Aprendizaje zero-shot

¿Qué es el aprendizaje zero-shot?

Pide en un restaurante «algo picante pero no grasiento» y el camarero lo cumple sin que enumeres platos. El aprendizaje zero-shot es eso: sin ejemplos, solo una instrucción clara, y el modelo completa una tarea para la que nunca fue entrenado específicamente.

¿Cómo hace algo que nunca aprendió?

Un modelo grande absorbe lenguaje, sentido común y los «patrones» de incontables tareas de su texto de entrenamiento. Cuando le das una instrucción clara, transfiere esas habilidades generales a la nueva tarea: resuelve un problema nuevo con experiencia vieja.

Zero-shot frente a few-shot

Zero-shot
Sin ejemplos, pura instrucción. Rápido y barato — ideal para tareas habituales como sentimiento, resumen o traducción.
Few-shot
Unos ejemplos, mejor para formatos complejos y fronteras difusas, por lo general más estable.

¿Cuándo tropieza el zero-shot?

Tareas de nicho
Demasiado lejos de los datos de entrenamiento y el modelo puede no saber ni por dónde empezar.
Requisitos muy específicos
Formatos complejos o un estilo poco habitual son difíciles de fijar solo con palabras — ahí ayudan los ejemplos.
Instrucciones vagas
El zero-shot vive y muere por el prompt. Una frase poco clara y la salida se desvía.

Cómo hacerlo más fiable

Explica bien la tarea
Di qué hacer, cómo y en qué formato — cuanto más específico, mejor.
Añade un rol si ayuda
«Eres un traductor…» empuja al modelo al contexto correcto.
Empieza en zero-shot y sube solo si hace falta
Si el zero-shot basta, olvida el few-shot; si el few-shot basta, olvida el fine-tuning — resuélvelo al menor coste.

En resumen: el aprendizaje zero-shot pone a la IA a trabajar solo con una instrucción clara, sin necesidad de ejemplos.