Few-Shot Prompting

Het idee: Neem geverifieerde, hoogwaardige vertaalparen op als in-context voorbeelden, zodat het LLM de patronen, stijl en conventies van de doeltaal leert via demonstratie in plaats van instructie.

:::info Dit is een kookboek, geen kant-en-klare implementatie Deze gids schetst de aanpak en de belangrijkste ontwerpbeslissingen. Pas deze aan uw taalpaar en beschikbare middelen aan. :::

Wanneer te gebruiken

• U beschikt over een kleine set geverifieerde vertalingen (zelfs 5–10 gouden paren helpen)
• U wilt dat het LLM een specifieke stijl of register nabootst via voorbeelden in plaats van regels
• Uw doeltaal heeft patronen die gemakkelijker te tonen dan te beschrijven zijn (woordvolgorde, affixatiepatronen, formaliteitsmarkeringen)

Hoe het werkt

1. Voorbeeldparen samenstellen — selecteer hoogwaardige bron→doelvertalingen die sleutelpatronen demonstreren
2. Opmaken als in-context voorbeelden — neem ze op in de systeem- of gebruikersprompt vóór het eigenlijke vertaalverzoek
3. De harness uitvoeren — meet of voorbeelden de metrics verbeteren ten opzichte van zero-shot
4. Voorbeeldselectie verfijnen — wissel voorbeelden uit om verschillende faalpatronen te dekken

Voorbeeldpromptstructuur

You are translating English to Plains Cree (SRO orthography).

Examples of correct translations:
- "Hello" → "tânisi"
- "Thank you" → "kinanâskomitin"  
- "I am going home" → "nikîwân"
- "The children are playing" → "awâsisak mêtawêwak"

Now translate the following:
- "Welcome to the school"

Kritieke regel: geen contaminatie van evaluatiedata

:::danger Gebruik GEEN evaluatiedata als few-shot voorbeelden Als uw voorbeelden afkomstig zijn uit de evaluatiedataset, wordt uw methode gediskwalificeerd van het leaderboard. Few-shot voorbeelden moeten afkomstig zijn uit onafhankelijke bronnen — woordenboeken, leerboeken, door de gemeenschap geverifieerde paren of een afzonderlijke ontwikkelingsset. De harness maakt een vingerafdruk van uw exacte prompt; contaminatie is detecteerbaar. :::

Belangrijke ontwerpbeslissingen

Hoeveel voorbeelden? 3–8 is het optimale bereik. Minder geeft het LLM te weinig signaal; meer verbruikt het contextvenster voor afnemende meeropbrengsten.

Welke voorbeelden? Geef prioriteit aan diversiteit boven moeilijkheidsgraad. Dek verschillende zinsstructuren, woordlengtes en grammaticale kenmerken. Cluster voorbeelden niet rond één patroon.

Statische versus dynamische selectie? Statische voorbeelden zijn eenvoudiger. Dynamische selectie (voorbeelden kiezen die vergelijkbaar zijn met de huidige invoer) kan de kwaliteit verbeteren, maar voegt complexiteit toe — overweeg geketende modellen voor de retrievalstap.

Voor- en nadelen

✅ Krachtig voor stijlnabootsing	❌ Klein contextvenster beperkt het aantal voorbeelden
✅ Geen training vereist	❌ Voorbeeldselectie is een kunst, geen wetenschap
✅ Werkt met elk LLM	❌ Risico op contaminatie van evaluatiedata (diskwalificatie)
✅ Eenvoudig A/B-testen van verschillende voorbeeldsets	❌ Voorbeelden generaliseren mogelijk niet naar alle invoertypes

Combineert goed met

• Coached LLM Prompting — regels en voorbeelden samen presteren beter dan elk afzonderlijk
• Dictionary-Augmented LLM — verplichte termen gecombineerd met stijlvoorbeelden
• FST-Gated Pipeline — voorbeelden voor stijl, FST voor morfologische correctheid

Zie ook

• MT Evaluation Rules — wat leidt tot diskwalificatie
• Evaluation Datasets — weet wat u NIET als voorbeelden mag gebruiken
• Ondersteuning van een taal met weinig middelen