Few-Shot Prompting Nedir? Örneklerle Nasıl Kullanılır, Kaç Örnek Verilmeli?

Few-shot prompting nedir?

Few-shot prompting, bir yapay zeka modeline görevi tarif ederken istemin içine birkaç hazır cevaplı örnek koyma tekniğidir. Model bu örneklerdeki girdi ve çıktı kalıbını görür, ardından yeni girdiye aynı biçimde yanıt verir. Modeli yeniden eğitmezsiniz; öğrenme yalnız o istemin içinde gerçekleşir.

2012'den beri dijital pazarlama projelerinde çalışıyorum ve son yıllarda ekibimle yapay zekayı günlük iş akışına soktuk. Gördüğüm en net ders şu: uzun açıklamalar yazmak yerine iki üç iyi örnek göstermek, çoğu zaman çok daha tutarlı sonuç veriyor. Bu yazıda few-shot prompting yöntemini yalnız teorik olarak değil, pazarlama ve SEO işlerinde nasıl kullandığımızı da anlatacağım.

Genel prompt yazımına ve düşünce zinciri (chain of thought) tekniğine burada derin girmiyorum. Odak noktam tek: örnek vererek modele iş öğretmek.

Few-shot prompting fikri nereden çıktı?

Kavram, 2020'de yayımlanan "Language Models are Few-Shot Learners" makalesiyle geniş kitlelere ulaştı. OpenAI araştırmacıları bu çalışmada GPT-3 modelini tanıttı ve modelin, ağırlıkları güncellenmeden, yalnız istemdeki birkaç örnekle yeni görevlere uyum sağlayabildiğini gösterdi.

Makale üç ayarı karşılaştırıyor. Zero-shot ayarında model yalnız görev tarifini görüyor. One-shot ayarında araştırmacılar tarife tek bir örnek ekliyor. Few-shot ayarında ise modelin bağlam penceresine sığan kadar örnek ekliyorlar. Araştırmacılar bu yeteneğe "bağlam içi öğrenme" (in-context learning) adını verdi.

Bu buluşun pratik önemi büyük. Çünkü her yeni görev için ayrı bir model eğitmek yerine, doğru örnekleri seçerek aynı modeli farklı işlere yönlendirebiliyorsunuz. Bugün ChatGPT, Gemini veya Claude kullanırken yaptığınız şey de temelde bu.

Makalenin bir diğer önemli bulgusu, bu yeteneğin model büyüdükçe belirginleşmesiydi. Yani küçük modeller örneklerden sınırlı fayda görürken büyük modeller çok daha fazla yararlanıyordu. Bu da few-shot yönteminin neden büyük dil modelleri çağında öne çıktığını açıklıyor.

Zero-shot, one-shot ve few-shot arasındaki fark nedir?

Üç yaklaşım arasındaki fark, istemde kaç örnek bulunduğundan ibaret gibi duruyor. Ancak pratikte her birinin güçlü ve zayıf olduğu durumlar farklı. Aşağıdaki tablo bu farkı özetliyor.

Kısacası zero-shot "ne yapacağını söylemek", few-shot ise "nasıl yapılacağını göstermek" demek. Görev ne kadar size özgüyse, örnek göstermenin değeri de o kadar artıyor.

Few-shot prompting nasıl çalışır?

Model, istemdeki örnekleri bir kalıp olarak okur. Hangi tür girdinin geldiğini, çıktının hangi uzunlukta ve hangi biçimde olduğunu, hangi etiketlerin kullanıldığını bu örneklerden çıkarır. Ardından son girdiye aynı kalıbı uygular.

Burada ilginç bir araştırma bulgusu var. Min ve arkadaşlarının 2022 tarihli çalışması, örneklerdeki etiketleri rastgele değiştirmenin bazı sınıflandırma görevlerinde performansı beklenenden çok daha az düşürdüğünü gösterdi. Araştırmacılara göre asıl etkiyi etiket kümesi, girdi metinlerinin dağılımı ve genel biçim yaratıyor.

Bu bulguyu "doğru örneğe gerek yok" diye okumamanızı öneririm. Benim çıkardığım ders farklı: model örneklerden en çok biçimi ve alanı kavrıyor. Dolayısıyla örneklerinizin biçimi tutarlı, konusu gerçek işinize yakın olmalı. Doğruluğu ise yine siz kontrol etmelisiniz.

