Few-shot learning là một phương pháp huấn luyện AI mà mô hình chỉ cần từ 2 đến 5 ví dụ để hiểu nhiệm vụ và đưa ra kết quả. Thay vì học hàng ngàn mẫu dữ liệu, AI tận dụng kiến thức đã có để nhanh chóng thích nghi với yêu cầu mới.
Khái niệm này xuất hiện nhiều trong các mô hình ngôn ngữ lớn như GPT, Claude hay Gemini. Khi bạn đưa vài ví dụ vào prompt, AI sẽ “bắt chước” khuôn mẫu đó để trả lời.
Few-shot Learning Là Gì?
Few-shot learning là kỹ thuật mà bạn cung cấp cho AI một lượng rất nhỏ ví dụ minh họa (thường là 2-5 ví dụ) ngay trong câu lệnh, giúp mô hình nắm bắt định dạng và phong cách trả lời mà không cần huấn luyện lại từ đầu.
Nói đơn giản hơn: thay vì giải thích dài dòng, bạn cho AI xem vài “bài mẫu” rồi bảo nó làm theo. Giống như khi bạn hướng dẫn một nhân viên mới — không cần đọc cả cuốn sổ tay, chỉ cần cho xem 2-3 email mẫu là họ biết cách trả lời rồi.
Cách Few-shot Learning Hoạt Động Trong Prompt
Trong thực tế, few-shot learning được áp dụng trực tiếp trong prompt. Bạn viết vài cặp ví dụ trước khi đưa ra yêu cầu thực sự. Mô hình sẽ nhận ra khuôn mẫu và áp dụng cho câu hỏi cuối cùng.
Ví dụ, thay vì chỉ nói “Dịch sang tiếng Anh”, bạn viết:
Việt: Xin chào → English: Hello
Việt: Cảm ơn → English: Thank you
Việt: Hẹn gặp lại → English: ?Chỉ với 2 ví dụ, AI đã hiểu rằng bạn muốn dịch từ tiếng Việt sang tiếng English và sẽ trả lời “See you again”. Đó chính là few-shot learning trong hành động.
Phân Biệt Few-shot, Zero-shot Và One-shot
Ba khái niệm này thường đi cạnh nhau, và khác nhau ở số lượng ví dụ:
Zero-shot: Không đưa ví dụ nào cả. Bạn chỉ mô tả nhiệm vụ bằng lời. AI phải tự dựa vào kiến thức đã học để trả lời. Mạo hiểm hơn nhưng nhanh hơn.
One-shot: Đưa đúng 1 ví dụ duy nhất. AI có một “manh mối” để bám vào.
Few-shot: Đưa 2-5 ví dụ. Cân bằng giữa độ chính xác và chi phí token. Đây là phương pháp phổ biến nhất vì hiệu quả cao mà không tốn quá nhiều ngữ cảnh.
Tại Sao Few-shot Learning Hiệu Quả?
Lý do chính nằm ở cách các mô hình ngôn ngữ hoạt động. Khi bạn đưa ví dụ vào prompt, bạn đang “định hướng” mô hình về định dạng, phong cách và logic trả lời. Điều này giảm thiểu việc AI đi chệch hướng.
Một số lợi ích cụ thể:
- Kiểm soát định dạng: Bạn muốn AI trả lời theo dạng bảng, list, hay JSON? Ví dụ sẽ làm rõ hơn bất kỳ câu mô tả nào.
- Đồng nhất phong cách: Nếu muốn AI viết văn ngắn gọn, hãy đưa vào prompt vài mẫu ngắn gọn. AI sẽ bắt chước.
- Giảm hallucination: Khi có ví dụ cụ thể, AI ít bịa kết quả hơn vì đã có khuôn mẫu để bám theo.
- Tiết kiệm chi phí fine-tuning: Không cần huấn luyện lại mô hình, chỉ cần thêm vài dòng vào prompt.
Nhược Điểm Cần Biết
Few-shot learning không hoàn hảo. Đầu tiên, nó tốn token — mỗi ví dụ bạn đưa vào đều chiếm chỗ trong context window. Nếu bạn đang dùng API tính phí theo token, đây là chi phí thực tế.
