Wat is zero-shot prompting en wanneer gebruik je het?

Zero-shot prompting is een opdracht aan een AI-model zonder voorbeelden van de gewenste uitkomst, alleen met een instructie en eventueel context. Binnen prompting geldt elke vraag die je zonder voorbeeld aan ChatGPT stelt als een zero-shot prompt.

Zero-shot werkt goed voor taken waarvan een taalmodel de vorm al uit zijn training kent, zoals samenvatten, herschrijven en vertalen. Bij een eigen huisstijl of een vast format schiet een instructie zonder voorbeeld vaak tekort.

Een zero-shot prompt wordt beter door doel, lezer, context, vorm en grenzen toe te voegen. Levert een betere instructie geen betere uitkomst meer op, dan is few-shot prompting met een paar voorbeelden de volgende stap.

Wat betekent zero-shot prompting?

Zero-shot prompting betekent dat je een AI-model een taak geeft zonder voorbeelden van de gewenste uitkomst, alleen met een instructie. Zero-shot verwijst naar nul voorbeelden.

Bij taalmodellen werd de term breed bekend door het onderzoek Language Models are Few-Shot Learners van Tom Brown en collega’s bij OpenAI uit 2020. Daarin is zero-shot de situatie waarin het model alleen een beschrijving van de taak in gewone taal krijgt, zonder demonstraties.

Hoe werkt zero-shot prompting?

Zero-shot prompting werkt omdat een taalmodel tijdens de training al heel veel taken in tekstvorm heeft verwerkt, zoals samenvattingen, vertalingen en indelingen. Een taalmodel herkent je instructie daardoor als een bekend soort taak en voert die uit zonder dat je de vorm voordoet.

Instruction tuning versterkt dat effect. Bij die extra trainingsstap leert een model op instructies te reageren, en Jason Wei en collega’s toonden in 2021 aan dat instruction tuning de zero-shot-prestaties op onbekende taken sterk verbetert.

Hoe ziet een zero-shot prompt eruit in je werk?

Een zero-shot prompt in je werk is een opdracht in ChatGPT met een duidelijke taak, context en gewenste vorm, maar zonder voorbeeld. Twee varianten van dezelfde opdracht laten het verschil zien:

Zwak: Vat deze mail samen.

Sterk: Vat de onderstaande mail van een cliënt samen in drie zinnen voor een collega die het dossier overneemt. Noem de vraag van de cliënt, de genoemde deadline en wat de cliënt nog van ons kantoor verwacht.

Beide prompts zijn zero-shot. De tweede prompt noemt lezer, lengte en de drie punten die erin horen, waardoor ChatGPT minder zelf invult.

Voor welke taken werkt zero-shot prompting goed?

Zero-shot prompting werkt goed voor taken waarvan het model de vorm uit zijn training kent en waarvan jij de uitkomst in woorden beschrijft. Vijf taken in kantoorwerk lenen zich daar goed voor:

• Samenvatten: een mail, notulen of een rapport inkorten tot de kern voor een specifieke lezer.
• Herschrijven: een tekst eenvoudiger, formeler of korter maken zonder de inhoud te wijzigen.
• Classificeren: mails, klachten of facturen indelen in categorieën die je zelf in de prompt noemt.
• Vertalen: een tekst omzetten naar een andere taal, met een instructie over toon en aanspreekvorm.
• Eerste opzet: een conceptmail, agenda of checklist als vertrekpunt voor je eigen bewerking.

Bij al deze taken is de gewenste uitkomst in woorden te beschrijven. Een voorbeeld voegt daar weinig aan toe.

Wanneer werkt zero-shot prompting niet?

Zero-shot prompting werkt niet goed wanneer de gewenste uitkomst lastig in woorden te vangen is. Huisstijl is het duidelijkste voorbeeld: de instructie “schrijf in onze toon” geeft een model zonder voorbeeldtekst geen houvast.