Few-shot prompting yöntemini ne zaman tercih etmelisiniz?

Her görev örnek gerektirmez. Basit bir soruya cevap almak ya da genel bir metni özetlemek için zero-shot çoğu zaman yeterli. Few-shot prompting ise şu durumlarda fark yaratıyor:

• Özel bir çıktı biçimi istediğinizde: tablo, JSON, belirli bir başlık yapısı.
• Marka tonunu korumak istediğinizde: samimi mi, kurumsal mı, esprili mi?
• Sınıflandırma yaptığınızda: yorumları olumlu, olumsuz, nötr diye ayırmak gibi.
• Kısa ve kısıtlı metinlerde: reklam başlığı, meta açıklama, ürün kısa açıklaması.
• Tarifle anlatması zor bir üslup olduğunda: "bizim gibi yaz" demek yerine göstermek.

Öte yandan model görevde zaten iyi sonuç veriyorsa, örnek eklemek istemi gereksiz uzatır ve maliyeti artırır. Bu nedenle önce zero-shot deneyin, sonuç yetersizse örnek ekleyin.

Kaç örnek vermelisiniz?

Kesin bir sayı yok; ancak resmi rehberler bir aralık öneriyor. Anthropic'in Claude istem yazma rehberi en iyi sonuç için 3 ile 5 örnek öneriyor. Google'ın Gemini istem stratejileri sayfası ise istemlerde her zaman few-shot örnek kullanmayı tavsiye ediyor; ancak çok fazla örneğin modeli örneklere aşırı uydurabileceği uyarısını da yapıyor.

Benim pratikte kullandığım kural basit. İlk denemede üç örnekle başlıyorum. Çıktı hâlâ tutarsızsa, hatanın türüne bakıp o hatayı gösteren bir örnek daha ekliyorum. Beşi geçtiğimde ise genelde sorunun örnek sayısı değil, örnek kalitesi olduğunu fark ediyorum.

• Basit biçim görevi: 2 ile 3 örnek.
• Sınıflandırma: her sınıftan en az bir örnek.
• Marka tonu: farklı konularda 3 ile 5 örnek.

Örnek sayısını artırmadan önce kendinize şu soruyu sorun: model neyi yanlış yapıyor? Biçim hatası varsa örneklerin biçimini sadeleştirin. Ton hatası varsa daha karakteristik örnekler seçin. İçerik hatası varsa sorun büyük ihtimalle örneklerde değil, modele verdiğiniz bilgide. Bu ayrımı yaptığınızda, gereksiz yere istemi şişirmekten kurtulursunuz. Üstelik hangi değişikliğin gerçekten işe yaradığını da net biçimde görürsünüz.

İyi bir few-shot örneğini nasıl seçersiniz?

Örnek seçimi, tekniğin en kritik adımı. Anthropic rehberi örneklerin üç özellik taşımasını öneriyor. Birincisi ilgili olmalı, yani gerçek kullanım durumunuza yakın durmalı. İkincisi çeşitli olmalı; uç durumları kapsamalı ve istenmeyen kalıpları öğretmemeli. Üçüncüsü düzenli olmalı, yani talimatlardan ayrı bir bölümde durmalı.

1. Gerçek veriden seçin: Uydurma örnek yerine kendi arşivinizdeki başarılı işleri kullanın.
2. Çeşitlilik sağlayın: Hep aynı ürün kategorisinden örnek verirseniz model diğer kategorilerde bocalar.
3. Uç durum ekleyin: Çok kısa girdi, eksik bilgi, alışılmadık istek gibi.
4. Kalitesi yüksek olsun: Model örneğinizdeki hatayı da kopyalar.
5. Uzunluğu hedefe uygun olsun: Örnekler uzunsa çıktı da uzar.

Başlık üretimi gibi işlerde örneklerinizi seçmeden önce başlık analizi aracıyla puanlarına bakabilirsiniz. Böylece modele yalnız güçlü örnekleri göstermiş olursunuz.

Örnekleri istemde nasıl biçimlendirmelisiniz?

