Wat is few-shot learning? Uitleg voor MKB
Erwin Berkouwer
Few-shot learning is een prompttechniek waarbij een AI-model twee tot vijf voorbeelden in de prompt krijgt om een taak te leren zonder hertraining, ook wel in-context learning genoemd. Het is met name voor MKB-bedrijven bruikbaar om snel taken als classificatie, tekststructurering of labeling te automatiseren zonder dataset of data science team. Bij zeer hoge volumes of complexe taken kan fine-tuning op termijn efficienter zijn.
Few-shot learning betekent dat je een AI-model een handvol voorbeelden meegeeft in de prompt, waarna het model het patroon overneemt zonder dat je het model opnieuw hoeft te trainen.
Few-shot learning is een manier om een AI-model iets nieuws te leren door het een paar voorbeelden te tonen, direct in de prompt, in plaats van het model opnieuw te trainen op een grote dataset. Je laat het model in feite meekijken met twee of drie voorbeelden van hoe een taak eruitziet, en het model past dat patroon toe op jouw volgende vraag.
Bij grote taalmodellen zoals de modellen achter ChatGPT of Claude heet dit ook wel in-context learning: het model leert niets permanent, maar gebruikt de voorbeelden in het gesprek als tijdelijke context om beter te presteren op de taak die je vraagt.
Few-shot learning is als een nieuwe collega drie voorbeeldmails laten lezen voordat je vraagt om zelf een reactie te schrijven. Geen cursus, geen dagen training, gewoon een paar goede voorbeelden en de collega snapt de toon en structuur.
Hoe werkt het
In de praktijk werkt few-shot learning in drie stappen:
- Je stelt de taak vast (bijvoorbeeld: klantmails classificeren als klacht, vraag of compliment).
- Je geeft twee tot vijf voorbeelden mee in de prompt, elk met invoer en het gewenste antwoord.
- Je stelt de echte vraag, en het model herkent het patroon en past het toe.
Dit verschilt van traditionele machine learning, waarbij een model duizenden gelabelde voorbeelden nodig heeft en apart getraind moet worden voordat het bruikbaar is. Bij moderne taalmodellen is die trainingsstap al gedaan; few-shot learning haakt daar bovenop in door in de prompt zelf sturing te geven.
Onderzoekers noemen dit ook wel 1-shot (een voorbeeld), few-shot (meerdere voorbeelden) en zero-shot (geen voorbeeld, alleen instructie). Hoe complexer de taak, hoe meer voorbeelden meestal nodig zijn om het model op het juiste spoor te zetten.
Waarom relevant voor MKB
Voor een MKB-bedrijf is few-shot learning aantrekkelijk omdat je geen dataset hoeft te verzamelen, geen model hoeft te trainen en geen data science team nodig hebt. Je gebruikt een bestaand model zoals GPT of Claude en stuurt het bij met een paar goede voorbeelden uit je eigen praktijk.
Denk aan toepassingen als:
- E-mails automatisch categoriseren op basis van drie voorbeeldmails per categorie
- Offertes of rapporten in de juiste huisstijl laten schrijven aan de hand van twee bestaande voorbeelden
- Klantfeedback labelen (positief, negatief, actie nodig) zonder handmatige regels te programmeren
- Data uit facturen of formulieren consistent structureren volgens een vast voorbeeldformaat
Dit soort toepassingen kun je vaak binnen een paar dagen testen, in plaats van weken wachten op een getraind model. Wil je weten welke processen in jouw bedrijf zich hiervoor lenen, dan geeft een AI-scan snel inzicht in kansen met een lage instapdrempel.
Voorbeeld
Stel je wilt binnenkomende supportvragen automatisch classificeren. Een few-shot prompt ziet er dan ongeveer zo uit:
Voorbeeld 1 invoer: "Mijn factuur klopt niet, ik ben te veel in rekening gebracht." Voorbeeld 1 antwoord: Klacht - facturatie.
