Este truque de IA pode funcionar melhor que prompts longos para tarefas do dia a dia

Profissionais que usam inteligência artificial no trabalho frequentemente tentam resolver problemas criando prompts cada vez mais detalhados. Mas existe outra forma de orientar um modelo: mostrar exemplos do resultado esperado.

A técnica é conhecida como few-shot prompting. Em vez de explicar todas as regras de uma tarefa, o usuário apresenta algumas entradas acompanhadas das respostas corretas e, depois, solicita que a IA aplique o mesmo padrão a um novo caso.

Para quem trabalha com IA no dia a dia, isso pode ser útil em tarefas que exigem consistência de formato, linguagem ou classificação.

Domine os impactos da inteligência artificial no mercado com o Pré-MBA em IA da Saint Paul em parceria com a EXAME. A formação está disponível por apenas R$ 37.

O que é few-shot prompting

O termo few-shot significa, em tradução livre, "poucos exemplos". A técnica faz parte do chamado in-context learning, em que o modelo recebe informações no próprio prompt para entender como deve executar determinada tarefa.

O conceito ganhou destaque com o GPT-3, apresentado em um estudo publicado em 2020. Os pesquisadores mostraram que modelos de linguagem de grande escala conseguiam realizar determinadas tarefas a partir de poucos exemplos, sem necessidade de treinamento específico para cada atividade.

Na prática, imagine que um profissional queira classificar comentários de clientes em três categorias: reclamação, elogio ou dúvida.

Em vez de escrever diversas regras, pode apresentar:

• "O produto chegou quebrado" → Reclamação
• "Adorei o atendimento" → Elogio
• "Qual é o prazo de entrega?" → Dúvida

Depois, basta enviar um novo comentário. A IA usa os exemplos como referência para identificar o padrão solicitado.

Por que exemplos podem funcionar melhor que instruções longas

Uma instrução como "classifique os comentários considerando o sentimento, a intenção e o contexto" pode deixar espaço para interpretações diferentes.

Os exemplos, por outro lado, mostram concretamente o padrão que o usuário espera.

Isso é especialmente útil quando a tarefa envolve critérios difíceis de descrever em poucas palavras, como estilo de texto, estrutura de relatórios ou categorização de informações.

Um profissional de marketing, por exemplo, pode fornecer três descrições de produtos já aprovadas e pedir que a IA produza uma quarta seguindo o mesmo padrão de tamanho, estrutura e linguagem.

O exemplo funciona como referência operacional, não apenas como explicação.

Como aplicar a técnica no trabalho

Um prompt simples pode seguir esta estrutura:

Exemplo 1: entrada → resposta desejada
Exemplo 2: entrada → resposta desejada
Exemplo 3: entrada → resposta desejada

Nova entrada: conteúdo que precisa ser processado

Quanto mais representativos forem os exemplos, maior a chance de a IA compreender o padrão pretendido. Também é importante evitar exemplos contraditórios ou pouco claros.

A escolha dos exemplos pode ser mais importante do que simplesmente aumentar a quantidade. Estudos sobre in-context learning mostram que o desempenho depende do modelo, da tarefa e da forma como os exemplos são apresentados.

Invista no seu autoconhecimento e na sua adaptação tecnológica agora mesmo para não ficar para trás. O Pré-MBA Saint Paul com a EXAME ensina em 4 aulas, online, por R$37. Comece hoje! 

Quando usar few-shot prompting

A técnica tende a ser útil quando existe um padrão que pode ser demonstrado. Alguns exemplos são:

• Padronizar relatórios e documentos
• Classificar mensagens ou solicitações
• Adaptar textos a determinado estilo
• Extrair informações seguindo um formato
• Categorizar dados de clientes
• Transformar informações em estruturas específicas

Isso não significa que poucos exemplos sempre serão suficientes. Em determinadas tarefas, uma instrução direta pode funcionar melhor. Pesquisas também identificaram situações em que o zero-shot prompting, sem exemplos, supera abordagens com exemplos.

O que muda na prática para o profissional

O few-shot prompting muda a forma de pensar a interação com a inteligência artificial. Em vez de tentar prever todas as instruções necessárias, o usuário pode demonstrar o resultado desejado.

A abordagem é particularmente interessante para atividades repetitivas, nas quais existe um padrão definido e que precisa ser reproduzido em diferentes situações.

Também permite transformar um exemplo produzido manualmente em uma espécie de modelo para novas tarefas. O cuidado necessário é verificar se os exemplos realmente representam o resultado correto, já que a IA pode reproduzir padrões inadequados apresentados pelo usuário.

Pesquisas mais recentes exploram inclusive o uso de exemplos de erros para ajudar modelos a identificar princípios de uma tarefa e melhorar respostas posteriores.

Com foco nas transformações provocadas pela inteligência artificial, o Pré-MBA em IA da Saint Paul e EXAME, por R$ 37, aborda desde os conceitos fundamentais até aplicações voltadas ao ambiente corporativo. Garanta sua vaga!

No fim, few-shot prompting não substitui boas instruções. A técnica oferece outra maneira de orientar modelos de inteligência artificial: ensinar pelo exemplo. Para tarefas com padrões claros, mostrar algumas respostas de referência pode ser uma alternativa mais objetiva do que construir prompts cada vez mais extensos.