Biçim tutarlılığı, few-shot prompting yönteminin sessiz kahramanı. Google'ın rehberi, örneklerin yapı ve biçiminin aynı olmasını, aksi hâlde istenmeyen biçimde yanıtlar gelebileceğini belirtiyor. Anthropic ise örnekleri <example> etiketleriyle, birden fazla örneği de <examples> etiketiyle sarmayı öneriyor.

Pratikte ben şu şablonu kullanıyorum:

• Önce görevi bir iki cümleyle tarif edin.
• Ardından örnekleri aynı etiketlerle sıralayın: "Girdi:" ve "Çıktı:" gibi.
• Her örnekte aynı alanları aynı sırayla kullanın.
• En sona yeni girdiyi aynı etiketle koyun ve "Çıktı:" satırını boş bırakın.

Bu yapı, modele örneklerin nerede bittiğini ve kendi cevabının nerede başladığını açıkça gösterir. Üstelik istemi sonradan okuyan ekip arkadaşınız da neyin talimat, neyin örnek olduğunu kolayca ayırt eder.

Örneklerin sırası sonucu etkiler mi?

Evet, etkileyebilir. Zhao ve arkadaşlarının "Calibrate Before Use" çalışması, few-shot performansının örneklerin seçimine ve sırasına göre ciddi biçimde dalgalanabildiğini gösterdi. Araştırmacılar üç yanlılık tanımladı.

• Çoğunluk etiketi yanlılığı: Model, örneklerde en sık geçen etiketi tercih etmeye yatkın.
• Yakınlık (recency) yanlılığı: Model, isteme en son eklenen örneğin etiketini tekrarlamaya yatkın.
• Yaygın kelime yanlılığı: Model, eğitim verisinde sık geçen kelimeleri etiket olarak seçmeye yatkın.

Araştırmacılar bu çalışmada daha eski modelleri kullandı; güncel modeller bu konuda daha dengeli. Yine de pratik ders geçerliliğini koruyor. Sınıflandırma istemlerinde her sınıftan dengeli sayıda örnek verin ve örnekleri sınıflara göre gruplamak yerine karışık sıralayın. Böylece modelin son örneği kopyalama eğilimini azaltırsınız.

Pazarlamada few-shot prompting örneğini nasıl kurarsınız?

Somut bir örnekle anlatayım. Bir e-ticaret müşterisi için ürün kısa açıklaması yazdırdığımızı düşünün. Zero-shot istemde model genel, süslü ve birbirine benzeyen metinler üretiyor. Few-shot istemde ise markanın gerçek üç ürün açıklamasını örnek olarak veriyoruz.

1. Görev tarifi: "Aşağıdaki biçimde, en fazla 40 kelimelik ürün açıklaması yaz. Abartılı sıfat kullanma."
2. Örnek 1: ürün adı ve özellikleri, ardından markanın yayındaki açıklaması.
3. Örnek 2: farklı kategoriden bir ürün, aynı biçimde.
4. Örnek 3: özelliği az olan zor bir ürün, aynı biçimde.
5. Yeni girdi: açıklamasını istediğiniz ürünün adı ve özellikleri, çıktı satırı boş.

Bu yapıda örneklerin sırası da önemli. Zor ürünü en sona koymuyoruz, çünkü model son örneğe fazla benzeyen çıktılar üretebiliyor. Ayrıca her örneğin girdisinde aynı alanlar yer alıyor: ürün adı, malzeme, kullanım alanı ve öne çıkan özellik. Böylece model hangi bilgiyi hangi sırada kullanacağını net biçimde görüyor.

Bu kurguda model markanın cümle uzunluğunu, sıfat kullanımını ve bilgi sırasını örneklerden çıkarıyor. Sonuçta ekip, metinleri sıfırdan yazmak yerine yalnız düzeltiyor. Yine de her metni yayına almadan önce ürün bilgisini doğruluyoruz; model örneklerden biçimi alır, gerçeği değil.

SEO işlerinde few-shot prompting yöntemini nasıl kullanırsınız?

