Few-shot Learningとは？

Few-shot Learning（フューショット学習）とは、LLMに対して少数の例示（サンプル）をプロンプトに含めることで、特定の出力形式・推論パターン・回答スタイルをモデルに学習させることなく習得させるプロンプトエンジニアリングの実践技法です。ファインチューニングのような追加学習を必要とせず、プロンプトへの例示追加だけで出力品質を大幅に向上させられる点が特徴です。

— 背景・課題

LLMは事前学習で獲得した汎用的な言語能力を持つ一方、特定の業種・業務・出力フォーマットへの適用においては、そのままでは期待する形式・精度の出力が得られないケースがあります。たとえば要件定義書をUSDM形式で生成させたい場合・特定の評価観点で品質レビュー結果を構造化出力させたい場合・組織固有のドキュメントテンプレートに沿った成果物を生成させたい場合に、指示文のみ（Zero-shot）では出力のばらつきが生じやすいという課題があります。Few-shot Learningはこの課題を例示によって解消する実践的な手法です。

— 仕組み・特徴

Few-shot Learningはサンプル数によって三つに分類されます。Zero-shotは例示なしで指示文だけでLLMに出力させる手法であり、汎用的なタスクには有効ですが特定フォーマットの制御には限界があります。One-shotは一つの例示をプロンプトに含める手法であり、出力形式の誘導に効果的です。Few-shot（2〜5例）は複数の例示を含める手法であり、より複雑なパターン・フォーマット・推論スタイルの習得に有効です。例示の品質がFew-shot Learningの効果を大きく左右するため、「良い例」と「なぜ良いか」を示す高品質な例示設計がプロンプトエンジニアリングの重要な実践スキルです。Chain-of-Thoughtとの組み合わせ（Few-shot CoT）では、推論ステップを含む例示を提供することで複雑な推論タスクの精度を更に高めることができます。

— 実務利用シーン

上流工程での代表的な活用例は、要件定義書の生成プロンプトにUSDM形式の記述例（要求→理由→仕様の三層構造を示した例示）を2〜3件含めることで、LLMが安定してUSDM形式の要件定義書を生成できるようにするパターンです。品質レビューのプロンプトでも「完全性の観点で問題なし」「一貫性の観点で矛盾あり：〇〇と△△が相反する」のような評価結果の例示を含めることで、AIレビュー設計で定義した評価観点に沿った構造化された出力が安定して得られます。

— 関連概念との関係性

Few-shot LearningはプロンプトエンジニアリングおよびChain-of-Thoughtと並ぶLLMの出力制御技法として位置づけられ、ファインチューニング・RAGと組み合わせることでLLMの業務適用精度を段階的に向上させる三層のカスタマイズ戦略を構成します。AI要件定義ツールでのFew-shot設計はプロンプト管理・バージョン管理の対象としてAI要件定義ガバナンスの実践要素に含まれ、LLMOpsにおける継続的な例示の品質改善サイクルが成果物品質の向上に直結します。

— まとめ・重要性

Few-shot Learningは、ファインチューニングなしでLLMの出力を特定の形式・品質基準に適合させる最もコスト効率の高いプロンプト設計技法です。要件定義書の標準フォーマット制御・品質レビューの構造化出力・組織固有のドキュメントテンプレートへの適合という上流工程の実践的な要件に対して、即効性の高い解決手段として習得すべき重要な技術知識です。