Few-shot Prompting: สอน AI ด้วยตัวอย่างให้ได้ผลจริง
เทคนิคเลือกตัวอย่างให้ AI เรียนรู้รูปแบบที่ต้องการ กี่ตัวอย่างถึงพอ วางยังไง และกับดักที่ทำให้ AI ลอกผิดจุด
ทีมการตลาดอยากให้ AI เขียนแคปชันโพสต์ให้เหมือนสไตล์แบรนด์ อธิบายน้ำเสียงไปสามย่อหน้า ทั้ง "เป็นกันเอง แต่ไม่เล่นเกิน" ทั้ง "มืออาชีพแต่ไม่แข็ง" ผลที่ได้ก็ยังไม่ใช่ จนวันหนึ่งมีคนแปะแคปชันเก่าที่ลูกค้าชอบ 3 ชิ้นลงไป คำตอบที่ได้ใกล้เคียงทันที นี่คือพลังของ few-shot prompting และก็เป็นจุดที่พลาดได้ง่ายถ้าเลือกตัวอย่างไม่ดี
Few-shot Prompting คืออะไร
Few-shot prompting (บางเอกสารเรียก multishot) คือการใส่ตัวอย่างคู่ "อินพุตกับคำตอบที่ต้องการ" ลงใน prompt เพื่อให้โมเดลจับรูปแบบแล้วทำตาม โดยไม่ต้องเทรนโมเดลใหม่ คู่มือ prompting ของ Anthropic ระบุว่าตัวอย่างที่คัดมาอย่างดีไม่กี่ชิ้นช่วยเพิ่มทั้งความแม่นยำและความสม่ำเสมอ บทความพื้นฐานเรื่อง Prompt Engineering เคยแนะนำเทคนิคนี้ไว้สั้นๆ บทความนี้จะลงลึกเรื่องการเลือกและจัดตัวอย่าง
เลือกตัวอย่างยังไงให้ได้ผล
จำนวน: เริ่มที่ 3 ถึง 5 ชิ้น
Anthropic แนะนำ 3 ถึง 5 ตัวอย่างสำหรับผลลัพธ์ที่ดี น้อยไปโมเดลจับรูปแบบไม่ได้ มากไปก็กิน context โดยไม่จำเป็น
ตรงกับงานจริง
ตัวอย่างต้องหน้าตาเหมือนอินพุตที่จะเจอจริง ถ้างานจริงคือรีวิวลูกค้าภาษาไทยปนอังกฤษ ตัวอย่างก็ควรเป็นแบบนั้น
หลากหลายพอ
Anthropic เตือนให้ตัวอย่างครอบคลุม edge case และแตกต่างกันพอที่โมเดลจะไม่หยิบ "รูปแบบที่ไม่ได้ตั้งใจ" ไปใช้ เช่น ถ้าตัวอย่างทุกชิ้นยาว 2 บรรทัดและขึ้นต้นด้วยอีโมจิ โมเดลจะทำแบบนั้นทุกครั้ง แม้คุณไม่ได้ต้องการ
เป็นตัวแทน ไม่ใช่กฎยิบย่อย
บทความ context engineering ของ Anthropic แนะนำให้เลือกชุดตัวอย่างที่ "เป็นแบบฉบับ" แทนการเขียนกฎสำหรับทุก edge case เพราะตัวอย่างสื่อพฤติกรรมที่ต้องการได้ชัดกว่า
จัดรูปแบบตัวอย่างให้โมเดลไม่สับสน
- ครอบตัวอย่างด้วยแท็ก เช่น <example> และรวมทั้งชุดไว้ใน <examples> ตามที่ Anthropic แนะนำ เพื่อแยกตัวอย่างออกจากคำสั่ง
- ใช้รูปแบบเดียวกันทุกชิ้น เช่น "ข้อความ:" ตามด้วย "หมวด:" เสมอ
- คู่มือ Prompting ของ OpenAI แนะนำให้รวมตัวอย่างเป็นบล็อกกระชับที่ทีมอ่านและแก้ไขได้ง่าย
- คุณสามารถขอให้ AI ช่วยประเมินว่าชุดตัวอย่างหลากหลายพอไหม หรือช่วยสร้างตัวอย่างเพิ่มจากชุดตั้งต้นได้ แต่ต้องตรวจเองก่อนใช้
ตัวอย่าง: จัดหมวดทักษะจาก Resume
จัดหมวดทักษะต่อไปนี้เป็น Hard skill, Soft skill หรือ Tool <examples> <example>ทักษะ: วิเคราะห์ข้อมูลด้วย SQL / หมวด: Hard skill</example> <example>ทักษะ: Figma / หมวด: Tool</example> <example>ทักษะ: เจรจาต่อรองกับซัพพลายเออร์ / หมวด: Soft skill</example> </examples> ทักษะ: ทำ Pivot Table ใน Excel
สังเกตว่าตัวอย่างมีทั้งภาษาไทยและอังกฤษ มีทั้งชื่อเครื่องมือสั้นๆ และประโยคยาว ช่วยให้โมเดลไม่ยึดติดกับความยาวหรือภาษาของอินพุต
Few-shot กับ Reasoning Model
คู่มือ reasoning best practices ของ OpenAI แนะนำว่ากับโมเดลที่คิดเองภายใน ให้ลองแบบ zero-shot ก่อน แล้วค่อยเพิ่มตัวอย่างถ้าจำเป็น โดยตัวอย่างต้องสอดคล้องกับคำสั่ง ส่วนเอกสารของ Anthropic ระบุว่าตัวอย่างยังใช้ได้ดีเมื่อเปิด extended thinking โดยแสดงโจทย์ วิธีคิด และคำตอบ
ตัวอย่างสามชิ้นที่เลือกดี สอน AI ได้มากกว่ากฎสามหน้าที่ไม่มีใครอ่านจบ
ข้อควรระวัง
- ตัวอย่างที่มีอคติ เช่น ตัวอย่างผู้สมัครที่ดีเป็นเพศเดียวทั้งหมด จะส่งอคตินั้นต่อไปในคำตอบ
- อย่าใช้ข้อมูลจริงของลูกค้าหรือพนักงานเป็นตัวอย่าง ให้ปรับเป็นข้อมูลสมมติ
- ตัวอย่างที่ผิดแม้ชิ้นเดียวทำให้คำตอบผิดตามได้ ตรวจทุกชิ้นก่อนใส่
- ตัวอย่างที่อ้างข้อมูลซึ่งเปลี่ยนได้ เช่น ราคา โปรโมชัน หรือนโยบาย ต้องอัปเดตทุกครั้งที่ข้อมูลจริงเปลี่ยน ไม่อย่างนั้น AI จะตอบตามข้อมูลเก่า
เริ่มต้นยังไง
- รวบรวมผลงานที่คุณพอใจจริงจากงานที่ทำซ้ำบ่อย 5 ถึง 10 ชิ้น
- เลือก 3 ถึง 5 ชิ้นที่ต่างกันที่สุดแต่ยังเป็นตัวแทนงานจริง
- จัดรูปแบบให้เหมือนกันและครอบด้วยแท็ก
- ทดสอบกับอินพุตใหม่ ถ้าโมเดลลอกผิดจุด ให้สลับหรือเปลี่ยนตัวอย่างที่ทำให้เกิดรูปแบบนั้น
ถ้าคุณอยากเห็นว่าตัวอย่างคำตอบที่ดีช่วยงานด้านอาชีพได้ยังไง ลองใช้ Resume Lab ปรับ Resume ของคุณ หรือฝึกตอบสัมภาษณ์กับ Interview Lab