Few-shot Learning

Qué es

El Few-shot Learning (aprendizaje con pocos ejemplos) es una técnica de ingeniería de peticiones en la que proporcionamos al modelo de lenguaje un pequeño conjunto de ejemplos (generalmente entre 2 y 5) antes de pedirle que realice la tarea final. En lugar de limitarnos a decirle a la IA lo que queremos que haga —lo que llamamos Zero-shot Learning—, le mostramos cómo queremos que se haga.

En las PYMES, este enfoque es el puente entre el uso genérico de la IA y el uso especializado. La mayoría de los modelos de IA modernos, como los de OpenAI o Anthropic, están entrenados con billones de datos, pero no conocen los detalles específicos de su negocio, el tono de voz de su marca o la estructura exacta de su catálogo de productos. El Few-shot Learning permite "enseñar" estos matices instantáneamente dentro de una única conversación, sin costes de desarrollo de software.

Cómo funciona

La lógica detrás del Few-shot Learning se basa en la capacidad de reconocimiento de patrones de los LLM (Large Language Models). Cuando incluimos ejemplos en la petición (el prompt), estamos utilizando la llamada "ventana de contexto" para activar conocimientos específicos del modelo.

La estructura típica de una petición con Few-shot Learning es:

1. Instrucción: Una descripción clara de la tarea.
2. Ejemplo 1 (Input/Output): Una muestra de un caso real y la respuesta correcta.
3. Ejemplo 2 (Input/Output): Otra muestra para reforzar el patrón.
4. Tarea final: El nuevo dato que queremos procesar.

El modelo no altera su arquitectura ni es reentrenado. Simplemente utiliza los ejemplos como una guía estadística para predecir la siguiente palabra de forma más precisa, alineada con las restricciones que acabamos de definir. Es el equivalente a darle a un nuevo becario tres facturas cumplimentadas para que entienda cómo debe cumplimentar la cuarta.

Cuándo usar

Esta técnica debe ser su primera elección cuando la instrucción por texto (Zero-shot) no es suficiente para garantizar la consistencia. Es particularmente útil en cuatro escenarios:

1. Extracción de Datos Estructurados: Cuando necesita que la IA extraiga información de correos electrónicos y la coloque en un formato específico (ej: JSON o CSV) para integrarla con su ERP.
2. Tono de Voz y Estilo: Si la IA escribe de forma demasiado robótica o entusiasta para la cultura de su empresa, proporcionar tres ejemplos de correos escritos por usted le ayuda a replicar su estilo natural.
3. Clasificación Compleja: Cuando tiene categorías que pueden ser ambiguas. Por ejemplo, distinguir si el feedback de un cliente es una "Reclamación Técnica" o una "Solicitud de Asistencia" requiere matices que solo los ejemplos prácticos definen bien.
4. Limitación de Alucinaciones: Al ver ejemplos de respuestas correctas, la IA tiene menos probabilidades de inventar información o de desviarse del formato pretendido.

Es una alternativa mucho más barata y rápida al Fine-tuning, que requiere miles de ejemplos y costes de computación elevados.

Errores comunes

El error más frecuente es la falta de diversidad en los ejemplos. Si da tres ejemplos de reclamaciones sobre facturas, la IA puede olvidar cómo gestionar reclamaciones sobre retrasos en la entrega. Los ejemplos deben cubrir la gama de situaciones que espera que el modelo encuentre.

Otro error es el formato deficiente. Si los ejemplos están desorganizados, la IA confundirá qué es instrucción y qué es contenido. Utilice etiquetas claras como "Entrada:" y "Salida:" para delimitar cada caso.

Por último, existe el riesgo del sesgo de selección. La IA tiende a dar más importancia al último ejemplo proporcionado. Si el último ejemplo es muy corto, las respuestas siguientes tienden a ser cortas. Intente mantener la consistencia de tamaño y tono en todos los ejemplos que incluya en el prompt.

Ejemplo práctico para una PYME

Imagine una consultora industrial en Aveiro que necesita analizar informes de auditoría y extraer solo los riesgos críticos en un formato sencillo para el gestor.

Sin Few-shot, la petición sería: "Lee este informe y enumera los riesgos". El resultado sería probablemente un texto largo y vago.

Con Few-shot Learning, la petición sería:

"Lee el informe y extrae los riesgos críticos siguiendo este patrón:

Ejemplo 1: Informe: Fuga detectada en la válvula secundaria con riesgo de contaminación. Riesgo: Crítico - Infraestructura - Válvula

Ejemplo 2: Informe: El extintor de la sala de máquinas tiene la validez expirada desde el mes pasado. Riesgo: Elevado - Seguridad - Equipamientos

Tarea: Informe: El cuadro eléctrico principal presenta signos de sobrecalentamiento constante durante el turno de noche."

Con estos dos ejemplos, la IA entiende inmediatamente que debe categorizar por (Nivel - Área - Componente), manteniendo la brevedad que la empresa necesita.

Preguntas frecuentes

P: ¿Cuántos ejemplos debo incluir en el prompt? R: Típicamente, entre 2 y 5 ejemplos son suficientes. Incluir demasiados ejemplos consume más tokens (lo que aumenta el coste) y puede terminar confundiendo al modelo o alcanzando el límite de la ventana de contexto.

P: ¿Necesito saber programar para usar Few-shot Learning? R: No. Esta técnica se basa solo en texto y organización lógica. Puede aplicarse directamente en ChatGPT, Claude o a través de las API que su equipo de TI ya utilice.

P: ¿Es lo mismo el Few-shot Learning que el Fine-tuning? R: No. El Few-shot ocurre "en tiempo real" en la petición y la IA no guarda ese aprendizaje para la próxima sesión. El Fine-tuning altera permanentemente el modelo mediante entrenamiento, lo cual es más complejo y caro.

P: ¿Puedo usar ejemplos negativos (qué no hacer)? R: Sí. Con frecuencia, incluir un ejemplo de una respuesta incorrecta con la nota "Evitar esto" ayuda a la IA a mantenerse dentro de los límites deseados, aunque los ejemplos positivos suelen ser más eficaces.

• 01Incluir 3 transcripciones de reuniones anteriores para que la IA aprenda a hacer actas en el formato de la empresa.
• 02Proporcionar 2 ejemplos de conversión de lenguaje informal a jurídico antes de redactar un contrato.
• 03Mostrar 5 ejemplos de cómo clasificar tickets de soporte por urgencia y departamento.
• 04Dar 3 ejemplos de descripciones de productos en el catálogo para mantener la misma estructura de ventas.

Quer usar Few-shot Learning na sua empresa?

30 minutos, gratuito, sem compromisso. Dizemos onde encaixa.

Diagnóstico IA gratuito