AI Engineering Academy · Ders

Sıfır Örnekli ve Az Örnekli İstem Oluşturma

Sıfır Örnekli ve Az Örnekli İstem Oluşturma, CoddyKit'te ücretsiz bir AI Engineering Academy dersidir. Bu, 4 dersinin 1. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Engineering Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Engineering Academy kursu toplamda 4 dersten oluşur.

Zero-Shot İstem Nedir?

Zero-shot istem, modele görevi nasıl yapacağına ilişkin hiçbir örnek vermeden bir görevi gerçekleştirmesini istemek demektir. Yalnızca görevi açıklarsınız ve modelin önceden eğitilmiş bilgisini kullanmasına izin verirsiniz. Bu yöntem; çeviri, özetleme veya basit sınıflandırma gibi modelin eğitim sırasında birçok kez karşılaştığı görevlerde iyi çalışır.

Örneğin modelden Bu incelemeyi Olumlu veya Olumsuz olarak sınıflandır istemek bir zero-shot istemdir. Model, ön eğitim sırasında binlerce duygu sınıflandırması örneğini öğrenmiştir; bu nedenle istemin içinde örnek gösterilmeden görevi gerçekleştirebilir.

Basit Bir Zero-Shot Örneği

Zero-shot istemler kısadır ve modelin yerleşik bilgisine dayanır. Görev yaygın ve açık olduğunda en iyi sonucu verir. Aşağıdaki istemin, doğru çıktılara ilişkin örnekler göstermeden görevi açıkça tanımladığına dikkat edin.

import openai

client = openai.OpenAI()

prompt = 'Classify the sentiment of the following customer review.\nRespond with only one word: Positive, Negative, or Neutral.\n\nReview: The delivery was fast but the packaging was damaged.\n\nSentiment:'

response = client.chat.completions.create(
    model='gpt-4o-mini',
    messages=[{'role': 'user', 'content': prompt}],
    max_tokens=5
)
print(response.choices[0].message.content)  # Expected: Negative

Zero-Shot Ne Zaman Yetersiz Kalır

Görev biçimi alışılmadık olduğunda, modelin yaygın olmayan bir çıktı şemasını izlemesi gerektiğinde veya modelin her çalıştırmada farklı yorumlayabileceği tutarlı bir biçimlendirmeye ihtiyaç duyduğunuzda zero-shot istemler başarısız olabilir. Modelden özel alan adları içeren çok belirli bir JSON yapısında veri çıkarmasını istemek zero-shot istem olarak risklidir; çünkü modelin tam olarak ne istediğinizi tahmin etmesi gerekir.

Zero-shot istemler, alana özgü jargon veya modelin ön eğitim sırasında sık karşılaşmamış olabileceği niş sınıflandırma kategorileri konusunda da zorlanır. Bu durumlarda örnekler sunmak doğruluğu büyük ölçüde artırır.

Few-Shot İstem Nedir?

Az örnekli istem, gerçek sorgunuzu sunmadan önce modele görevle ilgili 2-8 örnek (girdi ve istenen çıktı) vermeniz anlamına gelir. Örnekler, herhangi bir ince ayar veya eğitim gerektirmeden modele istediğiniz tam biçimi ve sınıflandırma şemasını öğretir.

Bu, istem mühendisliğindeki en güçlü ve en az kullanılan tekniklerden biridir. Model, örnekleri kullanarak örüntüyü çıkarır ve bunu yeni girdiye uygular. GPT-3 makalesindeki araştırma, birçok görevdeki başarımın örnek sayısı yaklaşık 8'e kadar arttıkça önemli ölçüde yükseldiğini; bundan sonra kazanımların sabitlendiğini ve yalnızca belirteçleri boşa harcadığınızı gösterdi.