SEO, tekrar eden ve biçimi belli pek çok iş içeriyor. Bu nedenle few-shot prompting burada çok verimli. Ekibimle en sık kullandığımız alanlar şunlar:

• Meta açıklama taslakları: Karakter sınırına uyan, odak kelimeyi doğal kullanan örneklerle. Taslakları Google SERP önizleme aracında kontrol ediyoruz.
• Anahtar kelime niyeti sınıflandırma: Bilgi, ticari, işlem ve yönlendirme niyetine birer örnek vererek listeyi etiketletiyoruz. Listeyi önce anahtar kelime bulma aracıyla çıkarıyoruz.
• SSS taslakları: Soru ve 40 ile 70 kelimelik cevap biçimini örnekle gösteriyoruz.
• Schema verisi: JSON-LD biçimini örnekle gösterip taslak alıyor, ardından schema oluşturucu ile doğruluyoruz.

Yapay zeka aramalarının SEO'yu nasıl değiştirdiğini ise yapay zeka çağında SEO bitti mi yazısında ele aldım.

Reklam metinlerinde few-shot yöntemi işe yarar mı?

Evet, özellikle karakter sınırı olan reklam biçimlerinde çok işe yarıyor. Google Ads duyarlı arama reklamlarında başlık ve açıklamaların sınırlı karakterde kalması gerekiyor. Zero-shot istemde model bu sınırları sık sık aşıyor ya da hep aynı kalıbı tekrarlıyor.

Few-shot istemde ise geçmişte iyi performans gösteren başlıkları örnek olarak veriyoruz. Her örneğin yanına hangi mesaj türünü taşıdığını da yazıyoruz: fayda, fiyat, güven, aciliyet gibi. Böylece model hem uzunluğu hem de mesaj çeşitliliğini örneklerden çıkarıyor.

Ancak bir uyarı: modelin ürettiği varyasyonlar, teste girmeden "iyi" sayılamaz; önce veriyle kanıtlamanız gerekir. Google Ads yönetimi süreçlerinde ekibimle bu taslakları insan denetiminden geçirip reklam politikalarına uygunluğunu kontrol ediyor, ardından gerçek veriyle test ediyoruz.

Sosyal medya içeriğinde marka sesini few-shot ile nasıl korursunuz?

Marka sesini tarif etmek zordur. "Samimi ama profesyonel" gibi ifadeler, her modelde ve her kişide farklı bir anlam kazanır. Few-shot prompting bu sorunu çözmenin en pratik yolu, çünkü tarif yerine gerçek paylaşımları gösterirsiniz.

Uyguladığımız yöntem şu: markanın en çok etkileşim alan beş paylaşımını seçiyoruz. Bunların farklı konularda olmasına dikkat ediyoruz; kampanya, bilgi, ekip, müşteri hikâyesi gibi. Ardından yeni konuyu aynı biçimde veriyoruz. Model cümle uzunluğunu, emoji kullanımını ve hitap biçimini örneklerden kavrıyor.

Kısa metin denemeleri için sitedeki caption önerileri ve biyografi sözleri araçlarını da başlangıç fikri olarak kullanabilirsiniz. Düzenli içerik akışı gerekiyorsa sosyal medya yönetimi hizmetimizde bu süreci uçtan uca kuruyoruz.

Few-shot prompting yaparken ekipler en sık hangi hataları yapıyor?

Ekiplerin few-shot istemlerini incelediğimde aynı hataları sık görüyorum. Çoğunu küçük bir düzeltmeyle çözebilirsiniz.

• Birbirinin kopyası örnekler: Model tek bir kalıbı tekrar eder ve her çıktı aynı başlar.
• Tutarsız biçim: Bir örnekte madde işareti, diğerinde paragraf kullanırsanız model kararsız kalır.
• Hatalı örnek: Örnekteki yazım hatası veya yanlış bilgi, çıktıya da geçer.
• Dengesiz sınıflar: Olumlu yorum örneği dört, olumsuz örnek bir tane olursa model olumluya kayar.
• Talimat ile örneğin karışması: Etiket kullanmazsanız model örneği talimat sanabilir.
• Gizli veri: Gerçek müşteri adlarını ve iletişim bilgilerini örneklere koymak KVKK riski doğurur.