Voorbeeld 2 invoer: "Hoe kan ik mijn wachtwoord resetten?" Voorbeeld 2 antwoord: Vraag - account.
Voorbeeld 3 invoer: "Jullie service was echt top, bedankt!" Voorbeeld 3 antwoord: Compliment.
Nieuwe invoer: "Ik krijg al drie keer dezelfde foutmelding bij het inloggen." Antwoord: ?
Het model herkent uit de drie voorbeelden welk soort antwoord verwacht wordt en classificeert de nieuwe vraag op dezelfde manier, zonder dat er ergens een trainingsdataset aan te pas komt.
Wanneer wel, wanneer niet toepassen
| Situatie | Few-shot learning geschikt? |
|---|---|
| Snel testen van een nieuw idee | Ja, ideaal voor een eerste proof of concept |
| Taak met duidelijke, herhaalbare patronen | Ja, werkt goed met twee tot vijf voorbeelden |
| Zeer specifieke, bedrijfskritische taak met duizenden variaties | Vaak beperkt; overweeg fine-tuning of een specialistisch model |
| Extreem hoog volume waarbij elke prompt-token kosten meetelt | Kijk naar alternatieven, want voorbeelden verhogen de prompt-lengte en dus de kosten |
| Taken die vertrouwelijke of gevoelige voorbeelddata vereisen | Let extra op welke voorbeelden je meestuurt naar een extern model |
Als je merkt dat few-shot learning het plafond bereikt qua nauwkeurigheid, is een gesprek met een partij die verstand heeft van AI-consultancy een logische volgende stap, bijvoorbeeld om te bepalen of fine-tuning of een ander model beter past.
Verwante begrippen
- Zero-shot learning: het model krijgt geen voorbeelden, alleen een instructie, en moet de taak direct begrijpen.
- One-shot learning: het model krijgt precies één voorbeeld om het patroon uit af te leiden.
- Fine-tuning: het model wordt daadwerkelijk opnieuw getraind op jouw data, wat duurder is maar op termijn consistenter kan presteren bij grote volumes.
- Prompt engineering: de bredere discipline van het slim formuleren van prompts, waarbinnen few-shot learning een van de technieken is.
Deze technieken worden ook vaak gecombineerd binnen bredere automatiseringen, bijvoorbeeld wanneer AI-agents meerdere stappen na elkaar uitvoeren en bij elke stap een paar voorbeelden gebruiken om consistent te blijven werken.
Few-shot learning is voor de meeste MKB-toepassingen een lichte, snelle manier om een AI-model te sturen zonder technische drempel. Benieuwd of het ook voor jouw processen werkt? Een vrijblijvende AI-scan laat zien waar de kansen liggen.
Veelgestelde vragen
Korte, heldere antwoorden die je helpen sneller beslissen.
Is few-shot learning hetzelfde als fine-tuning?
Nee. Bij few-shot learning geef je voorbeelden mee in de prompt zelf, zonder het model aan te passen. Bij fine-tuning pas je de gewichten van het model daadwerkelijk aan op basis van een trainingsdataset, wat meer tijd en resources kost.
Hoeveel voorbeelden heb ik nodig voor few-shot learning?
Meestal volstaan twee tot vijf voorbeelden per patroon. [Inschatting] bij complexere classificatietaken kan het model baat hebben bij vijf tot tien voorbeelden, maar te veel voorbeelden verhoogt vooral de kosten zonder altijd extra nauwkeurigheid op te leveren.
Werkt few-shot learning met elk AI-model?
Het werkt het best bij grote taalmodellen die al breed getraind zijn, zoals de modellen achter ChatGPT en Claude. Kleinere of sterk gespecialiseerde modellen kunnen minder goed reageren op voorbeelden in de prompt.
Kost few-shot learning extra geld?
Ja, indirect: voorbeelden in de prompt tellen mee als tokens, dus meer voorbeelden betekent een langere prompt en hogere kosten per aanroep. Voor de meeste MKB-toepassingen blijft dit beperkt, maar bij hoog volume is het iets om in de gaten te houden.
