O que é Few-shot Learning? Entenda Few-shot Prompting em IA

O que é Few-shot Learning?

Few-shot Learning significa aprendizado com poucos exemplos. No Machine Learning clássico, o termo descreve abordagens desenvolvidas para aprender uma tarefa usando um conjunto muito pequeno de exemplos rotulados.

O glossário do Google define few-shot learning como uma abordagem, muito utilizada em classificação, desenhada para treinar modelos eficazes a partir de apenas um pequeno número de exemplos.

Com a popularização dos LLMs, o termo passou a aparecer também em outro contexto: few-shot prompting. Nesse caso, não há um novo treinamento do modelo. Alguns exemplos são colocados dentro do prompt para demonstrar o padrão desejado.

As duas ideias compartilham a mesma intuição, obter comportamento útil com poucos exemplos, mas acontecem em momentos diferentes do sistema.

Few-shot Learning e Few-shot Prompting não são exatamente a mesma coisa

No few-shot learning clássico, poucos exemplos participam de um processo de aprendizagem ou adaptação do modelo. Dependendo da técnica, isso pode envolver atualização de parâmetros ou mecanismos específicos de meta-learning.

No few-shot prompting de LLMs, os exemplos ficam apenas no contexto daquela execução. Os pesos do modelo não são alterados.

A OpenAI descreve few-shot learning em prompting como orientar o modelo para uma nova tarefa incluindo alguns pares de entrada e saída no prompt, em vez de realizar fine-tuning.

Por isso, em produtos generativos é mais preciso dizer few-shot prompting quando estamos falando de exemplos inseridos no contexto.

Como funciona Few-shot Prompting?

O prompt apresenta exemplos que funcionam como demonstrações. Cada exemplo mostra uma entrada e a saída esperada.

Depois, uma nova entrada é fornecida. O modelo identifica padrões presentes nos exemplos e tenta aplicá-los à nova situação.

Esse fenômeno é frequentemente associado a in-context learning: o modelo utiliza informação presente no contexto para adaptar temporariamente seu comportamento sem modificar parâmetros.

O mecanismo exato depende da arquitetura e do treinamento do modelo, mas do ponto de vista de produto o efeito é simples: mostrar pode ser mais eficiente do que explicar todas as regras.

Um exemplo de classificação

Imagine que uma empresa possui três categorias internas: comercial, financeiro e suporte.

Um prompt zero-shot poderia apenas dizer: classifique a mensagem em uma dessas categorias.

Um prompt few-shot adiciona exemplos: 'Quero uma proposta para minha empresa' → comercial; 'Meu boleto veio errado' → financeiro; 'Não consigo acessar minha conta' → suporte.

Quando chega uma nova mensagem, o modelo usa esses exemplos para interpretar melhor as fronteiras entre as classes.

Few-shot para formato de saída

Exemplos são particularmente úteis quando o formato desejado é difícil de descrever.

Uma equipe pode mostrar dois exemplos de relatório com títulos, campos e ordem correta antes de fornecer o novo material.

O modelo tende a reproduzir a estrutura demonstrada.

Quando formato precisa ser absolutamente garantido, porém, schemas e Structured Outputs são mais seguros do que depender apenas dos exemplos.

Few-shot para tom e estilo

Em comunicação, alguns exemplos aprovados podem demonstrar ritmo, nível de formalidade, extensão e escolhas de linguagem.

Anthropic destaca exemplos como uma das formas mais confiáveis de orientar formato, tom e estrutura e recomenda que sejam relevantes, diversos e bem estruturados.

O risco é fornecer exemplos muito parecidos e fazer o modelo imitar características acidentais.

Por isso, exemplos devem representar o padrão, não apenas uma amostra conveniente.

Relevância dos exemplos

Um bom exemplo precisa se parecer com as situações reais que o modelo encontrará.

Se todos os exemplos são fáceis, o modelo pode falhar em casos ambíguos.

Se a operação possui exceções importantes, algumas devem aparecer na demonstração.

Escolher exemplos é um trabalho de curadoria e conhecimento de domínio.

Diversidade de exemplos

A OpenAI recomenda mostrar uma faixa diversa de entradas com as saídas desejadas.

