11 Few shot prompting r1n4e

La Escuela Viva de Periodismo presenta Ingeniería de Prompts para Inteligencia Artificial.

Módulo 3. Técnicas avanzadas de creación de prompts.

Hola, hola, bienvenida, bienvenido a esta nueva clase de nuestro curso de Ingeniería de Prompts.

Hoy nos adentramos en un terreno especialmente interesante que marca un punto de inflexión en tu camino como creador o creadora de instrucciones para modelos de lenguaje.

Hasta ahora hemos aprendido a hablarle a la IA con naturalidad, claridad, estructura y rol, pero hoy vamos a dar un paso más hacia una técnica poderosa, versátil y muy práctica que se llama Few-Shot Prompting.

Puede que el nombre suene un poco técnico al principio, pero no te preocupes, en esta clase lo vamos a explicar paso a paso con ejemplos muy claros y con mucha pedagogía, porque cuando entiendes cómo usar esta técnica se te abre un mundo nuevo, te lo digo yo.

¿Por qué? Porque puedes enseñar al modelo exactamente lo que esperas que haga, con una precisión además que transforma por completo la calidad de las respuestas.

Así que ponte cómodo, coge tu cuaderno y empecemos.

Vamos a ir desde lo más básico, que es el Few-Shot Prompting.

En Ingeniería de Prompts llamamos Few-Shot, que en español significa pocos ejemplos, a una técnica que consiste en proporcionar al modelo uno o varios ejemplos dentro del prompt para que aprenda el patrón deseado y lo repita con nuevos datos.

Es decir, en lugar de simplemente decirle lo que tiene que hacer, le muestras cómo se hace y luego le pides que continúe ese patrón.

Esto puede parecer algo menor, pero es en realidad uno de los principios más potentes para afinar la conducta de un modelo generativo.

Es una forma de entrenamiento puntual dentro de la conversación.

Veamos una comparativa rápida para que lo entiendas mejor.

Por ejemplo, le decimos...

Esto es sin ejemplos de nada.

Traduce esta frase al francés.

Le decimos dónde está la estación de tren.

Esto es un prompt clásico, claro, directo, pero sin ejemplos.

Aquí el modelo tiene, entre comillas, que adivinar qué quieres, el idioma de origen, el de destino, el formato, el nivel de formalidad.

Puede hacerlo bien, pero también puede confundirse.

Ahora bien, vamos a este mismo ejemplo, pero con un one shot.

Le decimos, traduce al francés.

Si buenos días es bonjour, dónde está la estación de tren, es...

Y ahora el modelo ya tiene una pista clara de cómo es el formato esperado.

Sabe que tiene que traducir de español a francés y que la respuesta debe ir después de es.

La probabilidad de que acierte y lo haga bien aumenta considerablemente.

Esto es one shot prompting, dar un solo ejemplo.

Ahora bien, pongamos varios ejemplos.

Le decimos, traduce al francés.

Buenos días es bonjour, gracias es merci, cómo estás es comment ça va, dónde está la estación de tren, es...

Este es un few shot prompt.

Tiene varios ejemplos previos que establecen el patrón de entrada y salida.

Y aquí viene lo importante, el modelo no solo traduce, sino que empieza a imitar el estilo, el tono, el formato y la lógica de los ejemplos anteriores.

Y seguramente te preguntes, ¿por qué funciona el few shot prompting? Los modelos generativos como GPT, CLOT, Gemini, aprenden por patrones, no entienden instrucciones en sentido humano.

Lo que hacen es predecir la continuación más probable de un texto en base a los datos que les has dado hasta ahora.