Few-Shot Learning

🔄 Repaso rápido: En la lección anterior diseñamos personas con 5 componentes y el dial de experticia. Ahora vamos a aprender la técnica que, si solo pudiera enseñarte una, sería esta.

Al terminar esta lección, vas a saber:

• Qué es few-shot learning y por qué los ejemplos superan a las instrucciones
• Cómo construir ejemplos efectivos (realistas, diversos, consistentes)
• La cantidad óptima de ejemplos según el tipo de tarea

La Técnica Más Poderosa

Si solo pudiera enseñarte una técnica avanzada, sería esta.

Few-shot learning — mostrar ejemplos a la IA de lo que quieres — es absurdamente efectivo. Muchas veces resuelve problemas que ninguna cantidad de instrucciones puede arreglar. Convierte resultados inconsistentes en confiables. Te permite enseñar formatos, estilos y lógica personalizados.

Y la mayoría de personas no lo usa. Prefieren escribir instrucciones más largas.

¿Qué Es Few-Shot Learning?

La terminología viene del machine learning:

• Zero-shot: Solo instrucciones, sin ejemplos
• One-shot: Un ejemplo
• Few-shot: 2-5 ejemplos

En la práctica, “few-shot prompting” significa incluir pares de entrada-salida que demuestran el patrón que quieres.

Zero-shot:

Clasifica el siguiente mensaje de cliente como Positivo, Negativo o Neutro.

Mensaje: “El producto llegó dañado y nadie me ayuda.”

Few-shot:

Clasifica mensajes de clientes como Positivo, Negativo o Neutro.

Ejemplos:

Mensaje: “¡Me encanta! La mejor compra del año.” Clasificación: Positivo

Mensaje: “Está bien, nada especial pero funciona.” Clasificación: Neutro

Mensaje: “Llevo 3 semanas esperando y aún no llega. Horrible.” Clasificación: Negativo

---

Ahora clasifica este mensaje: Mensaje: “El producto llegó dañado y nadie me ayuda.”

La versión few-shot es más larga pero dramáticamente más confiable. La IA ve el patrón, copia el formato y da resultados consistentes.

Por Qué los Ejemplos Superan a las Instrucciones

Las instrucciones dicen a la IA qué hacer. Los ejemplos le muestran.

Y mostrar gana a decir por la misma razón que funciona con humanos. Cuando dices “escribe en tono casual,” eso es subjetivo. Mi “casual” y tu “casual” pueden ser muy diferentes.

Pero cuando muestras tres ejemplos de tu tono casual, la IA calibra exactamente a lo que realmente quieres.

Los ejemplos funcionan porque:

• Eliminan ambigüedad — No hay interpretación necesaria
• Establecen formato — La IA imita la estructura exacta
• Fijan el tono — Tu voz, demostrada
• Manejan excepciones — Muestran cómo tratar entradas complicadas

✅ Quick Check: Si le pides a la IA “escribe profesionalmente” y cada vez obtienes un estilo diferente, ¿qué técnica resolvería esto?

Respuesta: Few-shot learning — mostrar 2-3 ejemplos de exactamente qué significa “profesional” para ti elimina la ambigüedad.

Anatomía de Buenos Ejemplos

No todos los ejemplos ayudan igual. Esto es lo que hace ejemplos efectivos:

1. Entradas Realistas

Usa ejemplos que se parezcan a los datos reales que vas a procesar.

Malo: Datos de prueba falsos

Entrada: "Mensaje de prueba aquí"
Salida: "Respuesta de prueba"

Bueno: Casos representativos y realistas

Entrada: "Hola, hice un pedido #4521 la semana pasada pero dice pendiente"
Salida: "Consulta de Estado de Pedido - Pedido #4521 - Prioridad: Normal"

2. Casos Diversos

Muestra variedad para enseñar el patrón completo, no solo un caso.

Si clasificas sentimiento, incluye:

• Claramente positivo
• Claramente negativo
• Ambiguo/neutro
• Mixto (elementos positivos y negativos)

3. Formato Consistente

Cada ejemplo debe seguir el formato idéntico. La IA aprende el patrón de la consistencia.

