Few-shot / Zero-shot Learning

ざっくり言うと

「shot(ショット)」は 「お手本の数」 だと思ってください。0 ショット = 例なし、1 ショット = 例1個、Few ショット = 数個、というネーミングです。

イメージ

正確には

「Few-shot Learning」という言葉をかなり広めたのは、OpenAI の研究チームが 2020 年に出した論文 「Language Models are Few-Shot Learners」(GPT-3 の論文、arXiv:2005.14165)です。この論文では、追加で学習させなくても、プロンプトの中にお手本をいくつか入れるだけで、AI が新しいタスクをこなせることが示されました。これを in-context learning(文脈内学習) と呼びます。

OpenAI の公式ドキュメント「Prompt engineering」でも、効果の高いテクニックとして 「例を示すこと(Provide examples)」 が挙げられています。Anthropic(Claude を作っている会社)の公式ドキュメントには 「Use examples (multishot prompting) to guide Claude's behavior」 というページがあり、例を見せることが Claude の出力を望む形に揃えるうえで最も効果的な方法の1つだと書かれています。Google の Gemini 公式ガイドでも、プロンプト設計の中核戦略として Few-shot examples が紹介されています。

つまり、主要 3 社(OpenAI / Anthropic / Google)が揃って「例を入れろ」と言っているわけです。

用語の整理

用語	例の数	ざっくり何?
Zero-shot	0 個	例を一切示さず、指示だけ渡す
One-shot	1 個	お手本を1つだけ示してから指示
Few-shot	数個(2〜数十)	お手本を複数示してから指示

Zero-shot で十分なケース / Few-shot が効くケース

• Zero-shot で十分:翻訳・要約・一般常識の質問など、AI がすでに大量に学習している「よくあるタスク」
• Few-shot が効く:出力の フォーマット(JSON 形式、箇条書きの粒度、文体)を細かく揃えたいとき / 独自の判断基準(社内ルール、特殊な分類)を伝えたいとき / Zero-shot だと答えがブレるとき

Before / After で見る違い

ここからは実際のプロンプト例で違いを見てみましょう。

例1:カスタマーレビューの感情分類

例2:メールの文体を揃える

やってみよう

関連する用語として、プロンプトそのものの考え方は プロンプト、思考の手順をAIに見せるテクニックは Chain of Thought、AIに役柄を割り当てる手法は ロールプロンプト の記事でそれぞれ扱います。Few-shot は 「フォーマット・トーンを揃えるための型紙」、Chain of Thought は 「考え方の道筋を見せるための補助線」 だと押さえておくと、組み合わせて使えるようになります。