Az Örnekli İstem Yapısı

Az örnekli bir istem tutarlı bir örüntü izler: N örneği girdi-çıktı çiftleri olarak gösterir, ardından yeni girdiyi sunar ve modelin çıktıyı tamamlamasına izin verirsiniz. Örneklerin biçimlendirilmesi, modele beklediğiniz tam çıktı biçimini öğretir.

import openai

client = openai.OpenAI()

prompt = ('Extract the product name and price from each sentence.\n'
          'Respond in the format: Product: <name> | Price: <price>\n\n'
          'Sentence: The blue headphones cost $79.99.\n'
          'Product: Blue Headphones | Price: $79.99\n\n'
          'Sentence: You can get the leather wallet for just $34.\n'
          'Product: Leather Wallet | Price: $34\n\n'
          'Sentence: Order the ergonomic keyboard for $129.99 today.\n')

response = client.chat.completions.create(
    model='gpt-4o-mini',
    messages=[{'role': 'user', 'content': prompt}],
    max_tokens=30
)
print(response.choices[0].message.content)

İyi Az Örnekli Örnekler Seçme

Örneklerinizin niteliği, sayıları kadar önemlidir. Şu özelliklere sahip örnekler seçin:

Sınır durumlarını kapsamalıdır — modelin bunların nasıl ele alınmasını istediğinizi görmesi için belirsiz girdili bir örnek ekleyin
Çıktı uzayını kapsamalıdır — üç sınıfınız varsa her birinden en az bir örnek ekleyin
Temsil edici olmalıdır — gerçek üretim girdilerine biçim ve karmaşıklık bakımından benzeyen örnekler kullanın
Biçim açısından tutarlı olmalıdır — örneklerinizdeki herhangi bir biçim tutarsızlığı model çıktısına da yansır

Yanlış seçilmiş örnekler, görev dağılımı hakkında modeli yanıltarak başarımı gerçekten düşürebilir.

Sıfır Örnekli ve Az Örnekli: Hangisi Ne Zaman Kullanılmalı

Sıfır örnekliyi şu durumlarda kullanın: görev yaygın ve iyi tanımlanmışsa, belirteç maliyetini en aza indirmek istiyorsanız ya da hızlı yineleme yapıyor ve henüz örnek toplamak zorsa. Modelin genel bilgisinin örneklerle sınırlandırılmaması gerektiğinde de sıfır örnekli yaklaşım tercih edilir.

Az örnekliyi şu durumlarda kullanın: çıktı biçimi alışılmadık veya katıysa, alana özgü kategorileriniz varsa, sıfır örnekli yaklaşım tutarsız biçimlendirme üretiyorsa ya da modelin belirli bir üslubu veya tonu tutarlı biçimde izlemesine ihtiyacınız varsa. Az örnekli yaklaşım özellikle çıkarma, sınıflandırma ve biçim kısıtlı üretim için etkilidir.

Sınıflandırma Görevlerinde Az Örnekli Yaklaşım

Sınıflandırma, az örnekli istemin en yüksek değer sağladığı kullanım alanlarından biridir. Yaygın kategorilerle eşleşmeyen özel etiketleriniz olduğunda örnekler vermek, modele sınıflandırma sisteminizi öğretir. Aşağıdaki örnekler, destek talepleri bağlamında Hata, Özellik Talebi ve Soru'nun tam olarak ne anlama geldiğini tanımlar.

import openai

client = openai.OpenAI()

prompt = ('Classify the support ticket into: Bug, Feature Request, or Question.\n\n'
          'Ticket: The login button does nothing when I click it.\n'
          'Category: Bug\n\n'
          'Ticket: Can you add dark mode to the dashboard?\n'
          'Category: Feature Request\n\n'
          'Ticket: How do I export my data to CSV?\n'
          'Category: Question\n\n'
          'Ticket: The export button crashes the app every time.\n'
          'Category:')

response = client.chat.completions.create(
    model='gpt-4o-mini',
    messages=[{'role': 'user', 'content': prompt}],
    max_tokens=10
)
print(response.choices[0].message.content)  # Bug

Tek Örnekli İstem

Sıfır örnekli ve az örnekli yaklaşımın arasında tek örnekli istem yer alır: tam olarak bir örnek vermek. Bu, biçimlendirme sorunlarını düzeltmek veya belirsiz görevleri açıklığa kavuşturmak için çoğu zaman yeterlidir ve tam bir az örnekli isteme göre çok daha az belirteç harcar. Sıfır örnekli yaklaşım güvenilmez sonuçlar ürettiğinde tek örnekli yaklaşım iyi bir ilk ilerletme adımıdır.

