大規模言語モデル（LLM）に対して、指示文の中にいくつかの具体的な「実行例（デモ）」を提示することで、出力の精度やフォーマットの整合性を高めるプロンプトエンジニアリングの手法。事前学習データの追加更新を行うことなく、出力の傾向やタスクのルールを文脈内学習によって理解させることが可能です。
少ショット・プロンプティングとは
少ショット・プロンプティングとは、大規模言語モデルへ指示を与える際、いくつかの「入力と出力の具体例」をプロンプト内に含めることで、モデルが期待される出力形式や文脈を学習し、高精度な回答を得るプロンプトエンジニアリングの手法です。
詳しく解説
大規模言語モデルは事前に膨大なテキストデータを学習していますが、特定の課題に対してどのような形式やニュアンスで回答すべきかを正確に判断するのが難しい場合があります。少ショット・プロンプティングは、プロンプト内で事前学習された知識を「文脈内学習」によって呼び出し、タスクを実行させます。これにより、追加のパラメータ更新（ファインチューニング）を行うことなく、数個の具体的なタスク例（デモ）を示すだけで、モデルの性能を劇的に向上させ、特定のトーンやフォーマットに従った安定した出力を得ることができます。
具体例・使われ方
例えば、感情分析を行う場合、単に「次のテキストの感情を判定してください」と指示するのではなく、「テキスト：この映画は素晴らしかった。 感情：ポジティブ」「テキスト：時間が無駄になった。 感情：ネガティブ」「テキスト：普通の作品だった。 感情：ニュートラル」というように、いくつかの具体例（デモ）を提示した上で、最後に「テキスト：予想以上に楽しめました。 感情：」と記述することで、モデルに正しいフォーマットで「ポジティブ」と出力させることができます。
似た用語との違い
例を一切提示しない「ゼロショット・プロンプティング」は、モデルの既存の知識のみに依存して回答を生成させます。これに対し、少ショット・プロンプティングは例示を提示するため、より複雑なタスクや出力形式の固定に強みがあります。また、何万件もの膨大なデータを用いてモデルのパラメータ自体を書き換える「ファインチューニング」とは異なり、プロンプトのコンテキストウィンドウ内で一時的に学習を模倣するため、コストや時間を大幅に削減できるという違いがあります。
注意点
注意点として、提示する具体例に誤りやバイアスが含まれていると、モデルがそれをそのまま学習して誤った回答を出力するリスクがあります。また、例を多く含めるほどプロンプトのトークン数を消費するため、利用料金の増加や、モデルの最大コンテキスト長による制限に達しやすくなる点に留意する必要があります。