Hoeveel voorbeelden zijn nodig voor few-shot?

Vaak 1–5; meer helpt niet altijd door context limits. Kies representatieve, diverse voorbeelden. Voor zeer specifieke formaten kunnen 10+ nodig zijn. Test met verschillende aantallen op uw use case.

Few-shot vs. fine-tuning?

Few-shot: geen training, direct in prompt, flexibel aanpasbaar, meer tokens per request. Fine-tuning: eenmalige training, kleiner prompt, betere performance op grote, consistente datasets. Gebruik few-shot voor prototyping en variabele taken; fine-tuning voor productie met vaste schema's.

Wat is Few-Shot Learning? - Uitleg & Betekenis

Leer wat Few-Shot Learning is, hoe LLMs leren van een klein aantal voorbeelden in de prompt, en wanneer u het inzet voor gespecialiseerde taken.

Definitie

Few-Shot Learning in de context van LLMs betekent het geven van een klein aantal input-output-voorbeelden in de prompt om het model het gewenste gedrag of formaat te laten volgen, zonder het model opnieuw te trainen.

Technische uitleg

In plaats van alleen instructies te geven, voeg je 1–5 (of meer) voorbeelden toe: "Input: X → Output: Y". Het model leert het patroon in-context en past het toe op de nieuwe input. Few-shot is effectiever dan zero-shot voor complexe formaten, domeinspecifieke taken en consistente output. Trade-off: meer tokens = hogere kosten en minder ruimte voor context. Few-shot kan worden gecombineerd met Chain-of-Thought. Dynamische few-shot (voorbeelden uit een database) schaalt beter dan statische prompts.

Hoe AVARC Solutions dit toepast

AVARC Solutions gebruikt few-shot prompting voor classificatie, extractie en format-specifieke taken. We bouwen dynamische few-shot systemen die de meest relevante voorbeelden uit een knowledge base halen, wat nauwkeurigheid en consistentie verbetert.

Praktische voorbeelden

Een sentimentclassificator met 3 voorbeelden: "Deze product is geweldig!" → positief, "Verschrikkelijk" → negatief, "Het werkt" → neutraal.
Een entity extractor met voorbeelden van hoe namen, data en bedragen uit zinnen worden gehaald.
Een e-mail responder die 2–3 voorbeelddialogen volgt voor toon en structuur.

Gerelateerde begrippen

zero shot learning in context learning prompt engineering chain of thought llm

Veelgestelde vragen

Klaar om te starten?

Neem contact met ons op voor een vrijblijvend gesprek over uw project.

Neem contact op

Gerelateerde artikelen

Wat is In-Context Learning? - Uitleg & Betekenis

Leer wat In-Context Learning (ICL) is, hoe LLMs patronen uit de prompt leren zonder gewichts-updates, en waarom het fundamenteel is voor prompting.

Wat is Chain-of-Thought? - Uitleg & Betekenis

Leer wat Chain-of-Thought (CoT) is, hoe het stap-voor-stap redeneren in LLMs verbetert, en wanneer u het inzet voor complexe AI-taken.

Wat is Zero-Shot Learning? - Uitleg & Betekenis

Leer wat Zero-Shot Learning is, hoe LLMs taken uitvoeren zonder training of voorbeelden, en wanneer zero-shot voldoende is voor uw use case.

Beste Open Source LLMs 2026 - Vergelijking en Advies

Vergelijk de beste open source large language models van 2026. Llama, Mistral, Qwen en meer — ontdek welk model het beste past voor uw AI-project.