การแสดงตัวอย่าง Example Prompting

💡 Key Takeaways

• เข้าใจเทคนิค Example Prompting หรือ Shot Prompting
• เข้าใจ Zero-Shot Prompting และตัวอย่าง
• เข้าใจ One-Shot Prompting และตัวอย่าง
• เข้าใจ Few-Shots Prompting และตัวอย่าง
• ตัวอย่าง Few-Shots Prompting แบบเป็นโครงสร้าง
• การประยุกต์ใช้ Few-Shots Prompting กับ Sentiment Analysis

รูปแบบต่างๆ ของ Example Prompting หรือ Shot Prompting

Example Prompting หรือ Few-shot Prompting คือการใส่ตัวอย่างลงไปใน Prompt เพื่อชี้นำให้ AI ตอบในรูปแบบหรือบริบทที่เราต้องการ

ซึ่งคำว่า "Shot" ในบริบทของ AI prompting หมายถึง "ตัวอย่าง" ที่เราใช้แสดงให้ AI Model เห็นว่าเราต้องการให้มันสร้างผลลัพธ์แบบใด โดยทั่วไปแล้วจะมีการเรียกชื่อตามจำนวนตัวอย่างที่ใช้ เช่น Zero-Shot (ไม่ใช้ตัวอย่าง), One-Shot (ใช้ตัวอย่าง 1 ชุด) และ Few-Shots (ใช้ตัวอย่างหลายชุด) เรามาดูตัวอย่างง่าย ๆ ของแต่ละแบบกันดีกว่า

Zero-Shot Prompting

Zero-Shot Prompting เป็นรูปแบบพื้นฐานที่สุดของ Prompting คือการสั่ง Prompt ให้ Model AI โดยไม่มีตัวอย่าง (Zero-Example) และขอให้มันสร้างผลออกมา ดังนั้น Prompt Instruction ทั้งหมดที่คุณได้เรียนในบทก่อนหน้านี้จนถึงตอนนี้จึงเป็น Zero-Shot Prompting

ตัวอย่าง ของ Zero-Shot Prompt เช่น

Prompt :

คำสั่งแบบนี้จัดเป็น Zero-Shot เพราะเราไม่ได้ให้ตัวอย่างใด ๆ กับ Model AI

One-Shot Prompting

One-Shot Prompting คือ การที่เราแสดงตัวอย่างเพียง หนึ่งตัวอย่าง ให้กับโมเดล

ตัวอย่างเช่น

Prompt :

คำสั่งนี้จัดเป็น One-Shot เพราะเราได้ทำการแสดงตัวอย่างให้ Model AI เห็นหนึ่งตัวอย่างคือ 3+3: 6 ดังนั้น Model AI จะทำการคาดการณ์ว่า 2+2: จะมีคำตอบเท่ากับ 4

Few-Shots Prompting

Few-Shots Prompting คือ เมื่อคุณแสดงตัวอย่างให้โมเดลดู 2 ตัวอย่างหรือมากกว่านั้น

เรามาดูตัวอย่างของ Few-Shots กัน

Prompt :

คำสั่งนี้จัดเป็นการสั่งงานแบบ Few-Shots ที่เราได้แสดงตัวอย่างสำหรับโมเดล 2 ตัวอย่าง (3+3: 6 และ 5+5: 10) โดยทั่วไปแล้วยิ่งคุณแสดงตัวอย่างให้โมเดลดูเยอะเท่าไหร่ผลลัพธ์ที่ได้ก็จะดีขึ้นเท่านั้น

การจัดโครงสร้าง Example’s Prompt Structure

วิธีที่เราจัดโครงสร้าง Example Prompt นั้นมีความสำคัญมากสำหรับ Few-Shot Prompting คือ เมื่อคุณต้องการให้ผลลัพธ์มี "โครงสร้างในรูปแบบเฉพาะ" ซึ่งยากที่จะอธิบายให้โมเดลเข้าใจ เพื่อทำความเข้าใจเรื่องนี้ ลองพิจารณาตัวอย่างนี้