Malo: Formatos inconsistentes

Entrada: "¡Gran producto!"
→ Sentimiento positivo

Mensaje: Odio esperar
Clasificación = Negativo

Bueno: Estructura consistente

Entrada: "¡Gran producto!"
Clasificación: Positivo

Entrada: "Odio esperar"
Clasificación: Negativo

4. Casos Límite

Incluye al menos un ejemplo que maneje algo complicado.

Entrada: "El producto es bueno pero el envío fue terrible"
Clasificación: Mixto
Razonamiento: Positivo sobre el producto, negativo sobre el envío

Esto enseña a la IA qué hacer cuando las entradas no encajan limpiamente.

¿Cuántos Ejemplos?

La investigación y la experiencia práctica convergen en un rango:

Más ejemplos consumen ventana de contexto. Después de 5-6, generalmente obtienes mejores resultados mejorando la calidad de los ejemplos que agregando cantidad.

Plantilla Few-Shot

Aquí una estructura confiable:

[DESCRIPCIÓN DE LA TAREA]
Breve explicación de lo que quieres.

[EJEMPLOS]
---
Entrada: [ejemplo de entrada 1]
Salida: [ejemplo de salida 1]
---
Entrada: [ejemplo de entrada 2]
Salida: [ejemplo de salida 2]
---
Entrada: [ejemplo de entrada 3]
Salida: [ejemplo de salida 3]
---

[SOLICITUD REAL]
Ahora procesa lo siguiente:

Entrada: [tu entrada real]
Salida:

El “Salida:” al final prepara a la IA para responder en el mismo formato.

Ejemplo Práctico: Categorización de Productos

Construyamos un prompt few-shot para categorizar productos de e-commerce.

Zero-shot (sin ejemplos):

Categoriza este producto en un departamento: "Sony WH-1000XM5 Auriculares Inalámbricos con Cancelación de Ruido"

Puede funcionar, pero los resultados variarán: “Electrónica”, “Audio”, “Auriculares”, “Tech”…

Few-shot (con ejemplos):

Categoriza productos en el departamento apropiado.

Departamentos disponibles: Electrónica, Hogar y Cocina, Ropa, Deportes, Libros, Juguetes

---
Producto: "Olla de Presión Eléctrica Instant Pot 7-en-1"
Departamento: Hogar y Cocina

Producto: "Nike Revolution 6 Zapatillas de Running"
Departamento: Ropa

Producto: "Kindle Paperwhite 16GB E-Reader"
Departamento: Electrónica

Producto: "LEGO Star Wars Millennium Falcon Set de Construcción"
Departamento: Juguetes
---

Ahora categoriza:
Producto: "Sony WH-1000XM5 Auriculares Inalámbricos con Cancelación de Ruido"
Departamento:

Ahora la IA sabe exactamente qué categorías usar y cómo formatear la respuesta. Consistente, cada vez.

Errores Comunes

Error 1: Ejemplos que no coinciden con entradas reales Tus ejemplos muestran casos simples, pero las entradas reales son desordenadas. La IA no sabrá manejar el desorden.

Error 2: Formato inconsistente entre ejemplos La IA aprende de patrones. La inconsistencia enseña confusión.

Error 3: Todos los ejemplos son del mismo tipo Si cada ejemplo es un caso positivo, la IA luchará con los negativos.

Error 4: Ejemplos demasiado largos Ejemplos largos consumen contexto. Mantenlos compactos — suficiente para mostrar el patrón, nada más.

Key Takeaways

• Few-shot learning significa enseñar con ejemplos — a menudo más efectivo que instrucciones largas
• 3-5 ejemplos suelen ser el punto ideal entre cobertura y eficiencia
• Buenos ejemplos son realistas, diversos, consistentes e incluyen casos límite
• Formatea los ejemplos idénticamente — el patrón es lo que la IA aprende
• Termina con “Salida:” para preparar a la IA para copiar tu formato

Up Next

En la Lección 5, vamos a explorar el prompting de cadena de pensamiento — cómo hacer que la IA muestre su razonamiento y por qué eso mejora dramáticamente la precisión.