Few-shot Learning

O que é

O Few-shot Learning (aprendizagem com poucos exemplos) é uma técnica de engenharia de pedidos em que fornecemos ao modelo de linguagem um pequeno conjunto de exemplos (geralmente entre 2 a 5) antes de lhe pedir para realizar a tarefa final. Em vez de dizermos apenas à IA o que queremos que ela faça — o que chamamos de Zero-shot Learning — mostramos-lhe como queremos que seja feito.

Nas PMEs, esta abordagem é a ponte entre o uso genérico da IA e o uso especializado. A maioria dos modelos de IA modernos, como os da OpenAI ou da Anthropic, são treinados em biliões de dados, mas não conhecem os detalhes específicos do seu negócio, o tom de voz da sua marca ou a estrutura exata do seu catálogo de produtos. O Few-shot Learning permite "ensinar" estas nuances instantaneamente dentro de uma única conversa, sem custos de desenvolvimento de software.

Como funciona

A lógica por trás do Few-shot Learning baseia-se na capacidade de reconhecimento de padrões dos LLMs (Large Language Models). Quando incluímos exemplos no pedido (o prompt), estamos a utilizar a chamada "janela de contexto" para ativar conhecimentos específicos do modelo.

A estrutura típica de um pedido com Few-shot Learning é:

1. Instrução: Uma descrição clara da tarefa.
2. Exemplo 1 (Input/Output): Uma amostra de um caso real e a resposta correta.
3. Exemplo 2 (Input/Output): Outra amostra para reforçar o padrão.
4. Tarefa final: O dado novo que queremos processar.

O modelo não altera a sua arquitetura nem é re-treinado. Ele apenas utiliza os exemplos como um guia estatístico para prever a próxima palavra de forma mais precisa, alinhada com as restrições que acabámos de definir. É o equivalente a dar a um novo estagiário três faturas preenchidas para ele perceber como deve preencher a quarta.

Quando usar

Esta técnica deve ser a sua primeira escolha quando a instrução por texto (Zero-shot) não é suficiente para garantir consistência. É particularmente útil em quatro cenários:

1. Extração de Dados Estruturados: Quando precisa que a IA retire informações de emails e as coloque num formato específico (ex: JSON ou CSV) para integrar com o seu ERP.
2. Tom de Voz e Estilo: Se a IA escreve de forma demasiado robótica ou entusiasta para a cultura da sua empresa, fornecer três exemplos de emails escritos por si ajuda-a a replicar o seu estilo natural.
3. Classificação Complexa: Quando tem categorias que podem ser ambíguas. Por exemplo, distinguir se um feedback de cliente é uma "Reclamação Técnica" ou um "Pedido de Assistência" exige nuances que só exemplos práticos definem bem.
4. Limitação de Alucinações: Ao ver exemplos de respostas corretas, a IA tem menos probabilidade de inventar informações ou de se desviar do formato pretendido.

É uma alternativa muito mais barata e rápida ao Fine-tuning, que requer milhares de exemplos e custos de computação elevados.

Erros comuns

O erro mais frequente é a falta de diversidade nos exemplos. Se der três exemplos de reclamações sobre faturas, a IA pode esquecer-se de como lidar com reclamações sobre atrasos na entrega. Os exemplos devem cobrir a gama de situações que espera que o modelo encontre.

Outro erro é a má formatação. Se os exemplos estiverem desorganizados, a IA vai confundir o que é instrução do que é conteúdo. Utilize etiquetas claras como "Entrada:" e "Saída:" para delimitar cada caso.

Por fim, existe o risco do viés de seleção. A IA tende a dar mais importância ao último exemplo fornecido. Se o último exemplo for muito curto, as respostas seguintes tendem a ser curtas. Tente manter a consistência de tamanho e tom em todos os exemplos que inclui no prompt.

Exemplo prático para uma PME

Imagine uma consultora industrial em Aveiro que precisa de analisar relatórios de auditoria e extrair apenas os riscos críticos num formato simples para o gestor.

Sem Few-shot, o pedido seria: "Lê este relatório e lista os riscos". O resultado seria provavelmente um texto longo e vago.

Com Few-shot Learning, o pedido seria:

"Lê o relatório e extrai os riscos críticos seguindo este padrão:

Exemplo 1: Relatório: Fuga detetada na válvula secundária com risco de contaminação. Risco: Crítico - Infraestrutura - Válvula

Exemplo 2: Relatório: O extintor da sala de máquinas tem a validade expirada desde o mês passado. Risco: Elevado - Segurança - Equipamentos

Tarefa: Relatório: O quadro elétrico principal apresenta sinais de sobreaquecimento constante durante o turno da noite."

Com estes dois exemplos, a IA percebe imediatamente que deve categorizar por (Nível - Área - Componente), mantendo a brevidade que a empresa necessita.

Perguntas frequentes

Q: Quantos exemplos devo incluir no prompt? R: Tipicamente, entre 2 a 5 exemplos são suficientes. Incluir demasiados exemplos consome mais tokens (o que aumenta o custo) e pode acabar por confundir o modelo ou atingir o limite da janela de contexto.

Q: Preciso de saber programar para usar Few-shot Learning? R: Não. Esta técnica baseia-se apenas em texto e organização lógica. Pode ser aplicada diretamente no ChatGPT, Claude ou através das APIs que a sua equipa de TI já utilize.

Q: O Few-shot Learning é o mesmo que Fine-tuning? R: Não. O Few-shot acontece "em tempo real" no pedido e a IA não guarda essa aprendizagem para a próxima sessão. O Fine-tuning altera permanentemente o modelo através de treino, o que é mais complexo e caro.

Q: Posso usar exemplos negativos (o que não fazer)? R: Sim. Frequentemente, incluir um exemplo de uma resposta errada com a nota "Evitar isto" ajuda a IA a manter-se dentro dos limites desejados, embora os exemplos positivos sejam geralmente mais eficazes.