Few-shot例の件数
Few-shot promptingでは、プロンプト内に少数の例を含め、モデルに望ましい入力と出力の対応を示します。例示は、分類ラベルの使い方、要約の粒度、回答フォーマットなどを安定させるために有効です。一方、例を入れすぎるとコンテキストを圧迫します。
正解の理由
問題では、分類タスクの例が3件、要約タスクの例が2件あります。例示の合計件数は、これらを足し合わせます。
$3 + 2 = 5$
したがって答えは 5件 です。
Few-shotの実務上の意味
- 例の品質が高いほど、モデルは望ましい形式を再現しやすくなります。
- 例のラベルや出力形式が不統一だと、回答も不安定になります。
- 例を増やしすぎると、トークンコストが増え、入力上限にも近づきます。
関連概念との比較
- Zero-shot: 例を示さず、指示だけで実行させる。
- One-shot: 例を1件だけ示す。
- Few-shot: 少数の例を示す。
- ファインチューニング: 例をプロンプトに入れるのではなく、データで追加学習してモデルを調整する。
G検定では、Few-shotを「少数データで重みを更新すること」と誤解しないようにしましょう。基本は推論時のプロンプト内例示です。
試験対策の確認
生成AI・LLMの論点では、便利さだけでなく、制約とリスクを同時に押さえることが重要です。プロンプト、RAG、ファインチューニング、トークン、コンテキスト、権利・機密情報の各用語は相互に関連します。実務では、モデルの出力をそのまま正解とみなさず、根拠確認、アクセス制御、ログ管理、人間によるレビューを組み合わせて安全に運用します。
追加の確認観点
生成AI・LLMの問題では、技術用語を単独で覚えるより、入力、検索、生成、検証、運用管理の流れに置いて理解することが重要です。トークンやコンテキストは制約、プロンプトは制御、RAGは外部知識の参照、ファインチューニングは振る舞いの調整、ガバナンスは安全な利用のための仕組みです。実務では、出力が自然でも根拠が正しいとは限らず、機密情報や著作権のリスクも残ります。G検定では、便利な応用例と同時に、限界、確認手順、人間のレビューが必要な場面を押さえてください。