Bu hataların çoğunu fark etmenin en kolay yolu, istemi bir ekip arkadaşınıza okutmak. Eğer o kişi hangi kısmın talimat, hangi kısmın örnek olduğunu hemen anlamıyorsa, model de büyük ihtimalle aynı zorluğu yaşıyor demektir. Ayrıca çıktılarda tekrar eden kalıplar görürseniz, bunun kaynağını genellikle örneklerde bulursunuz. Örneğin her çıktı aynı soruyla başlıyorsa, örneklerinizin çoğu da muhtemelen öyle başlıyordur.

Son madde özellikle önemli. Örnekleri gerçek işlerden seçin; ancak kişisel verileri mutlaka anonimleştirin.

Few-shot prompting ile ince ayar (fine-tuning) arasındaki fark nedir?

İkisi de modele örnekle iş öğretir; ancak yöntemleri tamamen farklı. Few-shot prompting yönteminde örnekler her istemin içinde gider ve model kalıcı olarak değişmez. İnce ayarda ise yüzlerce veya binlerce örnekle modelin kendisini ek eğitimden geçirirsiniz.

• Hız: Few-shot anında çalışır; ince ayar veri hazırlığı ve eğitim süresi ister.
• Maliyet: Few-shot her istekte daha fazla token harcar; ince ayar başta yatırım ister.
• Esneklik: Few-shot örneklerini dakikalar içinde değiştirebilirsiniz.
• Ölçek: Günde binlerce kez tekrar eden, çok özel bir görev için ince ayar mantıklı olabilir.

Bir başka fark da bakım yükünde. İnce ayarlı bir modeli, marka diliniz değiştiğinde yeniden eğitmeniz gerekir. Few-shot istemde ise yalnız örnekleri değiştirirsiniz. Ayrıca ince ayar, modeli sağlayan şirketin desteklediği modellerle sınırlıdır.

Pazarlama ekiplerinin büyük çoğunluğu için few-shot prompting yeterli ve çok daha pratik. İnce ayarı, few-shot sınırına gerçekten dayandığınızda düşünmenizi öneririm.

Few-shot ve düşünce zinciri birlikte kullanılabilir mi?

Evet, kullanılabilir. Örneklerinizde yalnız sonucu değil, sonuca giden kısa gerekçeyi de gösterirseniz model benzer bir akıl yürütme biçimi izler. Bu yaklaşım özellikle karar gerektiren sınıflandırma işlerinde yardımcı olabiliyor.

Örneğin bir anahtar kelimenin niyetini etiketletirken, her örneğe "gerekçe" satırı ekleyebilirsiniz: "Kelime fiyat içeriyor, kullanıcı satın almaya yakın, bu yüzden ticari." Model yeni kelimede önce gerekçeyi, sonra etiketi yazar.

Ancak düşünce zinciri kendi başına geniş bir konu ve ayrı bir yazıyı hak ediyor. Burada yalnız şunu vurgulamak istiyorum: gerekçe eklemek istemi uzatır. Bu nedenle bunu yalnız basit örneklerin yetmediği, gerçekten muhakeme isteyen görevlerde kullanın.

Few-shot istemlerinizi nasıl test ve ölçersiniz?

İyi bir istem, sezgiyle değil ölçümle belli olur. Bu yüzden few-shot istemlerinizi küçük bir test setiyle sınamanızı öneririm. Süreç karmaşık değil.

1. Gerçek işinizden, örneklerde kullanmadığınız 10 ile 20 girdi seçin.
2. Her girdi için "iyi çıktı" ölçütlerinizi yazın: uzunluk, biçim, ton, doğruluk.
3. Önce zero-shot, sonra few-shot istemle çıktı alın.
4. Çıktıları ölçütlere göre puanlayın; mümkünse iki kişi ayrı puanlasın.
5. Hata türlerini not edin ve bu hataları hedefleyen örnekler ekleyin.
6. Model sürümü değiştiğinde testi tekrarlayın.

Birçok ekip son adımı atlıyor. Oysa model güncellemeleri, dün çok iyi çalışan bir istemin davranışını değiştirebilir. Test setini saklarsanız bu değişimi dakikalar içinde fark edersiniz.

Few-shot prompting her modelde aynı sonucu verir mi?