สมมติว่าคุณต้องการรวบรวมรายชื่อและอาชีพของผู้เข้าสมัคร สว. จาก ข่าวนี้ ซึ่งเป็นบทความจากหนังสือพิมพ์ออนไลน์ คุณต้องการให้โมเดลอ่านข่าวและแสดงผลรายชื่อและอาชีพในรูปแบบ ชื่อ นามสกุล [อาชีพ] เพื่อสั่งให้โมเดลทำตามแบบที่คุณต้องการ คุณควรแสดงตัวอย่างให้ดูสอง-สามตัวอย่าง ดังนี้

Prompt :

ก่อนใช้คำสั่ง Prompt ให้ทำการ Upload ไฟล์ “ข่าวคัดเลือกสว.pdf” เข้าไปก่อน

หลังจากนั้นให้พิมพ์ Prompt ตามนี้

AI Output :

การแสดงตัวอย่างรูปแบบผลลัพธ์ที่ถูกต้องให้โมเดลเห็น มันจะสามารถสร้างผลลัพธ์ที่ถูกต้องตามที่เราต้องการได้ เราสามารถสร้างผลลัพธ์แบบเดียวกันนี้โดยใช้ไม่ให้ตัวอย่าง (Zero-Shot Prompting) แทนก็ได้ แต่การให้ตัวอย่าง 2-3 ตัวอย่าง (Few-Shots Prompting) จะให้ผลลัพธ์ที่สม่ำเสมอกว่ามาก

การประยุกต์ใช้ Few-Shots Prompting กับ Sentiment Analysis

ลองพิจารณาตัวอย่างจากรูป "Sentiment Analysis" เป็นการวิเคราะห์เพื่อจำแนกประเภทหรือ “Classify” ความคิดเห็นของลูกค้าว่าเป็นเชิงบวกหรือเชิงลบ เราแสดงตัวอย่างความเห็นเชิงบวก/ลบให้ Model เห็น 3 ตัวอย่าง จากนั้นเราก็แสดงความเห็นใหม่ที่ยังไม่ได้ถูก Classify (It doesn't work!:) ให้ Model เห็น ดังนั้น Model จะสังเกตว่า 3 ตัวอย่างแรกถูก Classify เป็น บวก (Positive) หรือ ลบ (Negative) และใช้ข้อมูลนี้ในการ Classify ตัวอย่างใหม่ว่าเป็น Negative

คราวนี้เรามาดูตัวอย่างการวิเคราะห์ Sentiment Analysis ความคิดเห็นลูกค้าที่เป็นภาษาไทยกันดูบ้าง

Prompt :

Ai Output :

ในการใช้งานจริงเราสามารถนำความคิดเห็นลูกค้าที่ Export มาแล้วจากระบบต่าง ๆ เป็น xls หรือ csv มาเพื่อใช้ Upload เป็น Input ในการคัดแยกได้

สรุป

โดยสรุปแล้ว Few-Shots Prompting นับเป็นกลยุทธ์ที่มีประสิทธิภาพซึ่งสามารถชี้นำ Model AI ให้สร้างคำตอบที่ถูกต้องและมีโครงสร้างที่เหมาะสมได้ การใช้ตัวอย่าง 2 - 3 ตัวอย่าง ทำให้ Few-Shots Prompting ทำให้ Model เข้าใจรูปแบบ Output ที่เราต้องการ ซึ่งทำให้วิธีนี้เป็นที่นิยมมากกว่า Zero-Shot และ One-Shot Prompting ในหลาย ๆ สถานการณ์

นอกจากนี้ Few-Shots Prompting จะช่วยให้ AI Model เรียนรู้และปรับตัวเข้ากับ Task ใหม่ ๆ ได้อย่างรวดเร็ว โดยอาศัยข้อมูลตัวอย่างจำนวนไม่มากนัก วิธีนี้จึงมีประโยชน์อย่างยิ่งในการพัฒนา AI ให้มีความยืดหยุ่นและสามารถประยุกต์ใช้งานได้หลากหลาย และเราคาดหวังว่าเทคนิคดังกล่าวจะถูกนำไปใช้งานกันอย่างแพร่หลายมากขึ้นในวงการ AI

บทเรียนถัดไป บทที่ 7 "รวม Prompt เทคนิคเข้าด้วยกัน"

อ่านบทเรียนอื่น ๆ เพิ่มเติม ได้ ที่นี่