Zero-Shot / Few-Shot Learning

Moderne Large Language Models (LLMs) können Aufgaben lösen, ohne explizit darauf trainiert worden zu sein – das ist das Kernprinzip dieser Ansätze.

Zero-Shot Learning

Du gibst dem Modell keine Beispiele, sondern nur eine klare Aufgabenbeschreibung. Das Modell nutzt sein vortrainiertes Wissen, um die Aufgabe zu lösen.

# Zero-Shot: Keine Beispiele, nur Instruktion
prompt = """
Klassifiziere den folgenden Text als 'positiv', 'negativ' oder 'neutral'.

Text: "Das Produkt hat meine Erwartungen voll erfüllt."
Sentiment:
"""
# Erwartete Ausgabe: positiv

Few-Shot Learning

Du gibst dem Modell 2–5 Beispiele direkt im Prompt (In-Context Learning). Das hilft besonders bei:

ungewöhnlichen Ausgabeformaten
domänenspezifischer Sprache
konsistenten Klassifikationsregeln

# Few-Shot: Mit Beispielen im Prompt
prompt = """
Klassifiziere Kundenfeedback:

Text: "Lieferung war super schnell!" → positiv
Text: "Artikel ist kaputt angekommen." → negativ
Text: "Paket kam pünktlich." → neutral

Text: "Ich bin total begeistert vom Support!" →
"""
# Erwartete Ausgabe: positiv

Wann was verwenden?

Ansatz	Wann sinnvoll
Zero-Shot	Einfache, klar definierte Aufgaben
Few-Shot	Spezifische Formate oder Domänen
Fine-Tuning	Viele Beispiele, konsistente Performance nötig

Praktischer Tipp

Starte immer mit Zero-Shot. Wenn die Ergebnisse inkonsistent sind, füge 2–3 Beispiele hinzu (Few-Shot). Erst wenn das nicht reicht, lohnt sich Fine-Tuning – das ist deutlich aufwändiger und teurer.

import openai

client = openai.OpenAI()

# Few-Shot via messages
response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "Du klassifizierst Kundenfeedback."},
        {"role": "user", "content": "Lieferung war super schnell!"},
        {"role": "assistant", "content": "positiv"},
        {"role": "user", "content": "Artikel ist kaputt angekommen."},
        {"role": "assistant", "content": "negativ"},
        {"role": "user", "content": "Ich bin total begeistert vom Support!"}
    ]
)
print(response.choices[0].message.content)  # positiv

Die Beispiele im Few-Shot-Prompt verbrauchen Token – bei langen Kontexten kann das die Kosten erhöhen. Halte Beispiele daher so kompakt wie möglich.

Zero-Shot / Few-Shot Learning