O que São Zero-Shot e Few-Shot?
A aprendizagem zero-shot refere-se à capacidade dos modelos de IA de realizar tarefas sem nenhum exemplo específico da tarefa — apenas uma descrição ou instrução. A aprendizagem few-shot estende isto ao fornecer um pequeno número de exemplos de entrada-saída no prompt que demonstram o padrão pretendido. Estas capacidades emergem de modelos treinados em dados suficientemente diversos e em escala, que aprendem habilidades de aprendizagem e raciocínio geralizáveis em vez de apenas memorizar tarefas de treino.
Implicações Práticas
Zero-shot e few-shot reduzem drasticamente o custo de adaptar modelos de IA a novas tarefas. Tarefas que anteriormente requeriam centenas ou milhares de exemplos de treino rotulados podem agora ser realizadas com uma boa descrição da tarefa (zero-shot) ou meia dúzia de exemplos (few-shot). Isto acelera a prototipagem de aplicações de IA — as equipas podem testar casos de uso de IA em horas em vez de semanas aguardando a recolha e rotulagem de dados.
Quando Escolher Cada Abordagem
Use zero-shot para tarefas que se alinhem bem com as capacidades gerais do modelo — classificação de sentimentos, resumo, tradução, formatação. Use few-shot quando as tarefas têm nuances específicas do domínio ou requisitos de formato que o zero-shot interpreta erroneamente. Ajuste para fine-tuning quando a qualidade zero-shot/few-shot não satisfaz os requisitos e é necessário comportamento consistente em muitos inputs variados. Para escolher entre elas, avalie empiricamente — teste zero-shot primeiro, adicione exemplos few-shot se a qualidade for insuficiente e reserve o fine-tuning para quando o prompting não for suficiente.