Waarom is dit belangrijk?
Een nieuwe taak kan zo meteen van start gaan, omdat er vooraf geen kant-en-klare voorbeeldoplossing hoeft te liggen. In het onderwijs onderzoeken teams zero-shot prompting om steunende reacties van leraren tijdens rekenlessen te laten maken. Docenten en leerlingen krijgen daardoor sneller bruikbare tekst in de klas, maar die blijft vaak bij losse onderwerpen en vraagt menselijke controle tegen mogelijke fouten.
Zo werkt het in de praktijk
IBM laat in watsonx.ai het model granite-3-8b-instruct IT-meldingen indelen naar urgentie, zonder voorbeeldantwoorden. Aan de Politecnico di Torino halen onderzoekers met zero-shot prompting eisen uit de AI-verordening en de AVG. Zij vergelijken die losse opdracht met een aanpak waarin meerdere rollen na elkaar werken.
In een studie over zorgteksten vergelijken onderzoekers zero-shot prompting met bijtrainen. Zij kijken naar het indelen van kankerpathologierapporten. Een bijgetraind model deed dat beter dan een groot taalmodel zonder taakvoorbeelden.
Zero-shot prompting hoort bij prompt engineering: het ontwerpen van een opdracht voor een taalmodel. IBM beschrijft dat instruction tuning, een nabewerking met voorbeeldopdrachten, de antwoorden op nieuwe taken verbetert. Ook RLHF helpt daarbij: mensen rangschikken antwoorden en het model leert die voorkeur.




