Few-Shot Learning

🔄 Recall: Personas steuern das „Wer"

In Lektion 3 hast du gelernt, Personas zu designen, die KI-Verhalten steuern. Personas bestimmen, wer die KI ist. Heute geht es um das Wie: Wie bringst du der KI bei, ein bestimmtes Muster zu folgen?

Nach dieser Lektion kannst du:

Den Unterschied zwischen Zero-Shot, One-Shot und Few-Shot erklären
Die richtige Anzahl an Beispielen für verschiedene Aufgaben wählen
Beispiele so gestalten, dass die KI das Muster zuverlässig erkennt

Warum Beispiele Anweisungen schlagen

Stell dir vor, du erklärst jemandem, wie ein Haiku funktioniert:

Variante A (nur Anweisung):

„Schreib ein Gedicht mit genau drei Zeilen. Zeile 1: 5 Silben. Zeile 2: 7 Silben. Zeile 3: 5 Silben. Thema soll Natur sein."

Variante B (mit Beispiel):

„Schreib ein Haiku im folgenden Stil:
Alter Teich — Ein Frosch springt hinein. Das Geräusch des Wassers.
Jetzt schreibe eines über den Herbst."

Variante B funktioniert besser, weil die KI das Muster sieht statt es zu interpretieren. Und genau das ist Few-Shot Learning: Muster durch Beispiele demonstrieren.

Die Begriffe

Typ	Beispiele	Wann nutzen
Zero-Shot	0 Beispiele	Einfache, klar definierte Aufgaben
One-Shot	1 Beispiel	Format-Demonstration
Few-Shot	2-5 Beispiele	Die meisten professionellen Aufgaben
Many-Shot	6-10+ Beispiele	Komplexe Muster, viele Randfälle

Was gute Beispiele ausmachen

Ein gutes Beispiel hat vier Eigenschaften:

1. Realistische Eingaben

Nutze Eingaben, die den tatsächlichen Daten ähneln — nicht vereinfachte Spielzeug-Beispiele.

2. Vielfältige Fälle

Zeige verschiedene Szenarien, nicht dreimal denselben Typ.

3. Konsistentes Format

Alle Beispiele müssen dasselbe Format nutzen — Inkonsistenz verwirrt die KI.

4. Randfälle einbeziehen

Zeige mindestens einen kniffligen Fall, damit die KI weiß, wie sie damit umgehen soll.

Wie viele Beispiele?

Anzahl	Am besten für	Beispiel
1-2	Einfache Format-Demonstration	„Formatiere Adressen so: [Beispiel]"
3-5	Die meisten Aufgaben (Sweet Spot)	Produktkategorisierung, Tonalität, Datenextraktion
6-10	Komplexe Muster mit vielen Varianten	Klassifikation mit 10+ Kategorien
10+	Selten nötig — abnehmender Grenznutzen	Nur bei sehr nuancierten Unterscheidungen

✅ Quick Check: Warum ist es besser, 4 vielfältige Beispiele zu geben als 8 ähnliche?
(Antwort: Vielfalt zeigt der KI die Bandbreite des Musters. Ähnliche Beispiele wiederholen nur denselben Fall und verschwenden Kontextplatz.)

Die Few-Shot-Vorlage

[Persona + Aufgabe]

Hier sind Beispiele für die gewünschte Ausgabe:

---

Eingabe: [Beispiel 1 - Eingabe]
Ausgabe: [Beispiel 1 - Ausgabe]

---

Eingabe: [Beispiel 2 - typischer Fall]
Ausgabe: [Beispiel 2 - Ausgabe]

---

Eingabe: [Beispiel 3 - Randfall]
Ausgabe: [Beispiel 3 - Ausgabe]

---

Jetzt verarbeite diese Eingabe:
Eingabe: [tatsächliche Eingabe]
Ausgabe:

Praxis-Beispiel: Produkt-Kategorisierung

Aufgabe: Produkte automatisch in Kategorien einordnen.

Kategorisiere jedes Produkt in genau eine Kategorie.
Mögliche Kategorien: Elektronik, Kleidung, Haushalt, Sport, Lebensmittel.

---

Eingabe: "Samsung Galaxy Buds Pro - Kabellose Kopfhörer mit ANC"
Kategorie: Elektronik
Konfidenz: Hoch

---

Eingabe: "Nike Air Max 90 Laufschuhe"
Kategorie: Sport
Konfidenz: Hoch

---

Eingabe: "Protein-Riegel Schoko-Erdnuss 12er Pack"
Kategorie: Lebensmittel
Konfidenz: Hoch

---

Eingabe: "Smartwatch mit Fitness-Tracker und Herzfrequenzmesser"
Kategorie: Elektronik
Konfidenz: Mittel (könnte auch Sport sein — primäre Funktion ist Elektronik)

---

Jetzt kategorisiere:
Eingabe: "Dyson V15 Detect Akkusauger"
Kategorie:

Beachte: Das vierte Beispiel zeigt einen Grenzfall mit Begründung. Das bringt der KI bei, wie sie mit Mehrdeutigkeiten umgehen soll.

Few-Shot für Stil und Ton

Beispiele funktionieren nicht nur für Klassifikation — sie sind auch mächtig, um einen bestimmten Schreibstil zu etablieren.

Aufgabe: Technische Konzepte für Nicht-Techniker erklären.

Erkläre technische Konzepte wie in diesen Beispielen:

Frage: Was ist eine API?
Antwort: Stell dir ein Restaurant vor. Du (die App) bestellst
beim Kellner (die API), der deine Bestellung in die Küche (den Server)
bringt und das Essen zurückbringt. Du musst nicht wissen, wie die
Küche funktioniert — der Kellner regelt das.

Frage: Was ist Cloud Computing?
Antwort: Statt deinen eigenen Stromgenerator im Keller zu haben,
steckst du den Stecker in die Steckdose und beziehst Strom vom
Anbieter. Cloud Computing ist dasselbe mit Rechenleistung: Du nutzt
sie bei Bedarf, ohne eigene Server zu kaufen und zu warten.

Frage: Was ist Machine Learning?
Antwort:

Die KI erkennt das Muster: Alltagsanalogie → Technisches Konzept → Praxisbezug.

Häufige Fehler bei Few-Shot

Fehler	Problem	Fix
Beispiele passen nicht zu echten Daten	KI lernt das falsche Muster	Nutze realistische Eingaben
Inkonsistentes Format zwischen Beispielen	KI weiß nicht, welchem Format sie folgen soll	Einheitliches Format in allen Beispielen
Alle Beispiele vom gleichen Typ	KI kann nur einen Fall	Verschiedene Szenarien zeigen
Beispiele zu lang	Kontextfenster wird verschwendet	Beispiele so kurz wie möglich, so lang wie nötig

Wichtigste Erkenntnisse

Beispiele schlagen Anweisungen — Muster zeigen ist wirkungsvoller als Muster beschreiben
2-5 Beispiele sind der Sweet Spot für die meisten Aufgaben
Gute Beispiele sind vielfältig, konsistent und realistisch
Randfälle einbeziehen bringt der KI bei, mit Mehrdeutigkeiten umzugehen
Few-Shot funktioniert für Klassifikation, Formatierung UND Stil

Nächste Lektion

Lektion 5 behandelt Chain-of-Thought-Prompting — wie du die KI dazu bringst, Schritt für Schritt zu denken. Spoiler: Ein einziger Satz kann die Genauigkeit bei Reasoning-Aufgaben um das Vierfache steigern.