Few-shot es una técnica que permite a los modelos de lenguaje comprender una tarea sin necesidad de entrenamiento extenso. En lugar de aprender a partir de miles de ejemplos, se le dan unos pocos ejemplos claros dentro de la misma solicitud. Estos ejemplos sirven como guía para que el modelo entienda cómo debe responder a la pregunta o realizar la tarea. Aunque no se modifica el modelo ni se actualizan sus pesos, la elección de los ejemplos puede influir significativamente en la calidad de la respuesta.
La idea, paso a paso
La idea principal detrás de few-shot es que los ejemplos deben ser representativos de la tarea que se quiere realizar. Por ejemplo, si se pide que el modelo clasifique correos electrónicos en categorías como "facturación" o "soporte", los ejemplos deben mostrar claramente cómo se relacionan los contenidos de los correos con las categorías. Si los ejemplos no están bien elegidos, el modelo puede interpretar incorrectamente el criterio de clasificación o incluso aplicar sesgos que no estaban presentes en la tarea original.
Un ejemplo para entenderlo
Damos dos demostraciones: «Factura pendiente» se etiqueta como facturación y «No puedo entrar» como soporte. El caso «No puedo entrar y tengo una factura pendiente» obliga a definir el criterio: permitir varias etiquetas, elegir una prioridad o pedir aclaración. Mostrar ejemplos sencillos no decide por sí solo cómo debe resolverse una solicitud ambigua.
Qué conviene comprobar
Algunos errores frecuentes al usar few-shot incluyen elegir ejemplos que no reflejan bien la tarea, usar ejemplos contradictorios entre sí, o incluso incluir demasiados ejemplos que dificultan la comprensión del modelo. También es común no reservar casos no vistos para evaluar cómo el modelo generaliza la tarea, lo que puede llevar a sobreestimar su capacidad real.
Los ejemplos se incluyen en el contexto: no constituyen un nuevo entrenamiento de los parámetros. Reserva casos diferentes para comprobar el resultado. Si los casos de prueba son los mismos que se han mostrado, puede parecer que el sistema funciona mejor de lo que funcionará ante una solicitud nueva.
Pruébalo con un caso pequeño
Crea dos ejemplos claros y uno ambiguo; define qué salida aceptarías para el ambiguo.
Para revisar tu ejercicio, distingue qué dato entra, qué resultado esperas y con qué evidencia lo comprobarías. Si aparece una duda, anótala como tal en lugar de completar el dato. El propósito es detectar una decisión concreta que puedas justificar, no obtener una respuesta que solo suene convincente.
Cómo leer el esquema
La ilustración organiza los conceptos explicados en el artículo. Es un esquema educativo, no una medición de un sistema real.
Fuentes
Documentación original utilizada para los conceptos de este artículo.