Few-shot Prompting / Az Örnekli İstem Verme

Az Örnekli İstem Verme, üretken yapay zekâ modellerine istenen görevin nasıl yerine getirileceğini öğretmek amacıyla birden fazla örnek sunularak hazırlanan istem oluşturma tekniğidir. Bu yöntemde kullanıcı, görev tanımının yanı sıra modele birkaç giriş-çıkış örneği verir ve modelden aynı örüntüyü takip ederek yeni bir çıktı üretmesi beklenir. Few-shot Prompting, Zero-shot Prompting (örneksiz istem) ve One-shot Prompting (tek örnekli istem) yaklaşımlarının geliştirilmiş bir versiyonu olarak kabul edilir. Özellikle görevin karmaşık olduğu, belirli bir yazım biçiminin korunmasının gerektiği veya modelin beklenen çıktıyı yalnızca görev açıklamasından anlamakta zorlanabileceği durumlarda oldukça etkili sonuçlar vermektedir.

Few-shot Prompting’de verilen örnekler, model için bir öğrenme sinyali oluşturur. Ancak burada herhangi bir yeniden eğitim (training) yapılmaz; model yalnızca istem içerisinde sunulan örneklerden yararlanarak yeni görevi yerine getirir. Örneğin kullanıcı aşağıdaki gibi bir istem hazırlayabilir:

Örnek 1
Girdi: “Harika bir ürün.”
Çıktı: “Olumlu”

Örnek 2
Girdi: “Beklediğim gibi çıkmadı.”
Çıktı: “Olumsuz”

Örnek 3
Girdi: “Ürün fena değil.”
Çıktı: “Nötr”

Şimdi sınıflandır:
Girdi: “Kargo çok hızlı geldi.”

Model, verilen örneklerden duygu analizi biçimini öğrenerek son cümleyi aynı formatta sınıflandıracaktır. Benzer şekilde çeviri, metin özetleme, bilgi çıkarımı, soru-cevap, kod üretimi, tablo oluşturma, belge sınıflandırma ve akademik yazım gibi birçok görevde birkaç örnek sunulması, modelin beklenen çıktı yapısını daha doğru anlamasını sağlamaktadır.

Few-shot Prompting; doğal dil işleme, yazılım geliştirme, eğitim, hukuk, sağlık, finans ve kurumsal yapay zekâ uygulamalarında yaygın olarak kullanılmaktadır. En önemli avantajı, modelin yeniden eğitilmesine gerek kalmadan yalnızca birkaç örnek yardımıyla belirli bir göreve kolayca uyum sağlayabilmesidir. Özellikle çıktı formatının standart olması gereken uygulamalarda doğruluk ve tutarlılığı önemli ölçüde artırmaktadır. Bununla birlikte çok fazla örnek kullanılması istemin gereksiz şekilde uzamasına, bağlam penceresinin (context window) daha fazla kullanılmasına ve işlem maliyetinin artmasına neden olabilir. Ayrıca seçilen örneklerin yetersiz veya temsil gücünün düşük olması, modelin yanlış genellemeler yapmasına yol açabilir. Bu nedenle Few-shot Prompting’de verilen örneklerin kaliteli, çeşitli ve görevi doğru temsil edecek şekilde hazırlanması büyük önem taşımaktadır.

Günümüzde Few-shot Prompting, ChatGPT, GPT-5, Gemini, Claude, Llama ve DeepSeek gibi büyük dil modelleriyle çalışan geliştiriciler ve araştırmacılar tarafından en sık kullanılan Prompt Engineering tekniklerinden biridir. Özellikle kurumsal yapay zekâ uygulamalarında, model davranışını istenen biçimde yönlendirmek, çıktı kalitesini artırmak ve belirli standartları korumak amacıyla yaygın olarak tercih edilmektedir.