Hayır, vermez. Modeller eğitim verisi, boyut ve eğitim yöntemi bakımından farklı. Bu nedenle aynı few-shot istem, ChatGPT, Gemini ve Claude üzerinde farklı sonuçlar üretebilir. Güncel modeller, eski modellere göre talimatları daha iyi izliyor ve bazı görevlerde örneğe daha az ihtiyaç duyuyor.

Pratik önerim şu: istemi hangi modelde kullanacaksanız o modelin resmi rehberini okuyun. Anthropic, Google ve OpenAI rehberlerinin hepsi örnek kullanımını ele alıyor; ancak etiket biçimi ve örnek sayısı önerileri küçük farklar taşıyor. Modellerin nasıl çalıştığını daha derinden anlamak isterseniz büyük dil modelleri (LLM) yazısına göz atabilirsiniz.

Ayrıca istemi bir modelden diğerine taşıdığınızda test setini mutlaka yeniden çalıştırın. Bir modelde mükemmel çalışan örnek dizisi, diğerinde gereksiz uzun ya da yetersiz kalabilir.

Few-shot prompting için hazır bir şablon var mı?

Her görev için uyarlamanız gerekse de aşağıdaki iskelet çoğu pazarlama işinde iyi bir başlangıç sunuyor. Köşeli parantezleri kendi içeriğinizle doldurun.

1. Rol ve görev: "Sen [marka] için [görev] yazan bir editörsün."
2. Kurallar: uzunluk sınırı, yasaklı ifadeler, zorunlu öğeler.
3. Örnek bloğu: 3 ile 5 örnek, her biri "Girdi:" ve "Çıktı:" etiketleriyle, <examples> etiketi içinde.
4. Yeni girdi: aynı "Girdi:" etiketiyle.
5. Çıktı yeri: boş bir "Çıktı:" satırı.

Bu şablonu ekip içinde ortak bir belgede saklamanızı öneririm. Böylece herkes aynı yapıyı kullanır, iyi çalışan örnek setleri kaybolmaz ve yeni gelen ekip arkadaşları hızla adapte olur.

Few-shot prompting hangi görevlerde yetersiz kalır?

Few-shot prompting güçlü bir teknik; ancak her sorunu çözmez. Özellikle üç durumda sınırına hızla ulaşırsınız.

• Bilgi eksikliği: Model bir konuyu bilmiyorsa, örnek vermek ona bilgi kazandırmaz. Güncel fiyat, mevzuat veya ürün stoku gibi veriler için modele kaynağı doğrudan vermeniz gerekir.
• Çok adımlı muhakeme: Hesaplama veya mantık zinciri gerektiren işlerde yalnız sonucu gösteren örnekler çoğu zaman yetmez.
• Çok uzun çıktılar: Uzun rapor veya makale gibi çıktılarda örnekler istemi aşırı büyütür.

Bu durumlarda çözüm genellikle örnek sayısını artırmak değildir. Bunun yerine modele ilgili belgeyi ekleyebilir, görevi küçük adımlara bölebilir ya da her adım için ayrı bir istem yazabilirsiniz.

Benim pratikte uyguladığım kural şu: iki tur örnek iyileştirmesinden sonra hâlâ aynı hatayı görüyorsam, sorunun örneklerde değil görevin tasarımında olduğunu kabul ediyorum. Ardından görevi yeniden tanımlıyorum. Bu yaklaşım, saatlerce örnek değiştirmekten çok daha fazla zaman kazandırıyor.

Olumsuz örnek vermeli misiniz?

Bazı ekipler istemlerine "böyle yazma" diye kötü örnekler de ekliyor. Bu yöntem dikkatli kullanıldığında işe yarayabilir; ancak risk de taşıyor. Çünkü model, istemde gördüğü her metni bir kalıp olarak algılamaya yatkın. Kötü örneğin kelimeleri ve yapısı, farkında olmadan çıktıya sızabilir.

Deneyimime göre daha güvenli yol, yasakları kural olarak yazmak ve örneklerde yalnız doğru davranışı göstermek. Örneğin "abartılı sıfat kullanma" kuralını yazıp, örneklerinizin hiçbirinde abartılı sıfat bulundurmamak daha tutarlı sonuç veriyor.

