Yapay zekâ araçlarıyla çalışırken “neden istediğim sonucu alamıyorum?” diye hiç düşündün mü? Çoğu zaman sorun modelin kapasitesinde değil, ona verdiğin talimatlarda gizli. İşte tam bu noktada few-shot prompting yani örnekli prompt yazma devreye giriyor. Bu teknik, yapay zekâya ne istediğini sadece anlatmak yerine göstermeni sağlıyor ve sonuçları ciddi şekilde iyileştiriyor.
Bu yazıda few-shot mantığının ne olduğunu, zero-shot ve one-shot gibi kavramlarla farkını, pratik kullanım senaryolarını ve kendi promptlarını nasıl güçlendirebileceğini öğreneceksin. Örneklerle ilerleyeceğiz, böylece hemen uygulayabilirsin.
Few-Shot Prompting Nedir?
Kısa Tanım: Few-shot prompting, yapay zekâ modeline bir görev verirken birkaç örnek ekleyerek istenen çıktı formatını ve mantığını gösterme tekniğidir. “Few” kelimesi İngilizce’de “birkaç” anlamına gelir; yani modele 2-5 arası örnek sunarak onu yönlendirirsin.
Pratikte en sık görülen durum şu: Kullanıcı yapay zekâdan bir şey ister, model genel bir cevap verir ama tam olarak beklenen formatta veya tonda olmaz. Few-shot tekniğinde ise önce “işte böyle yapmanı istiyorum” dercesine örnekler verirsin, ardından asıl görevini belirtirsin. Model bu örneklerden kalıbı çıkarır ve yeni girdiye aynı mantıkla yaklaşır.
Nerede Kullanılır?
- Metin sınıflandırma (olumlu/olumsuz yorum ayrımı gibi)
- Belirli bir formatta içerik üretme (ürün açıklaması, sosyal medya postu)
- Dil çevirisi ve ton dönüşümü
- Veri çıkarma ve yapılandırma (e-postadan bilgi ayıklama)
- Kod yazımı ve hata düzeltme
Basit Bir Örnek
Diyelim ki yapay zekâdan ürün yorumlarını “olumlu” veya “olumsuz” olarak sınıflandırmasını istiyorsun. Zero-shot (örneksiz) bir prompt şöyle olurdu:
“Şu yorumu olumlu veya olumsuz olarak sınıflandır: ‘Kargo çok geç geldi ama ürün kaliteli.'”
Model burada kararsız kalabilir çünkü yorum karma. Şimdi few-shot versiyonuna bakalım:
“Yorum: ‘Harika bir ürün, çok memnunum.’ → Olumlu
Yorum: ‘Para vermeye değmez, bozuk çıktı.’ → Olumsuz
Yorum: ‘Fiyatına göre idare eder.’ → Olumlu
Yorum: ‘Kargo çok geç geldi ama ürün kaliteli.’ → ?”
Bu şekilde model, senin sınıflandırma mantığını örneklerden öğrenir ve tutarlı sonuç üretir.
Zero-Shot, One-Shot ve Few-Shot Arasındaki Farklar
Bu üç terim, modele verilen örnek sayısına göre ayrılır. Hangisini ne zaman kullanacağını bilmek, prompt yazma becerinizi bir üst seviyeye taşır.
Zero-Shot Prompting
Hiç örnek vermeden doğrudan talimat verirsin. Basit ve genel görevlerde işe yarar. Örneğin: “Şu metni özetle” veya “Bu kelimenin eş anlamlısını yaz.” Model zaten bu tür görevleri eğitiminden tanıyor, ekstra yönlendirmeye gerek kalmıyor.
One-Shot Prompting
Tek bir örnek verirsin. Görev biraz spesifikse ama çok karmaşık değilse yeterli olabilir. Örneğin belirli bir e-posta formatı istiyorsan, bir tane örnek gösterip “şimdi sen de böyle yaz” diyebilirsin.
Few-Shot Prompting
İki ile beş arası örnek sunarsın. Karmaşık görevlerde, tutarlılık gerektiren durumlarda ve modelin “ne istediğini tam anlamadığı” senaryolarda en etkili yöntem budur. Örnekler arttıkça model kalıbı daha iyi kavrar, ancak çok fazla örnek de promptu gereksiz uzatır.
Kilit Çıkarım: Görev ne kadar spesifik ve karmaşıksa, o kadar fazla örneğe ihtiyacın var. Ama 5-6 örnekten sonra genelde verim artışı duruyor.
Etkili Few-Shot Prompt Nasıl Yazılır?
Örnekli prompt yazarken rastgele örnekler seçmek yetmez. Örneklerin kalitesi, modelin çıktı kalitesini doğrudan etkiler. İşte dikkat etmen gereken noktalar:
1) Örneklerin Çeşitliliğini Sağla
Hep aynı tarz örnekler verirsen model dar bir kalıba saplanır. Farklı senaryoları kapsayan örnekler seç. Mesela duygu analizi yapıyorsan sadece “çok mutluyum” gibi net cümleler değil, karma veya belirsiz ifadeler de ekle.
2) Format Tutarlılığını Koru
Her örnekte aynı yapıyı kullan. Girdi ve çıktı arasındaki ayırıcılar (ok işareti, iki nokta, satır başı) tutarlı olmalı. Model bu formatı taklit edecek, karışık format karışık sonuç demek.
3) Gerçekçi ve Alakalı Örnekler Seç
Örneklerin, asıl görevle benzer zorlukta ve konuda olması gerekiyor. Basit örnekler verip karmaşık bir görev beklersen model bocalar.
