Few-shot Learning

from openai import OpenAI

client = OpenAI()

# 1. Zero-shot: 예시 없이 직접 질문
def zero_shot_sentiment(text):
    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "텍스트의 감성을 '긍정', '부정', '중립' 중 하나로 분류하세요."},
            {"role": "user", "content": text}
        ]
    )
    return response.choices[0].message.content

# 2. Few-shot: 예시와 함께 질문
def few_shot_sentiment(text):
    few_shot_examples = """
다음은 감성 분류 예시입니다:

텍스트: 이 제품 정말 최고예요! 강력 추천합니다.
감성: 긍정

텍스트: 배송이 너무 늦고 제품 상태도 별로였습니다.
감성: 부정

텍스트: 평범한 제품이네요. 가격 대비 적당합니다.
감성: 중립

텍스트: {text}
감성:"""

    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "user", "content": few_shot_examples.format(text=text)}
        ],
        max_tokens=10
    )
    return response.choices[0].message.content.strip()

# 3. Chain-of-Thought + Few-shot (복잡한 추론)
def few_shot_math_reasoning(problem):
    prompt = """
문제를 단계별로 풀어주세요.

문제: 사과 5개가 있는데 3개를 먹고, 다음날 2개를 더 샀습니다. 몇 개가 있나요?
풀이:
1. 처음 사과: 5개
2. 3개를 먹음: 5 - 3 = 2개
3. 2개를 더 삼: 2 + 2 = 4개
답: 4개

문제: 철수는 1000원이 있습니다. 300원짜리 과자 2개를 사면 얼마가 남나요?
풀이:
1. 처음 금액: 1000원
2. 과자 2개 가격: 300 * 2 = 600원
3. 남은 금액: 1000 - 600 = 400원
답: 400원

문제: {problem}
풀이:"""

    response = client.chat.completions.create(
        model="gpt-4",
        messages=[{"role": "user", "content": prompt.format(problem=problem)}],
        temperature=0
    )
    return response.choices[0].message.content

# 4. Dynamic Few-shot: 쿼리와 유사한 예시 자동 선택
from sentence_transformers import SentenceTransformer
import numpy as np

class DynamicFewShot:
    def __init__(self, examples):
        self.examples = examples
        self.encoder = SentenceTransformer('all-MiniLM-L6-v2')
        self.example_embeddings = self.encoder.encode(
            [ex['input'] for ex in examples]
        )

    def get_similar_examples(self, query, k=3):
        query_embedding = self.encoder.encode([query])[0]
        similarities = np.dot(self.example_embeddings, query_embedding)
        top_indices = np.argsort(similarities)[-k:][::-1]
        return [self.examples[i] for i in top_indices]

    def generate(self, query):
        similar_examples = self.get_similar_examples(query)
        prompt = "예시:\n"
        for ex in similar_examples:
            prompt += f"입력: {ex['input']}\n출력: {ex['output']}\n\n"
        prompt += f"입력: {query}\n출력:"
        return prompt

# 사용 예시
print(few_shot_sentiment("이번 업데이트 정말 마음에 들어요!"))
print(few_shot_math_reasoning("책 3권이 각각 2000원입니다. 10000원으로 몇 권 살 수 있나요?"))