Diversidade ajuda o modelo a aprender a regra mais geral em vez de copiar uma característica superficial.

Em análise de sentimento, por exemplo, exemplos devem variar em vocabulário, intensidade e tipo de comentário.

Em classificação documental, devem cobrir formatos e casos de fronteira representativos.

Consistência entre instruções e exemplos

Os exemplos precisam estar alinhados às regras escritas.

A documentação atual de modelos de raciocínio alerta que divergências entre exemplos few-shot e instruções podem produzir resultados ruins.

Se o texto diz para responder apenas com a categoria, mas os exemplos incluem explicações longas, o modelo recebe sinais conflitantes.

A regra prática é fazer exemplos demonstrarem exatamente aquilo que a instrução pede.

Zero-shot primeiro ou Few-shot primeiro?

Para muitos modelos atuais, especialmente reasoning models, vale testar primeiro a versão zero-shot.

A OpenAI recomenda experimentar zero-shot antes de adicionar few-shot em modelos de raciocínio, porque eles frequentemente conseguem realizar a tarefa apenas com uma especificação clara.

Se requisitos de formato, estilo ou fronteiras de classificação continuam inconsistentes, exemplos podem ser adicionados.

Isso evita gastar tokens e complexidade onde não existe ganho.

Few-shot e Context Window

Cada exemplo ocupa tokens dentro da janela de contexto.

Adicionar dezenas de exemplos reduz espaço disponível para documentos, histórico e resposta.

Também aumenta custo de input quando o prompt é enviado repetidamente.

É necessário buscar o menor conjunto de exemplos que produza ganho consistente.

Few-shot e prompt caching

Em aplicações que reutilizam o mesmo bloco de exemplos, prompt caching pode reduzir custo e latência quando a plataforma suporta esse mecanismo.

Manter exemplos em uma parte estável do prompt também facilita versionamento.

Ainda assim, caching não corrige exemplos ruins.

O primeiro objetivo deve continuar sendo qualidade da demonstração.

Few-shot e Fine-tuning

Few-shot prompting é uma excelente forma de testar se exemplos conseguem orientar uma tarefa antes de investir em treinamento.

Se a operação exige enviar muitos exemplos a cada requisição, tem alto volume e precisa de comportamento extremamente consistente, fine-tuning pode se tornar uma alternativa.

Fine-tuning move parte do padrão para os parâmetros do modelo; few-shot mantém o padrão no contexto.

A escolha deve considerar qualidade, custo, frequência de atualização e volume.

Few-shot e RAG

Exemplos e conhecimento são coisas diferentes.

Few-shot mostra como responder. RAG fornece informação sobre o que responder.

Um assistente pode receber exemplos de como citar fontes e usar RAG para recuperar os documentos que serão citados.

Essa combinação é comum em sistemas empresariais.

Aplicações em negócios

Atendimento pode usar exemplos para demonstrar categorias e estilos de resposta.

Marketing pode mostrar peças aprovadas e formatos de briefing. Escritórios profissionais podem demonstrar como estruturar análises e relatórios.

Em produtos, few-shot é útil para prototipar taxonomias e comportamentos antes de construir pipelines especializados.

A técnica é especialmente valiosa quando uma regra é fácil de mostrar e difícil de descrever.

Limitações

Few-shot não garante generalização. O modelo pode se prender demais aos exemplos ou interpretar um detalhe acidental como regra.

Exemplos podem introduzir vieses, erros ou conteúdo desatualizado.

Também existe custo de contexto, manutenção e testes.

Qualquer conjunto few-shot de produção deve ser avaliado em casos que não aparecem nas demonstrações.

O que muda na prática?

Few-shot prompting transformou exemplos em uma forma de programar comportamento sem treinamento.

Isso permite que profissionais ensinem padrões ao modelo usando demonstrações concretas.

Mas modelos atuais tornaram zero-shot mais capaz, então poucos exemplos devem ser usados quando realmente resolvem uma inconsistência mensurável.

A competência está menos em colocar muitos exemplos e mais em escolher os exemplos certos.

Perguntas frequentes