MISSION 07

Few-Shot Learning

Zeig der KI, was du willst – mit Beispielen! Lerne, wie du durch Vorbilder die Qualität deiner Antworten explosionsartig steigerst.

🎯 Deine Lernziele

Du verstehst, warum Beispiele mächtiger sind als Beschreibungen

Du erstellst effektive Input-Output-Beispiele

Du wendest Few-Shot Learning auf Text, Code und Daten an

💡

Die Macht der Beispiele

Stell dir vor, du sollst jemandem beibringen, was ein Haiku ist:

Nur Beschreibung:
"Ein Haiku ist ein japanisches Gedicht mit 3 Zeilen und bestimmten Silbenzahlen."

Mit Beispiel:
"Ein Haiku hat 5-7-5 Silben:
Der alte See
Ein Frosch springt hinein – Platsch!
Stille wieder."

Welche Erklärung hilft mehr? Das Beispiel! Dasselbe gilt für KI. Ein gutes Beispiel sagt mehr als tausend Worte.

⚡ Zero-Shot vs. Few-Shot: Der Unterschied

❌ Zero-Shot (Nur Anweisung)

✅ Few-Shot (Mit Beispielen)

Aufgabe: Klassifiziere Produktbewertungen als positiv/negativ

Prompt:
"Klassifiziere diese Bewertungen als positiv oder negativ."

Problem: Die KI versteht nicht genau, was du meinst. Nutzt sie Sterne? Den Ton? Keywords?

Aufgabe: Klassifiziere Produktbewertungen als positiv/negativ

Prompt:

Bewertung: "Lieferung war schnell, aber Qualität mäßig."
Sentiment: neutral


Bewertung: "Absolut fantastisch, würde wieder kaufen!"
Sentiment: positiv


Bewertung: "Total enttäuscht, Geld zurück!"
Sentiment: negativ


Bewertung: "[DEINE BEWERTUNG]"
Sentiment:

Ergebnis: Die KI versteht das Muster und wendet es an!

🧬 Die Anatomie guter Beispiele

Klarer Input

Was geht rein? Ein Satz? Ein Text? Daten?

Input: "Das Produkt ist okay."

Klarer Output

Was soll rauskommen? Format, Stil, Länge?

Output: {"sentiment": "neutral", "confidence": 0.7}

Konsistenz

Alle Beispiele im gleichen Format!

✓ GLEICHES FORMAT

Varietät

Zeige verschiedene Fälle (Edge Cases!)

positiv / negativ / neutral / Sarkasmus

📋 Die Goldene Regel:

Input: [Dein Input hier]
Output: [Gewünschter Output hier]


Input: [Dein Input hier]
Output: [Gewünschter Output hier]


Input: [ECHTE AUFGABE]
Output:

Die KI wird das letzte Output automatisch vervollständigen!

🔨 Der Few-Shot Builder

Wähle eine Aufgabe und sieh, wie sich der Prompt mit Beispielen verbessert:

Wähle eine Aufgabe:

Anzahl der Beispiele:

Dein Few-Shot Prompt:

So antwortet die KI:

📚 Bewährte Few-Shot Muster

🎭

Stil-Transfer

Lehre der KI einen bestimmten Schreibstil:

Input: Willkommen in unserem Shop.

Output: Hey du! 🎉 Willkommen im Club – schön, dass du hier bist!

Marketing Tone of Voice

📊

Struktur-Vorgabe

Definiere das gewünschte Ausgabeformat:

Input: Ich habe am Montag einen Termin beim Arzt.

Output: {"was": "Arzttermin", "wann": "Montag", "wo": "", "prio": "normal"}

JSON Data Extraction

🔄

Umformulierung

Zeige, wie Text transformiert werden soll:

Input: Das Produkt ist nicht schlecht.

Output: Das Produkt ist gut.

Simplification Clarity

🧩

Klassifizierung

Sortiere Inhalte in Kategorien:

Input: Mein Computer startet nicht mehr.

Output: Kategorie: Hardware → Sub: Boot-Probleme

Support Routing

✨ Qualitäts-Tipps für Beispiele

✅

Dos

Starte mit einfachen Beispielen, steigere dann
Zeige Edge Cases (Grenzfälle)
Halte Beispiele kurz und prägnant
Nutze 2-5 Beispiele (meist optimal)
Ende mit dem echten Input (ohne Output)

❌

Don'ts

Widersprüchliche Beispiele geben
Zu viele Beispiele (Context-Limit!)
Nur ähnliche Fälle zeigen
Zu komplexe Beispiele am Anfang
Format zwischen Beispielen ändern

🚀 Einsatzgebiete im echten Leben

📧

E-Mail Kategorisierung

Sortiere eingehende Mails automatisch in "Wichtig", "Werbung", "Support"...


Input: "50% Rabatt auf alle Schuhe!"

Kategorie: Werbung


Input: "Projekt-Deadline morgen"

Kategorie: Wichtig

💬

Chatbot Training

Lehre deinen Bot, wie er auf verschiedene Anfragen reagieren soll:


Kunde: "Wann kommt meine Lieferung?"

Antwort: "Lass mich nachschauen..."

📱

Content Moderation

Erkenne problematische Kommentare automatisch:


Kommentar: "Du bist so dumm!"

Aktion: Warnung aussprechen


Kommentar: "Guter Punkt, aber..."

Aktion: OK

📄

Daten-Extraktion

Extrahiere strukturierte Daten aus unstrukturiertem Text:


Text: "Max Mustermann, 25.03.1990"

JSON: {"name": "Max Mustermann", "geb": "25.03.1990"}

🔥 Pro-Tipps für Few-Shot

Chain-of-Thought + Few-Shot kombinieren

Zeige in Beispielen nicht nur das Ergebnis, sondern auch den Denkweg:

"Input: 2+3×4
Denkprozess: Zuerst Multiplikation (3×4=12), dann Addition (2+12=14)
Output: 14"

Negative Beispiele nutzen

Zeige auch, was NICHT gewünscht ist, um Missverständnisse zu vermeiden.

Beispiele aus der echten Welt

Nutze tatsächliche Daten deines Projekts als Beispiele – dann passt der Output perfekt!

Dynamische Few-Shot Templates

Erstelle wiederverwendbare Templates mit Platzhaltern für verschiedene Aufgaben.

✅ Schnell-Check

1. Was ist das Hauptprinzip von Few-Shot Learning?

Mehr Prompts senden

Beispiele zeigen statt zu beschreiben

longerLängere Prompts schreiben

2. Wie viele Beispiele sind meist optimal?

10+ Beispiele

two-five2-5 Beispiele

Nur 1 Beispiel

3. Was ist bei den Beispielen wichtig?

Sie müssen komplex sein

similarSie sollten alle ähnlich sein

consistentKonsistentes Format

📊 Dein Missions-Fortschritt

0/3 Lernziele erreicht

0% Gesamtfortschritt

🎯 Hake alle Lernziele ab, um die Mission abzuschließen!

🎓

Mission 7 abgeschlossen!

Du lehrst jetzt die KI durch Beispiele – wie ein Meister!

⭐ +100 XP

🏆 Achievement: "Few-Shot Expert"

Nächste Mission →