhưng khi bạn đưa ra 3 ví dụ về giọng điệu thông thường của mình? Trí tuệ nhân tạo (AI) sẽ tự điều chỉnh chính xác theo ý bạn thực sự muốn nói.

Ví dụ hiệu quả vì chúng:

• Giảm sự mơ hồ - Không cần diễn giải
• Thiết lập định dạng - AI bắt chước cấu trúc một cách chính xác
• Thiết lập giọng điệu - Giọng nói của bạn được minh họa
• Xử lý các trường hợp ngoại lệ - Cho thấy cách xử lý các đầu vào phức tạp

Cấu trúc của các ví dụ tốt

Không phải tất cả các ví dụ đều hữu ích như nhau. Đây là những yếu tố làm cho các ví dụ hiệu quả:

1. Đầu vào thực tế

Sử dụng các ví dụ trông giống như dữ liệu thực mà bạn sẽ xử lý.

Tệ: Dữ liệu thử nghiệm trông giả tạo

Đầu vào: "Tin nhắn thử nghiệm ở đây"

Đầu ra: "Phản hồi thử nghiệm"

Tốt: Các trường hợp đại diện thực tế

Đầu vào: "Chào, tôi đã đặt đơn hàng #4521 tuần trước nhưng trạng thái hiển thị là đang chờ xử lý?"

Đầu ra: "Truy vấn trạng thái đơn hàng - Đơn hàng #4521 - Mức độ ưu tiên: Bình thường"

2. Các trường hợp đa dạng

Cho thấy sự đa dạng để dạy toàn bộ mẫu, không chỉ một trường hợp.

Nếu phân loại cảm xúc, hãy bao gồm:

• Rõ ràng tích cực
• Rõ ràng tiêu cực
• Mơ hồ/trung lập
• Hỗn hợp (cả yếu tố tích cực và tiêu cực)

Nếu trích xuất dữ liệu, hãy bao gồm:

• Thông tin đầy đủ
• Thông tin không đầy đủ
• Thiếu các trường bắt buộc

3. Định dạng nhất quán

Mỗi ví dụ nên tuân theo cùng một định dạng. AI học được mẫu từ sự nhất quán.

Tệ: Định dạng không nhất quán

Đầu vào: "Sản phẩm tuyệt vời!"
→ Cảm xúc tích cực

Thông điệp: Tôi ghét phải chờ đợi
Phân loại = Tiêu cực

Tốt: Cấu trúc nhất quán

Đầu vào: "Sản phẩm tuyệt vời!"
Phân loại: Tích cực

Đầu vào: "Tôi ghét phải chờ đợi"
Phân loại: Tiêu cực

4. Các trường hợp ngoại lệ

Bao gồm ít nhất một ví dụ xử lý trường hợp phức tạp.

Đối với phân tích cảm xúc, bạn có thể hiển thị như sau:

Đầu vào: "Sản phẩm tốt nhưng vận chuyển tệ"
Phân loại: Hỗn hợp
Lý luận: Tích cực về sản phẩm, tiêu cực về vận chuyển

Điều này dạy AI phải làm gì khi đầu vào không khớp một cách rõ ràng.

Cần bao gồm bao nhiêu ví dụ?

Kiểm tra nhanh: Trước khi tiếp tục, bạn có nhớ khái niệm chính mà chúng ta vừa học không? Hãy thử giải thích lại bằng lời của mình trước khi tiếp tục.

Nghiên cứu và kinh nghiệm thực tiễn đều hội tụ ở một số điểm sau:

Càng nhiều ví dụ càng chiếm nhiều không gian cửa sổ ngữ cảnh. Sau 5 - 6 ví dụ, bạn thường đạt được kết quả tốt hơn bằng cách cải thiện chất lượng ví dụ thay vì tăng số lượng.

Template Few-Shot

Đây là cấu trúc đáng tin cậy:

[MÔ TẢ NHIỆM VỤ]
Giải thích ngắn gọn những gì bạn muốn.

[VÍ DỤ]

--- Đầu vào: [ví dụ đầu vào 1]
Đầu ra: [ví dụ đầu ra 1]

--- Đầu vào: [ví dụ đầu vào 2]
Đầu ra: [ví dụ đầu ra 2]

--- Đầu vào: [ví dụ đầu vào 3]
Đầu ra: [ví dụ đầu ra 3]

---
[YÊU CẦU THỰC TẾ]
Bây giờ, hãy xử lý những điều sau:

Đầu vào: [đầu vào thực tế của bạn]
Đầu ra:

Phần “Đầu ra:” ở cuối báo hiệu cho AI phản hồi theo cùng một định dạng.

Ví dụ minh họa: Phân loại sản phẩm

Hãy xây dựng một câu hỏi ngắn (không cần huấn luyện) để phân loại sản phẩm thương mại điện tử.

Nhiệm vụ: Phân loại sản phẩm vào các phòng ban dựa trên tiêu đề của chúng.