Thứ hai, nếu ví dụ không đại diện hoặc bị sai, AI sẽ học theo sai lầm đó. Garbage in, garbage out — nguyên tắc này vẫn đúng.
Thứ ba, few-shot không thay thế được fine-tuning trong các tác vụ chuyên sâu. Nếu bạn cần AI phân tích y khoa hay pháp lý với độ chính xác cao, vài ví dụ trong prompt là không đủ.
Khi Nào Nên Dùng Few-shot Learning?
Mình khuyên dùng few-shot khi:
- Bạn cần AI trả lời theo một định dạng cụ thể (JSON, markdown, bảng).
- Nhiệm vụ có tính quy luật, lặp đi lặp lại (phân loại, trích xuất, tóm tắt).
- Budget token cho phép, tức là prompt không quá dài.
- Bạn muốn kết quả nhất quán qua nhiều lần gọi API.
Ngược lại, nếu nhiệm vụ phức tạp, cần kiến thức chuyên ngành sâu, hoặc yêu cầu độ chính xác cao — hãy cân nhắc fine-tuning hoặc RAG (Retrieval-Augmented Generation) thay vì chỉ dựa vào few-shot.
Ví Dụ Thực Tế Với ChatGPT
Giả sử bạn muốn AI phân loại cảm xúc của bình luận. Thay vì giải thích “hãy phân loại thành tích cực, tiêu cực hoặc trung tính”, bạn viết:
Bình luận: "Sản phẩm tuyệt vời, giao hàng nhanh" → Tích cực
Bình luận: "Chất lượng tệ, không đáng tiền" → Tiêu cực
Bình luận: "Hàng ổn, giá bình thường" → Trung tính
Bình luận: "Mình mua tuần trước, chưa dùng" → ?Với 3 ví dụ, AI sẽ trả lời “Trung tính” cho câu cuối. Rõ ràng, nhanh gọn và không cần giải thích dài dòng.
Mẹo Để Viết Few-shot Prompt Hiệu Quả
Sau khi thử nghiệm khá nhiều, mình rút ra vài mẹo:
Chọn ví dụ đa dạng: Đừng đưa 3 ví dụ quá giống nhau. Càng đa dạng, AI càng nắm bắt được “quy tắc” thay vì chỉ học vẹt.
Giữ định dạng nhất quán: Tất cả ví dụ nên theo cùng một cấu trúc. Nếu ví dụ 1 dùng dấu mũi tên, ví dụ 2 cũng phải dùng dấu mũi tên.
Đặt ví dụ trước, yêu cầu sau: AI xử lý tuần tự, nên việc đưa ví dụ trước giúp nó có ngữ cảnh trước khi gặp câu hỏi thực sự.
Không quá 5 ví dụ: Nhiều hơn thế thường không cải thiện kết quả mà chỉ tốn token. 3-4 ví dụ là điểm ngọt ngào cho hầu hết tác vụ.
Kết Luận
Few-shot learning là một trong những kỹ thuật prompt engineering cơ bản nhưng cực kỳ hiệu quả. Chỉ với vài ví dụ chiến lược, bạn có thể định hướng AI trả lời chính xác, đúng định dạng và nhất quán — tất cả mà không cần huấn luyện lại mô hình.
Nếu bạn mới bắt đầu với AI, hãy thử thêm 2-3 ví dụ vào prompt lần tới. Sự khác biệt về chất lượng câu trả lời sẽ khiến bạn ngạc nhiên đấy.
Thuật ngữ liên quan
- .htaccess Là Gì? Tệp Cấu Hình Apache Giải Thích Dễ Hiểu Cho Người Mới
- 301 Redirect Là Gì? Hướng Dẫn Chuyển Hướng URL Không Mất SEO
- Adam Optimizer Là Gì? Giải Thích Dễ Hiểu Về Bộ Tối Ưu Hàng Đầu Deep Learning
- Adapter Layer (Lớp Adapter) Là Gì? Giải Thích Dễ Hiểu Cho Người Mới
- Adversarial Training (Huấn Luyện Đối Kháng) Là Gì? Giải Thích Dễ Hiểu Cho Người Mới
Xem toàn bộ thư viện thuật ngữ AI & SEO A-Z.
