Aprendizaje few-shot

¿Qué es el aprendizaje few-shot?

Para enseñar a un niño a reconocer un pájaro solo necesitas señalar un par de fotos y decir «eso es un pájaro»; pronto distinguirá pájaros nuevos. El aprendizaje few-shot es la misma idea: le das al modelo unos pocos ejemplos y generaliza, lanzándose a una tarea nueva sin reentrenar nada.

¿En qué se diferencia del entrenamiento tradicional?

El tradicional quiere montones de datos
Aprender una tarea nueva solía exigir miles de muestras y mucha computación para reentrenar.
El few-shot solo pide unos ejemplos
Mete unos ejemplos en el prompt y el modelo «aprende» al momento — más barato, más rápido y más fácil.

¿Por qué funcionan tan bien los ejemplos?

Un modelo grande ya ha visto incontables patrones en sus datos de entrenamiento. Los ejemplos no enseñan desde cero: le recuerdan qué patrón usar esta vez y en qué formato devolverlo. Cuanto más cerca del objetivo estén los ejemplos, mejor se alinea el modelo.

Few-shot frente a zero-shot

Zero-shot
Sin ningún ejemplo, solo instrucciones — ideal para tareas simples o habituales.
Few-shot
Unos ejemplos escogidos a mano — mejor para formatos complejos y criterios difusos, y por lo general más fiable.

Consejos que importan

Elige ejemplos representativos
Los cercanos a la salida objetivo y que cubran los casos límite.
Mantén el formato consistente
Una estructura de entrada/salida uniforme hace que el modelo la siga con mucha más facilidad.
No te pases
De dos a cinco ejemplos suele bastar; más diluye el punto y quema tokens.

En resumen: el aprendizaje few-shot es «mostrar unos ejemplos y que el modelo copie el patrón».