Yapay zekâ modelleri, yalnızca verilen talimatlardan değil, sunulan örneklerden de öğrenebilir. Basit görevlerde bir veya birkaç örnek yeterli olabilirken, karmaşık iş akışlarında daha fazla örnek kullanmak modelin beklenen kalıbı daha doğru anlamasına yardımcı olabilir. Bu yaklaşım Multi-shot Prompting (Çok Örnekli İstem Verme) olarak adlandırılır. Multi-shot Prompting, modele çok sayıda örnek giriş–çıkış çifti sunulduktan sonra yeni bir görevi aynı mantıkla yerine getirmesinin istendiği istem tekniğidir. Amaç, modele yalnızca görevi anlatmak değil; farklı durumları, istisnaları ve beklenen çıktı biçimini çok sayıda örnekle göstermektir. Bu yöntem özellikle karmaşık sınıflandırma, kurumsal standartlara uygun içerik üretimi ve özel iş akışlarında tercih edilmektedir.
Multi-shot Prompting nedir?
Multi-shot Prompting, büyük dil modeline aynı göreve ait çok sayıda örnek göstererek ortak kuralları ve örüntüleri çıkarmasını sağlayan istem tekniğidir. Genel kabul gören yaklaşım şu şekildedir:
- Zero-shot Prompting → Örnek yoktur.
- One-shot Prompting → Bir örnek vardır.
- Few-shot Prompting → Genellikle 2–5 örnek kullanılır.
- Multi-shot Prompting → Çok sayıda örnek (örneğin 6, 10 veya daha fazla) kullanılır. Özellikle çok sayıda senaryo veya istisnanın gösterilmesi gereken görevlerde tercih edilir.
Not: Akademik literatürde “Multi-shot Prompting” çoğu zaman Few-shot Prompting’in genişletilmiş bir biçimi olarak değerlendirilmektedir. Ayrı bir standart yöntemden ziyade, örnek sayısının artırıldığı bir uygulamadır.
Nasıl çalışır?
Multi-shot Prompting’de süreç aşağıdaki adımlardan oluşur:
- Kullanıcı görevi tanımlar.
- Aynı göreve ait çok sayıda örnek ekler.
- Model tüm örneklerdeki ortak kuralları analiz eder.
- İstisnaları ve farklı senaryoları öğrenir.
- Yeni girdiyi aynı kurallarla değerlendirir.
Model yeniden eğitilmez. Öğrenme yalnızca istem içerisindeki örnekler üzerinden gerçekleşir ve buna In-Context Learning (Bağlam İçi Öğrenme) denir.
Basit örnek
Görev
Aşağıdaki yorumları sınıflandır.
Örnek 1: “Ürün beklediğimden çok daha kaliteli.”
Sonuç: Olumlu
Örnek 2: “Teslimat oldukça gecikti.”
Sonuç: Olumsuz
Örnek 3: “Kargo bugün ulaştı.”
Sonuç: Tarafsız
Örnek 4: “Personel çok ilgiliydi.”
Sonuç: Olumlu
Örnek 5: “Ürün çalışmıyor.”
Sonuç: Olumsuz
Yeni görev
“Kurulum oldukça kolaydı.”
Model, önceki örneklerdeki örüntüyü kullanarak yeni cümleyi Olumlu olarak sınıflandıracaktır.
Haber başlığı oluşturma örneği
Örnekler
Konu: Yapay Zekâ, Yapay Zekâ İş Dünyasını Dönüştürüyor
Konu: Siber Güvenlik, Yeni Siber Tehditlere Karşı Dijital Kalkan
Konu: Robotik, Akıllı Robotlar Fabrikaları Yeniden Şekillendiriyor
Konu: Büyük Veri, Verinin Gücü Rekabeti Değiştiriyor
Yeni görev, Konu: Kuantum Bilgisayarlar
Model, önceki başlıkların yapısını analiz ederek benzer üslupta yeni bir haber başlığı oluşturacaktır.
Multi-shot Prompting ne zaman kullanılmalıdır?
Bu yöntem özellikle şu durumlarda etkilidir:
- Karmaşık sınıflandırma problemleri
- Kurumsal içerik üretimi
- Hukuki ve tıbbi metin analizi
- Akademik yazım
- Kod üretimi
- Veri etiketleme
- Çok sayıda istisna içeren görevler
- Standart rapor oluşturma
- Kuruma özgü yazım dili oluşturma
Örnek sayısı arttıkça model daha fazla örüntü görebilir; ancak istem gereksiz yere uzatıldığında bağlam penceresi dolabilir ve verim düşebilir. Bu nedenle örnek sayısı kadar örneklerin kalitesi ve çeşitliliği de önemlidir.
Multi-shot Prompting nasıl hazırlanır?
1. Görevi açık biçimde tanımlayın
Örneğin: “Aşağıdaki müşteri yorumlarını duygu durumuna göre sınıflandır.”
2. Farklı senaryoları kapsayan örnekler seçin
Örnekler yalnızca benzer durumları değil;
- olumlu,
- olumsuz,
- tarafsız,
- istisnai,
- sınır durumlarını
da içermelidir.
3. Örnekleri aynı biçimde hazırlayın
Her örnek aynı düzeni izlemelidir.