Hetzelfde geldt voor een vast eigen format, zoals de opbouw van een adviesrapport, en voor eigen categorieën die afwijken van gangbare indelingen. Zero-shot prompts zijn daarnaast gevoelig voor formulering: een kleine wijziging in de instructie geeft soms een merkbaar andere uitkomst.

In de periode dat ik ChatGPT intensief gebruikte, kwam ik consistent tegen dat het bij complexere prompts met meerdere voorwaarden een deel van de instructies negeerde. Die ervaring dwong me om grote prompts op te delen in kleinere stappen.

Hoe maak je een zero-shot prompt beter zonder voorbeelden?

Om een zero-shot prompt beter te maken zonder voorbeelden, voeg je vijf onderdelen toe aan de instructie:

• Doel: waarvoor de output dient, bijvoorbeeld een besluit van de directie of een antwoord aan een cliënt.
• Lezer: wie de tekst leest en wat die lezer al weet.
• Context: de achtergrond die bij de taak hoort, zoals het dossier of de afspraak die eraan voorafging.
• Vorm: lengte, opbouw en opmaak van het antwoord.
• Grens: wat het model niet doet, zoals bedragen aanvullen of conclusies trekken.

Anthropic geeft een eenvoudige toets: laat je prompt lezen door een collega die weinig van de taak weet. Is de opdracht voor die collega onduidelijk, dan is die volgens Anthropic ook voor Claude onduidelijk.

Vooral de context bepaalt de kwaliteit, en context geven aan een LLM werkt het best wanneer je alleen de stukken meegeeft die voor die ene taak tellen.

Wat is zero-shot chain-of-thought prompting?

Zero-shot chain-of-thought prompting is een zero-shot prompt waarin je het model vraagt stap voor stap te redeneren voordat het antwoordt. Takeshi Kojima en collega’s toonden in 2022 aan dat de toevoeging “Let’s think step by step” de score op rekenopgaven sterk verhoogde. Op MultiArith, een test met rekenvraagstukken in tekstvorm, steeg de score van 17,7 naar 78,7 procent.

De techniek helpt bij vragen met meerdere reken- of redeneerstappen, zoals een termijnberekening of een vergelijking van twee offertes. Wie het model ook een uitgewerkte redenering als voorbeeld geeft, gebruikt de bredere techniek chain of thought prompting.

Wanneer stap je over van zero-shot naar few-shot prompting?

Je stapt over van zero-shot naar few-shot prompting zodra een betere instructie de vorm of toon van de output niet meer verbetert. Bij few-shot prompting geef je het model een paar voorbeelden van de gewenste uitkomst, waarna het de vorm, toon en opbouw van die voorbeelden overneemt.

Wat is het verschil tussen zero-shot en one-shot prompting?

Bij zero-shot prompting geef je geen voorbeeld, bij one-shot prompting precies één. In het onderzoek van Brown en collega’s is one-shot de situatie met één demonstratie naast de taakbeschrijving.

Eén voorbeeld is genoeg om een vaste opmaak te laten zien, zoals de indeling van een standaardmail aan cliënten.

Adviseren OpenAI en Anthropic zero-shot of voorbeelden?

OpenAI en Anthropic adviseren elk een andere startpositie. Anthropic noemt voorbeelden een van de betrouwbaarste manieren om de opmaak, toon en structuur van Claude te sturen, en raadt drie tot vijf voorbeelden aan.

OpenAI adviseert voor reasoning-modellen juist om eerst zero-shot te proberen en pas voorbeelden toe te voegen wanneer dat nodig is. Beide adviezen sluiten op elkaar aan: begin zonder voorbeelden en voeg ze toe zodra opmaak of toon afwijkt.

Hebben reasoning-modellen voorbeelden nodig?