Bắt đầu đơn giản (zero-shot):

Hãy phân loại sản phẩm này vào danh mục: "Tai nghe chống ồn không dây Sony WH-1000XM5"

Cách này có thể hiệu quả, nhưng kết quả sẽ khác nhau. "Đồ điện tử"? "Âm thanh"? "Tai nghe"? "Công nghệ"?

Thêm ví dụ (few-shot):

Phân loại sản phẩm vào đúng danh mục.

Các danh mục hiện có: Điện tử, Đồ gia dụng & Nhà bếp, Quần áo, Thể thao & Ngoài trời, Sách, Đồ chơi & Trò chơi

--- Sản phẩm: "Nồi áp suất điện Instant Pot Duo 7 trong 1"
Danh mục: Đồ gia dụng & Nhà bếp

Sản phẩm: "Giày chạy bộ Nike Revolution 6 dành cho nam"
Danh mục: Quần áo

Sản phẩm: "Máy đọc sách điện tử Kindle Paperwhite 16GB"
Danh mục: Điện tử

Sản phẩm: "Bộ lắp ráp LEGO Star Wars Millennium Falcon"
Danh mục: Đồ chơi & Trò chơi

---
Bây giờ hãy phân loại:

Sản phẩm: "Tai nghe không dây chống ồn Sony WH-1000XM5"
Danh mục:

Giờ đây, AI đã biết chính xác nên sử dụng những danh mục nào và định dạng câu trả lời như thế nào. Nhất quán, mọi lúc.

Phương pháp Few-Shot để nắm bắt phong cách và giọng điệu

Các ví dụ đặc biệt hiệu quả trong việc thể hiện giọng nói. Những chỉ dẫn như "nói chuyện chuyên nghiệp nhưng thân thiện" thì khá mơ hồ. Ví dụ sẽ làm cho nó cụ thể hơn.

Bạn đang viết thư trả lời khách hàng. Hãy viết theo phong cách này:

--- Khách hàng: "Đơn hàng của tôi đâu?"

Phản hồi: "Tôi hoàn toàn hiểu việc chờ đợi thật khó chịu! Để tôi kiểm tra ngay cho bạn. Số đơn hàng của bạn là gì?"

Khách hàng: "Sản phẩm này bị hỏng sau một ngày."

Phản hồi: "Ồ không, điều đó chắc chắn không ổn. Chúng tôi sẽ khắc phục vấn đề này. Bạn có thể gửi cho tôi một bức ảnh nhanh về vấn đề đó không? Tôi sẽ gửi sản phẩm thay thế cho bạn sớm nhất có thể."

Khách hàng: "Các bạn có giao hàng quốc tế không?"

Phản hồi: "Có! Thời gian giao hàng khác nhau tùy thuộc vào địa điểm — thường là 7-14 ngày đối với đơn hàng quốc tế. Các bạn đang giao hàng đến quốc gia cụ thể nào?"

---

Bây giờ hãy trả lời:
Khách hàng: "Tôi có thể thay đổi địa chỉ giao hàng không?"

Phản hồi:

Trí tuệ nhân tạo (AI) giờ đây đã có một mô hình cụ thể về giọng nói của bạn - thoải mái, hữu ích, hướng đến hành động. Nó sẽ khớp chính xác với phong cách đó.

Những lỗi thường gặp

• Lỗi 1: Ví dụ không khớp với dữ liệu thực tế. Các ví dụ của bạn chỉ thể hiện những trường hợp đơn giản, nhưng dữ liệu thực tế lại phức tạp hơn. AI sẽ không biết cách xử lý sự phức tạp đó.
• Lỗi 2: Định dạng không nhất quán giữa những ví dụ. AI học hỏi từ các mẫu. Sự không nhất quán sẽ gây nhầm lẫn.
• Lỗi 3: Tất cả các ví dụ đều cùng loại. Nếu mọi ví dụ đều là trường hợp tích cực, AI có thể gặp khó khăn với các trường hợp tiêu cực.
• Lỗi 4: Ví dụ quá dài. Các ví dụ quá dài sẽ làm mất đi ngữ cảnh. Hãy giữ cho chúng ngắn gọn - đủ để thể hiện mẫu, không hơn.

Những điểm chính cần ghi nhớ

• Few-shot learning nghĩa là dạy bằng cách xem ví dụ - thường hiệu quả hơn so với hướng dẫn dài dòng
• 3 - 5 ví dụ thường đạt được sự cân bằng tối ưu giữa phạm vi bao quát và hiệu quả
• Các ví dụ tốt cần thực tế, đa dạng, nhất quán và bao gồm cả các trường hợp ngoại lệ
• Định dạng các ví dụ giống hệt nhau - mẫu đó là điều mà AI học được
• Kết thúc bằng “Đầu ra:” để chuẩn bị cho AI khớp với định dạng của bạn