Örneğin: Girdi → Çıktı veya Soru → Cevap
4. Yeni görevi ekleyin
Son örnekten sonra yalnızca yeni girdi verilmelidir.
5. Çıktı biçimini tanımlayın
Örneğin: “Yalnızca tek kelimelik cevap ver.” Veya “Sonucu JSON formatında oluştur.”
Akademik örnek
Görev
Kavram tanımı oluştur.
Örnek 1
İş Tatmini: Çalışanın işine yönelik genel memnuniyet düzeyidir.
Örnek 2
Örgütsel Bağlılık: Çalışanın örgüte karşı geliştirdiği psikolojik bağlılıktır.
Örnek 3
Örgütsel Güven: Çalışanın yönetime ve çalışma arkadaşlarına duyduğu güven düzeyidir.
Örnek 4
Psikolojik Güvenlik: Çalışanların hata yapma korkusu olmadan fikirlerini ifade edebilmesidir.
Yeni görev
Örgütsel Sessizlik: Model, önceki akademik tanım yapısını kullanarak yeni kavramı aynı üslupla açıklayacaktır.
Multi-shot Prompting ile Few-shot Prompting arasındaki fark
| Özellik | Few-shot | Multi-shot |
| Örnek sayısı | Genellikle 2–5 | Çok sayıda örnek |
| Karmaşık görevler | Uygundur | Daha kapsamlı olabilir |
| Token kullanımı | Orta | Yüksek |
| Hazırlama süresi | Kısa | Daha uzundur |
| İstisnaları gösterme | Sınırlı | Daha başarılıdır |
Multi-shot Prompting ile One-shot Prompting arasındaki fark
| Özellik | One-shot | Multi-shot |
| Örnek sayısı | 1 | Çok sayıda |
| Öğrenilen örüntü | Sınırlı | Daha geniş |
| Çıktı tutarlılığı | Orta | Genellikle daha yüksektir |
| Token maliyeti | Düşük | Daha yüksektir |
Avantajları
- Daha fazla örüntü gösterir.
- İstisna durumlarını öğretmeye yardımcı olur.
- Çıktı tutarlılığını artırabilir.
- Kurumsal standartların korunmasını kolaylaştırır.
- Karmaşık görevlerde daha güvenilir sonuçlar sağlayabilir.
Dezavantajları
- Fazla token kullanır.
- Hazırlanması zaman alır.
- Gereksiz örnekler modeli olumsuz etkileyebilir.
- Uzun istemler bağlam penceresini doldurabilir.
- Her görev için gerekli değildir.
En iyi uygulamalar
Multi-shot Prompting kullanırken şu öneriler dikkate alınmalıdır:
- Benzer değil, farklı senaryoları temsil eden örnekler seçin.
- Tüm örneklerde aynı formatı kullanın.
- Gereksiz örneklerden kaçının.
- Önce Few-shot ile başlayın; yalnızca ihtiyaç duyulduğunda örnek sayısını artırın.
- Çıktı biçimini açıkça tanımlayın.
- Çok uzun istemlerde Prompt Zincirleme (Prompt Chaining) kullanmayı değerlendirin.
Örnek Multi-shot Prompt
Görev: Aşağıdaki e-postaları öncelik düzeyine göre sınıflandır.
Örnek 1: “Sunucu tamamen çalışmıyor.” → Kritik
Örnek 2: “Faturada yazım hatası var.” → Düşük
Örnek 3: “Sipariş iptal edildi.” → Orta
Örnek 4: “Tüm kullanıcılar giriş yapamıyor.” → Kritik
Örnek 5: “Profil fotoğrafı yüklenmiyor.” → Orta
Yeni E-posta: “Ödeme ekranı açılmıyor.”
Sonuç:
Sonuç
Multi-shot Prompting, büyük dil modellerine çok sayıda örnek göstererek beklenen davranışı daha ayrıntılı biçimde öğretmeyi amaçlayan gelişmiş bir istem tekniğidir. Özellikle istisnaların fazla olduğu, belirli yazım standartlarının korunmasının istendiği veya karmaşık sınıflandırma görevlerinde başarılı sonuçlar sağlayabilir. Ancak örnek sayısını gereksiz yere artırmak her zaman performansı yükseltmez. En iyi sonuçlar; çeşitli, doğru ve temsil gücü yüksek örneklerin dikkatli biçimde seçilmesiyle elde edilir.
İlgili Kavramlar: Zero-shot Prompting, One-shot Prompting, Few-shot Prompting, In-Context Learning, Prompt Engineering, Prompt Chaining, Prompt Pattern, Large Language Model (LLM), ChatGPT
Kaynakça
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1921.
Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., & Neubig, G. (2023). Pre-train, prompt, and predict: A systematic survey of prompting methods in natural language processing. ACM Computing Surveys, 55(9), 1–35.
Sahoo, P., Singh, A. K., Saha, S., Jain, V., Mondal, S., & Chadha, A. (2024). A systematic survey of prompt engineering in large language models: Techniques and applications. arXiv.
Yao, B., Chen, G., Zou, R., Lu, Y., Li, J., Zhang, S., et al. (2023). More samples or more prompts? Exploring effective in-context sampling for LLM few-shot prompt engineering. arXiv.
Yorumlar (0)