Nee, reasoning-modellen hebben meestal geen voorbeelden nodig, omdat deze modellen eerst intern een redenering opbouwen voordat ze antwoorden. OpenAI schrijft dat reasoning-modellen vaak geen few-shot-voorbeelden nodig hebben voor goede resultaten.

Voor een vaste huisstijl of een eigen format blijft een voorbeeld ook bij die modellen zinvol.

Welke taak is het meest geschikt voor zero-shot prompting in een werkomgeving?

De taak die het meest geschikt is voor zero-shot prompting in een werkomgeving, is samenvatten: de vorm is universeel en de kwaliteit is snel te controleren tegen het origineel. Per kantoortype ligt de beste zero-shot-taak net anders.

Welke taak doe je op een accountantskantoor met zero-shot prompting?

Op een accountantskantoor werkt zero-shot prompting goed voor het samenvatten van lange mailwisselingen met een cliënt voordat een dossier wordt overgedragen. Controle is eenvoudig, want elk genoemd bedrag en elke datum staat terug te vinden in de oorspronkelijke mails.

Welke taak doe je op een notariskantoor met zero-shot prompting?

Op een notariskantoor werkt zero-shot prompting goed voor het herschrijven van een uitleg aan een cliënt in begrijpelijke taal. De juridische inhoud komt uit de akte, het model past alleen de formulering aan en de notaris toetst of de betekenis gelijk blijft.

Welke taak doe je op een marketingbureau met zero-shot prompting?

Op een marketingbureau werkt zero-shot prompting goed voor het indelen van zoekwoorden of klantreacties in categorieën die je zelf in de prompt opsomt. Een vaste huisstijl voor klantteksten vraagt daarentegen om few-shot prompting, met voorbeeldteksten van de klant.

Veelgestelde vragen over zero-shot prompting

Rond zero-shot prompting duiken ook vragen op over verwante termen en over de taal waarin je de opdracht schrijft.

Wat is het verschil tussen zero-shot prompting en zero-shot classificatie?

Zero-shot prompting is een manier van opdracht geven aan een taalmodel, terwijl zero-shot classificatie een taak uit machine learning is waarbij een model items indeelt in categorieën die het tijdens de training niet heeft gezien. Hugging Face omschrijft zero-shot classificatie als het voorspellen van een klasse die het model tijdens de training niet tegenkwam. Een zero-shot prompt die mails in je eigen categorieën laat indelen, past het eerste begrip toe op een taak van het tweede.

Moet je een zero-shot prompt in het Engels schrijven?

Nee, een zero-shot prompt hoef je niet in het Engels te schrijven, want modellen als Claude verwerken de meeste talen met standaard Unicode-tekens. Anthropic adviseert wel om expliciet te noemen in welke taal de invoer staat en in welke taal je het antwoord wilt, omdat dat de betrouwbaarheid vergroot. Wil je een vloeiende Nederlandse tekst, vraag dan om idiomatisch taalgebruik zoals van een moedertaalspreker.

Is een prompt met een rol of systeeminstructie nog zero-shot?

Ja, een prompt met een rol of systeeminstructie blijft zero-shot zolang er geen voorbeeld van de gewenste uitkomst in staat. In het onderzoek van Brown en collega’s draait het onderscheid alleen om demonstraties: bij zero-shot krijgt het model geen enkel voorbeeld. Een rol of een opmaakregel is instructie, geen demonstratie. Zet je één uitgewerkt voorbeeld in de systeeminstructie, dan wordt de prompt one-shot.

Hoe leer je zero-shot prompting toepassen in ChatGPT?

Zero-shot prompting leer je toepassen in ChatGPT door per taak te oefenen met een heldere instructie zonder voorbeelden, en pas voorbeelden toe te voegen wanneer de uitkomst afwijkt. Zo leer je per taak kiezen tussen zero-shot en few-shot prompting.

LearnLLM laat je in een e-learning leren werken met ChatGPT op je eigen taken, met praktijkopdrachten en een certificaat van afronding.