#fewshot — Public Fediverse posts

ИИ‑агенту недостаточно правил: как мы передаём ему инженерный опыт

Промпты, документация и skills сами по себе не передают ИИ‑агенту инженерный опыт. Рассказываю, как мы выстроили работу через декомпозицию, эталонные реализации, few‑shot и постепенное доверие к тестам — без вайбкодинга и автономной генерации тысяч строк кода. Разобраться в процессе

https://habr.com/ru/articles/1066436/

#ИИагенты #агентная_разработка #разработка_ПО #context_engineering #fewshot #skills #тестирование #code_review #инженерные_практики #автоматизация_разработки

Промпт для души: как создать ИИ-персонажа, с которым действительно интересно общаться

Привет, Хабр! Недавно на Reddit я наткнулся на драматичный пост: парень рассказал, как в сложный период жизни создал в нейросети виртуального собеседника. Ежедневное общение с ИИ-персоной стало для него на тот момент психологической опорой. И вот однажды контекстное окно LLM заполнилось, мигнула надпись: «Лимит чата исчерпан» . Продолжить диалог в той же ветке стало технически невозможно. В комментариях развернулась бурная дискуссия. Одни советовали платить за enterprise-тарифы с большим контекстом. Другие предлагали хардкорный путь: вручную парсить историю переписки, вычленять системный промпт и пересобирать «личность» в новом диалоге. Эта история выявила интересную инженерную и гуманитарную проблему: как формализовать описание ИИ-персонажа так, чтобы оно оставалось читаемым для человека и эффективным для языковой модели? Чтобы персону можно было переносить, редактировать, понимать ее суть — и чтобы сам промпт был работоспособным.

https://habr.com/ru/companies/ru_mts/articles/1041048/

#промптинжиниринг #LLM #ролевые_агенты #системный_промпт #persona_drift #fewshot #нарративный_промпт #контекстное_окно #AIперсонаж #психология_ИИ

Автоматический отбор few_shot примеров для обучения модели

Справочники МТР на крупных предприятиях ‒ это десятки тысяч строк вида «Кабель ВВГнг 3х2.5 кв.мм, серая изоляция, 100м» , которые нужно разложить по атрибутам (тип, сечение, длина, цвет изоляции). Дубли, ошибки, разнородные форматы от разных поставщиков, почему это больная тема, а также подходы и методы решения, подробно разобраны в этой статье.

https://habr.com/ru/articles/1042468/

#НСИ #нормализация #fewshot #llmмодели #кластеризация

Reasoning-модели сломали мой промпт-инжиниринг. Год переучиваюсь

Вторник, час ночи. Закидываю в GPT-5.5 свой проверенный шаблон с развёрнутым CoT, тремя few-shot, ролью «опытный аналитик». Получаю мусор. Удаляю весь промпт, пишу из трёх строк — работает. Минут десять пялюсь в монитор. Половина моего трёхлетнего арсенала против reasoning-моделей либо лишняя, либо вредит. Что сдохло, что наоборот выросло в значимости, что писать под какую задачу. Без эмоциональной role-play и многословных «подумай шаг за шагом» — они сейчас только тормозят.

https://habr.com/ru/articles/1038510/

#промптинжиниринг #reasoningмодели #gpt55 #claude_opus #llm #chainofthought #fewshot #aiагенты

Промпт-инжиниринг для не-промпт-инженеров

Разобрал доклад Anthropic «Prompting 101» и собрал из него рабочую схему сборки промптов. С веб-сервисом и готовым Project для Claude.ai

https://habr.com/ru/articles/1030558/

#промптинжиниринг #Claude #Anthropic #LLM #системный_промпт #AI_для_дизайнеров #fewshot #AIинструменты #продуктовый_дизайн #автоматизация

One of the best illustrations of few-shot / one-shot #prompting

#ai #fewshot #oneshot #сomics

ИИ на подъёме: восхождение к пику ожиданий и первые уроки в реальном бизнесе

Где мы все? Судя по классическому циклу зрелости, Large Language Models (LLM) уверенно маршируют к вершине «Пика завышенных ожиданий». Энтузиазм бьёт ключом: каждый день — новые анонсы и инвестиции. Как руководитель отдела инновационных проектов в «Первой Грузовой компании», я вижу этот ажиотаж и сам погружен в изучение потенциала LLM для нашей отрасли. Иллюзия всесильности ИИ сейчас сильна как никогда. Мы сейчас явно находимся на пике завышенных ожиданий.