4) Örnek Sayısını Dengele
Genelde 3-5 örnek yeterli. Çok az örnek kalıbı net göstermez, çok fazla örnek ise promptu uzatır ve bazen modeli şaşırtır. Token limitleri de cabası.
Mini Senaryo: Şu Durumda Ne Yaparsın?
Diyelim ki bir e-ticaret sitesi için ürün başlıkları oluşturuyorsun. İlk denemen şöyle:
“Şu ürün için başlık yaz: Bluetooth kulaklık, siyah renk, 20 saat pil ömrü.”
Model genel bir başlık üretir ama senin marka tarzına uymayabilir. Few-shot ile düzelt:
“Ürün: Kablosuz mouse, ergonomik tasarım, şarj edilebilir → Başlık: Ergonomik Kablosuz Mouse | Şarj Edilebilir | Konforlu Kullanım
Ürün: Mekanik klavye, RGB aydınlatma, Türkçe Q → Başlık: RGB Mekanik Klavye | Türkçe Q | Oyuncu Dostu
Ürün: Bluetooth kulaklık, siyah renk, 20 saat pil ömrü → Başlık: ?”
Şimdi model senin başlık formatını (özellik sıralaması, ayırıcı kullanımı, ton) öğrendi ve tutarlı çıktı verecek.
Few-Shot Prompting ile Sık Yapılan Hatalar
Bu teknik güçlü olsa da yanlış uygulandığında beklenen faydayı sağlamaz. İşte kaçınman gereken yaygın hatalar:
- Örneklerde hata bırakmak: Yazım hatası veya yanlış sınıflandırma içeren örnekler modeli de yanıltır.
- Çok benzer örnekler vermek: Hepsi aynı kalıpta olursa model farklı girdilerde zorlanır.
- Örnek ile asıl görev arasında uçurum: Basit örnekler verip karmaşık görev beklemek sonucu bozar.
- Bağlam eksikliği: Örneklerin neden o şekilde cevaplandığını modelin anlaması için bazen kısa açıklama eklemek gerekir.
- Token limitini aşmak: Çok uzun örnekler, modelin asıl göreve ayıracağı alanı daraltır.
Pro İpucu: Örneklerini yazarken kendin de “bu örnekten ne öğrenirdim?” diye düşün. Eğer sen bile kalıbı çıkaramıyorsan, model de çıkaramaz.
Gelişmiş Kullanım: Chain-of-Thought ile Birleştirme
Few-shot tekniğini bir adım öteye taşımak istersen, örneklerinde sadece girdi-çıktı değil, düşünce sürecini de gösterebilirsin. Buna “chain-of-thought prompting” deniyor.
Örneğin matematik problemi çözdürüyorsan:
“Soru: Ali’nin 15 elması var, 7 tanesini verdi. Kaç elması kaldı?
Düşünce: 15 elmadan 7 çıkarırsak 15-7=8 kalır.
Cevap: 8 elma
Soru: Ayşe’nin 23 kitabı var, 9 tane daha aldı. Kaç kitabı oldu?
Düşünce: ?”
Bu şekilde model sadece sonucu değil, mantık yürütme sürecini de öğrenir. Karmaşık problemlerde hata oranı düşer.
Sıkça Sorulan Sorular
Few-shot prompting her yapay zekâ modelinde çalışır mı?
Büyük dil modelleri (GPT serisi, Claude, Gemini gibi) few-shot öğrenmeye oldukça yatkın. Ancak daha küçük veya özelleşmiş modellerde etkisi sınırlı kalabilir. Genel kural: Model ne kadar büyük ve genel amaçlıysa, few-shot o kadar etkili.
Kaç örnek vermek en ideali?
Çoğu görev için 3-5 örnek yeterli. Çok basit görevlerde 2 örnek bile işe yarar. Karmaşık ve çok değişkenli görevlerde 5-7 örneğe çıkabilirsin ama daha fazlası genelde gereksiz.
Örneklerin sırası önemli mi?
Evet, bazı araştırmalar sıralamanın sonucu etkilediğini gösteriyor. Genelde en alakalı veya en zor örneği sona koymak iyi sonuç veriyor. Ama bu modelden modele değişebilir, deneyerek bulmak en iyisi.
Few-shot ile fine-tuning arasındaki fark nedir?
Few-shot, modeli değiştirmeden prompt içinde yönlendirme yapar; anlık ve esnek. Fine-tuning ise modelin ağırlıklarını binlerce örnekle yeniden eğitir; kalıcı ve daha güçlü ama maliyetli. Küçük ve değişken görevler için few-shot, büyük ve sabit görevler için fine-tuning mantıklı.
Türkçe içeriklerde few-shot etkili mi?
Evet, ancak modelin Türkçe eğitim verisi kalitesine bağlı. Büyük modeller Türkçe’de de gayet başarılı. Örneklerini Türkçe verdiğinde model Türkçe kalıbı öğrenir ve tutarlı çıktı üretir.
Sonuç: Örneklerle Yapay Zekâyı Yönlendir
Few-shot prompting, yapay zekâ araçlarından maksimum verim almanın en pratik yollarından biri. Modele ne istediğini anlatmak yerine göstermek, iletişim kopukluğunu ortadan kaldırıyor. Özellikle tutarlı format, belirli bir ton veya karmaşık mantık gerektiren görevlerde bu teknik vazgeçilmez.
Hemen bugün kullandığın yapay zekâ aracında bir few-shot prompt dene. Önce örneksiz sonucu gör, sonra 2-3 örnek ekleyip farkı karşılaştır. Kendi kullanım senaryolarına uygun örnek setleri oluşturup kaydettiğinde, her seferinde sıfırdan başlamak zorunda kalmazsın. Küçük bir yatırımla çıktı kaliteni ciddi şekilde artırabilirsin.
