📚
Few-shot Learning예시 기반 학습
예시 2~3개를 보여주어 원하는 출력 패턴을 학습시킴
원리
특정 형식·톤·구조로 출력을 받고 싶을 때 가장 효과적인 방법입니다. "이런 식으로 해주세요"라는 설명보다, 실제 예시 2~3개를 보여주는 것이 훨씬 정확한 결과를 만듭니다. In-context learning의 대표적 형태로, GPT-3 논문에서 체계화되었습니다. 분류·포맷팅·스타일 일관성 유지에 특히 강력합니다.
✅ 언제 쓰면 좋은가
- 특정 출력 형식을 일관되게 유지해야 할 때 (JSON·표·정해진 구조)
- 내가 원하는 톤·스타일을 말로 설명하기 어려울 때
- 카테고리 분류·라벨링 같은 패턴 작업
- 기존 작성물의 스타일을 이어받은 후속 글
- 도메인 특화 용어를 일관되게 사용해야 할 때
❌ 언제 쓰지 말아야 하나
- 예시가 편향을 일으킬 수 있는 창의적 작업
- 매번 성격이 완전히 다른 문제
- 추론이 복잡한 문제 (Few-shot만으로는 부족, CoT와 결합 권장)
Before / After 예시
상품 리뷰 감정 분류
Before (기법 적용 전)
리뷰 텍스트 → 긍정/부정 라벨링
After (기법 적용 후)
예시 1: "맛있어요 ★★★★★" → 긍정 예시 2: "포장이 엉망이었어요" → 부정 실제: "배송 빠르고 품질 좋아요!" → 긍정
💡 예시 없이는 분류 기준이 불명확하지만, 2개 예시만으로도 모델이 일관되게 분류합니다.
JSON 형식 강제
Before (기법 적용 전)
사용자 정보를 JSON으로 출력해 줘.
After (기법 적용 후)
예시:
이름: 김철수, 나이: 30, 직업: 개발자
→ {"name": "김철수", "age": 30, "job": "developer"}
실제:
이름: 홍길동, 나이: 25, 직업: 학생
→💡 Few-shot은 정확한 포맷 강제에 가장 효과적. JSON·XML·CSV 등에 유용.