Uygulamada sıfır örnekli yaklaşımla başlayın, gerçek girdilerden oluşan bir örneklem üzerinde değerlendirme yapın ve örnekleri yalnızca modelin başarısız olduğu yerlere ekleyin. Böylece istemleriniz yalın ve belirteç açısından verimli kalırken, iyileştirmeleri en çok önem taşıdıkları noktalara yönlendirirsiniz.

Dinamik Az Örnekli Seçim

Üretim sistemlerinde her sorgu için aynı birkaç örneği sabit kodlamak en iyi seçenek değildir. Dinamik az örnekli seçim, gömme benzerliğini kullanarak etiketli bir örnek havuzundan mevcut girdiye en çok benzeyen örnekleri alır ve yalnızca bu örnekleri isteme ekler.

Bu sayede model, girdi biçimiyle veya alanıyla eşleşmeyebilecek genel örnekler yerine, belirli girdiyle en ilgili gösterimleri her zaman görür. Bu teknik, az örnekli istemin avantajlarını bir erişim sisteminin ölçeklenebilirliğiyle birleştirir ve bazen örnek tabanlı erişimle zenginleştirilmiş istem olarak adlandırılır.

Az Örnekli İstemlerde Biçim Kısıtları

Yapılandırılmış çıktılara veya JSON kipine erişiminiz olmadan önce katı çıktı biçimlerini zorunlu kılmanın en güvenilir yolu az örnekli istemdir. Modele beklediğiniz tam biçimi — alan adları, ayraçlar ve sıralama dahil — göstererek ayrıştırılabilir çıktı alma olasılığını büyük ölçüde artırırsınız.

Az örnekli isteminizi her zaman beklenen çıktı örüntüsünün başlangıcıyla (ör. bir JSON nesnesinin açılış küme ayracı veya ilk alan adı) bitirin. Bu, modeli önce görevi özetlemek ya da yorumlamak yerine örüntüyü sürdürmeye hazırlar.

Kısa Kontrol

Bu dersteki Yapay Zekâ Mühendisliği kavramlarını anlayıp anlamadığınızı sınayın.

Ders Özeti

Bu derste şunları öğrendiniz: sıfır örnekli istem, modelden görevleri yalnızca açıklamaya dayanarak gerçekleştirmesini ister, az örnekli istem, biçimi ve sınıflandırma sistemini öğretmek için 2-8 girdi-çıktı örneği sağlar ve dinamik az örnekli seçim, gömme benzerliğini kullanarak her sorgu için en ilgili örnekleri alır. Sırada, karmaşık akıl yürütme görevleri için düşünce zinciri istemini inceleyeceğiz.

Sıkça Sorulan Sorular

“Sıfır Örnekli ve Az Örnekli İstem Oluşturma” dersi ücretsiz mi?

Evet — “Sıfır Örnekli ve Az Örnekli İstem Oluşturma” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Engineering Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Engineering Academy kursu toplamda 4 dersten oluşur.

“Sıfır Örnekli ve Az Örnekli İstem Oluşturma” dersinde ne öğreneceğim?

Modele doğrudan soru sormakla örnekler sunmak arasındaki farkı anlayın ve sınıflandırma, veri çıkarma ve oluşturma görevlerinde hangi yaklaşımın ne zaman daha iyi sonuç verdiğini öğrenin. AI Engineering Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

AI Engineering Academy öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te AI Engineering Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 1. dersidir.

“Sıfır Örnekli ve Az Örnekli İstem Oluşturma” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu AI Engineering Academy dersinde kod yazıp çalıştırabilir miyim?

Evet. Her AI Engineering Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

Sıfır Örnekli ve Az Örnekli İstem Oluşturma
Düşünce Zinciri ve Adım Adım Akıl Yürütme
Sistem İstemleri ve Persona Tanımlama
İstemleri Yineleme ve Hata Ayıklama

← AI Engineering Academy Sayfasına Dön