Few-Shot-Learning

Definition

Few-Shot-Learning bedeutet, ein KI-Modell mit einigen wenigen Beispielen im Prompt zu einer Aufgabe anzuleiten, sodass es dem gezeigten Muster folgt — ganz ohne Nachtraining.

Auch bekannt als: Few-Shot-PromptingIn-Context-Learningbeispielbasiertes Prompting

So funktioniert es

Sie zeigen dem Modell einige Eingabe-Ausgabe-Paare — etwa mehrere Tickets, die bereits mit der richtigen Kategorie versehen oder in Ihrem bevorzugten Ton beantwortet sind — und geben ihm dann eine neue Eingabe. Das Modell leitet das Muster aus diesen Beispielen ab und wendet es an; dieses Verhalten heißt In-Context-Learning, weil keine Gewichte aktualisiert werden.

Es liegt zwischen Zero-Shot-Learning (keine Beispiele) und vollem Fine-Tuning (Nachtraining auf einem großen Datensatz). Few-Shot ist schnell eingerichtet und leicht zu justieren: andere Beispiele, anderes Verhalten.

Warum es im Support wichtig ist

Few-Shot-Prompting ist der schnellste Weg, einen KI-Agenten an Stimme und Formatierung Ihres Teams anzupassen. Eine Handvoll Ihrer besten echten Antworten — oft aus Makros oder gelösten Tickets — schiebt ihn zu konsistenten, markengerechten Antworten, ganz ohne Fine-Tuning-Projekt.

Häufig gefragt

Was ist der Unterschied zwischen Few-Shot-Learning und Fine-Tuning?

Few-Shot legt die Beispiele zur Laufzeit in den Prompt, ohne das Modell zu verändern — schnell und flexibel, aber durch das Kontextfenster begrenzt. Fine-Tuning trainiert die Gewichte des Modells auf vielen Beispielen nach, was dauerhafter, aber langsamer und teurer einzurichten ist.

Wie viele Beispiele sind Few-Shot?

Typischerweise eine Handvoll — oft zwei bis einige Dutzend, je nach Aufgabe und Kontextfenster. Ziel sind genug Beispiele, um das Muster zu zeigen, ohne die eigentliche Eingabe zu verdrängen.

Few-Shot-Learning

So funktioniert es

Warum es im Support wichtig ist

Häufig gefragt

Verwandte Begriffe