1. Önce yalnız olumlu örneklerle deneyin.
2. Belirli bir hata sürüyorsa, onu kural olarak açıkça yazın.
3. Hata hâlâ sürüyorsa, olumsuz örneği net bir etiketle ekleyin: "Yanlış örnek:" gibi.
4. Olumsuz örneğin hemen ardından doğru hâlini de gösterin.

Bu sıra, modele neyin yanlış olduğunu değil, doğrunun neye benzediğini öğretmeye odak verir.

Ekip içinde few-shot örnek kütüphanesi nasıl kurarsınız?

İyi örnekler, ekibin en değerli yapay zeka varlığıdır. Ancak çoğu ekipte bu örnekler kişisel sohbet geçmişlerinde kaybolup gidiyor. Bu nedenle ortak bir örnek kütüphanesi kurmanızı öneririm.

• Göreve göre klasörleyin: ürün açıklaması, reklam başlığı, SSS, meta açıklama gibi.
• Her örneğe kaynak ekleyin: Hangi kampanyadan geldiğini ve nasıl performans gösterdiğini not edin.
• Tarih koyun: Marka dili değiştiğinde eski örnekleri ayıklayın.
• Kişisel veriyi temizleyin: Kütüphaneye yalnız anonim örnekleri alın.
• Sorumlu belirleyin: Kütüphaneyi güncel tutan bir kişi olsun.

Bu kütüphane zamanla markanızın yazılı hafızasına dönüşür. Yeni bir ekip arkadaşı geldiğinde, istem yazmayı öğrenmeden önce iyi örneklerin neye benzediğini görür. Üstelik farklı kişilerin ürettiği içerikler de aynı tonda buluşur.

Few-shot istemlerinde maliyet ve uzunluğu nasıl dengelersiniz?

Her örnek, isteğin uzunluğunu ve dolayısıyla token tüketimini artırır. Tek seferlik işlerde bu fark önemsiz kalır. Ancak aynı istemi günde yüzlerce kez API üzerinden çalıştırıyorsanız, örnek sayısı doğrudan faturaya yansır.

Dengeyi kurmak için birkaç pratik yöntem kullanıyorum. İlk olarak örnekleri kısaltıyorum; görev için gerekmeyen her cümleyi çıkarıyorum. İkinci olarak test setiyle kaç örneğin gerçekten fark yarattığını ölçüyorum. Çoğu zaman beşinci örnek, üçüncüye göre ölçülebilir bir iyileşme getirmiyor.

• Örnekleri gereksiz açıklamalardan arındırın.
• Sabit istem bölümünü her çağrıda aynı tutun; bazı sağlayıcılar tekrar eden istem bölümleri için önbellekleme sunuyor, ayrıntıyı kendi sağlayıcınızın dokümantasyonundan kontrol edin.
• Basit görevleri daha küçük ve ucuz modellere yönlendirin.

Kısacası amaç en çok örneği vermek değil, istenen kaliteye ulaşan en az örneği bulmak.

Few-shot prompting öğrenmek için nereden başlamalısınız?

En iyi öğrenme yolu, kendi işinizden tek bir görevle deneme yapmak. Size her hafta zaman kaybettiren kısa bir metin işini seçin. Önce zero-shot deneyin, ardından arşivinizden üç iyi örnek ekleyin ve farkı karşılaştırın. Bu küçük deney, onlarca makaleden daha öğretici olur.

İkinci adım, resmi dokümantasyonu okumak. Bu yazıda bağlantısını verdiğim Anthropic ve Google rehberleri kısa ve pratik. Üçüncü adım ise test setinizi kurmak. Böylece istemlerinizi zamanla iyileştirebilirsiniz.

Yapay zekayı pazarlama stratejinizin bütününe nasıl yerleştireceğinizi düşünüyorsanız, SEO danışmanlığı sürecinde ekibimle hem içerik üretimini hem de yapay zeka aramalarındaki görünürlüğü birlikte ele alıyoruz. Özetle few-shot prompting, en düşük maliyetle en hızlı kalite artışı sağlayan tekniklerden biri. Doğru örnekleri seçmek ise tamamen sizin uzmanlığınıza bağlı.