https://habr.com/ru/companies/pgk/articles/930446/

#ииассистент #ии_и_машинное_обучение #ии #ии_чатбот #ииагенты #rag #llm #бизнеспроцесс #fewshot #oneshot_learning

Собственный контент-фильтр на базе LLM: от эксперимента до стабильной системы

Привет! Меня зовут Миша Мартьянов, я инженер по исследованиям и разработке в red_mad_robot. Моя работа — искать новые идеи, проверять гипотезы и улучшать продукты. На этом пути иногда приходится изобретать уникальные решения. Например, мы создали собственный фильтр, чтобы отсеивать нежелательный контент с помощью LLM. Рассказываю, как мы к этому пришли и с какими сложностями столкнулись.

https://habr.com/ru/companies/redmadrobot/articles/922680/

#ai #llm #фильтр_контента #fewshotlearning #fewshot #false_positive #filter

Do you want to Master Prompt Engineering? Here’s my overview on how to Prompt like a Pro!

#promptEngineering #ConversationalAI #GenerativeAI #AIPrompts #PromptDesign #ZeroShot #FewShot #ChainOfThought #AIForBusiness #AIEdge #AIProductivity #WorkSmarter #DigitalTransformation #TechLeadership #FutureOfWork #Innovation #LinkedInCreators #AIInsights #TechTips #CareerGrowth

https://www.linkedin.com/pulse/prompt-like-pro-how-master-language-ai-reynaldo-garcia-jr--5meac?utm_source=share&utm_medium=member_ios&utm_campaign=share_via

Zero-shot и Few-shot Learning в NLP

Zero-shot Learning (ZSL) - это способность модели выполнять задачи без каких-либо примеров обучения. Она делает это за счёт обобщённых знаний, полученных во время предобучения. Few-shot Learning (FSL) - это метод, при котором модели предоставляется всего несколько примеров (обычно от 1 до 5), чтобы лучше понять структуру задачи.

https://habr.com/ru/articles/897604/

#NLP #Zeroshot #Fewshot #Finetuning #Zeroshot_и_Fewshot_Learning_в_NLP #Zeroshot_или_Fewshot

Yesterday at #TPDL2023 David Pride presented “CORE-GPT: Combining Open Access research and large language models for credible, trustworthy question answering”

Rather than #ZeroShot question/answering, Pride’s team combines the #CORE #OpenAccess dataset with #ElasticSearch to create #FewShot prompts that leverage the strength of combining #search results with the #LLM’s (#GPT) #summarization abilities to produce an answer to a user’s question including citations.

Ref: https://doi.org/10.1007/978-3-031-43849-3_13

"Learning to detect an animal sound from five examples" -- New paper from us! https://doi.org/10.1016/j.ecoinf.2023.102258 #bioacoustics #machinelarning #deeplearning #fewshot #acoustics #animalbehaviour

Dramatically, we have a late-entry update for the #DCASE2023 #fewshot challenge, taking the state of the art forward by quite a few percentage points! Updated results: https://dcase.community/challenge2023/task-few-shot-bioacoustic-event-detection-results #bioacoustics #machinelistening

New preprint from us! "Learning to detect an animal sound from five examples" https://arxiv.org/abs/2305.13210 #bioacoustics #deeplearning #fewshot #acoustic #ethology

The "Few-shot Bioacoustic Event Detection" challenge 2023 - evaluation data now released! A #deeplearning challenge for #fewshot #sound #recognition in #bioacoustics i.e. animal sounds https://dcase.community/challenge2023/task-few-shot-bioacoustic-event-detection

Few-shot bioacoustic event detection is live for 2023! A #challenge to develop a #sound recognition system from only 5 examples: https://dcase.community/challenge2023/task-few-shot-bioacoustic-event-detection
Looking forward to seeing some interesting submissions! #bioacoustics #machinelearning #fewshot #DCASE

I dislike how people frame the use of pre-trained models as engaging in #zeroshot or #fewshot learning.

There is rarely discussion about the data used for pre-training. I suspect the “generic” data used for pre-training probably includes examples similar to “task-specific” targets.

Without knowing the scope of the pre-training data, how can we evaluate the claim of few- or zero-shot learning?

It would be better to describe most of this work as investigating #transfer.