Técnicas de prompting - Zero-Shot, One-Shot, Few-Shot y Priming

10.5 Técnicas de prompting - Zero-Shot, One-Shot, Few-Shot y Priming

La efectividad de un modelo de lenguaje no depende únicamente de su tamaño o capacidad subyacente, sino también de cómo presentamos nuestras solicitudes. Las técnicas de prompting representan diferentes estrategias para comunicarnos con sistemas de inteligencia artificial, cada una optimizada para tipos específicos de tareas. En este apartado exploraremos cuatro técnicas fundamentales: Zero-Shot, One-Shot, Few-Shot y Priming, herramientas poderosas que transforman resultados mediocres en respuestas excepcionales.

Zero-Shot Prompting: Instrucción sin ejemplos

La técnica Zero-Shot consiste en solicitar al modelo que realice una tarea proporcionando únicamente la instrucción, sin ejemplos previos de lo que esperas. Es el enfoque más directo y requiere que el modelo generalice desde su conocimiento entrenado. Aunque parece simple, esta técnica es sorprendentemente efectiva para muchas tareas, especialmente con modelos modernos como GPT-4 o Claude.

Un ejemplo de Zero-Shot sería: "Clasifica el siguiente texto como positivo, negativo o neutral. Texto: 'El servicio fue excelente, el personal muy atento'". El modelo realiza la clasificación basándose en su comprensión general del lenguaje sin ejemplos de clasificaciones previas.

El Zero-Shot es ideal cuando necesitas rapidez, cuando los ejemplos son difíciles de obtener, o cuando prefieres que el modelo recurra a su conocimiento general en lugar de patrones específicos. Sin embargo, tiene limitaciones: para tareas muy especializadas o cuando necesitas un formato muy particular, puede producir resultados inconsistentes.

One-Shot Prompting: Un ejemplo para orientar

El One-Shot prompting proporciona un único ejemplo de la entrada esperada y su salida correspondiente. Este enfoque ayuda al modelo a entender el patrón específico que deseas sin saturar el contexto con múltiples ejemplos.

Ejemplo práctico: "Transforma descripciones de productos en títulos optimizados para SEO. Ejemplo: Descripción: 'Mochila de cuero genuino, resistente al agua, con compartimentos internos'. Título SEO: 'Mochila de Cuero Genuino Impermeable con Compartimentos - Calidad Premium'. Ahora transforma: Descripción: 'Zapatos deportivos con suela de espuma amortiguadora, material transpirable'."

El One-Shot es especialmente útil cuando quieres que el modelo adopte un estilo particular, un nivel específico de formalidad, o una estructura de salida especial. Requiere menos tokens que Few-Shot (importante para controlar costos en APIs de pago), pero proporciona más orientación que Zero-Shot.

Few-Shot Prompting: Múltiples ejemplos para patrones robustos

El Few-Shot prompting proporciona tres a cinco ejemplos de pares entrada-salida. Esta técnica es particularmente poderosa para tareas complejas, especializadas o cuando necesitas que el modelo siga patrones muy específicos. Los ejemplos actúan como una microformación del modelo dentro de la conversación.

Consideremos una tarea de clasificación de sentimiento en textos de redes sociales españolas: proporcionarías 3-5 ejemplos como:

Ejemplo 1: Texto: "@tienda Me encanta vuestro servicio al cliente, muy rápidos" → Sentimiento: Positivo
Ejemplo 2: Texto: "Llevo 2 semanas esperando y nada, qué decepción" → Sentimiento: Negativo
Ejemplo 3: Texto: "El producto es de los que hay" → Sentimiento: Neutral

El Few-Shot es extraordinariamente efectivo porque permite al modelo aprender del contexto específico sin necesidad de reentrenamiento. Funciona particularmente bien para: clasificación de textos, generación de contenido con estilos específicos, extracción de información estructurada, y traducciones especializadas.

La investigación en modelos de lenguaje grandes (LLMs) ha demostrado que Few-Shot puede mejorar significativamente la precisión respecto a Zero-Shot, a veces en 20-30% según la tarea. Sin embargo, requiere más contexto (más tokens) y necesitas disponer de buenos ejemplos representativos.

Priming: Establecer el rol y contexto previo

Priming es una técnica que prepara el modelo asignándole un rol específico, estableciendo su personalidad o contexto antes de la tarea principal. Es particularmente efectivo para tareas que requieren un enfoque específico, un nivel de expertise simulado, o un tono particular.

Ejemplo de Priming: "Eres un contador fiscal español con 20 años de experiencia en pymes. Un cliente te consulta: ¿Qué deducciones puedo aplicar a mi negocio de consultoría?" El modelo adoptará una perspectiva más experta y contextualizada que si simplemente preguntases sobre deducciones.

Otro ejemplo: "Eres un profesor universitario explicando conceptos complejos a estudiantes de primer curso. Explica qué es una API" genera una explicación más didáctica que una pregunta simple. O: "Eres un crítico de cine apasionado por el cine español. Analiza la película 'El Ministerio del Tiempo'" genera perspectivas culturales específicas.

Combinación de técnicas para máximo rendimiento

Las técnicas no son mutuamente excluyentes. Los mejores prompts combina frecuentemente Priming con Few-Shot. Por ejemplo: "Eres un especialista en marketing de contenidos para startups españolas. Aquí hay tres ejemplos de headlines efectivos para LinkedIn. Ejemplo 1: ... Ejemplo 2: ... Ejemplo 3: ... Ahora genera 5 headlines para una startup de fintech."

La selección de técnica depende de varios factores: complejidad de la tarea (Zero-Shot para simple, Few-Shot para compleja), disponibilidad de ejemplos, presupuesto de tokens (One-Shot es más económico), y el nivel de especialización requerido (Priming para roles específicos).

Caso de aplicación práctica: Extracción de datos de facturas

Imaginemos que necesitas extraer información de facturas en PDF. Con Zero-Shot: "Extrae número de factura, emisor, importe total y fecha". Es posible que funcione, pero formatos inconsistentes pueden causar errores. Con Few-Shot, proporcionarías 2-3 facturas ejemplo con sus datos extraídos en formato JSON estructurado. El modelo aprenderá exactamente qué estructura esperas, mejorando precisión significativamente.

Ideas clave

• Zero-Shot prompting utiliza únicamente la instrucción sin ejemplos, ideal para tareas simples y cuando se valora la rapidez sobre la precisión.
• One-Shot proporciona un único ejemplo para orientar el formato y estilo, equilibrando eficiencia de tokens y claridad.
• Few-Shot con 3-5 ejemplos es el más poderoso para tareas complejas, mejorando precisión 20-30% respecto a Zero-Shot en muchos casos.
• Priming asigna un rol o contexto previo al modelo, optimizando respuestas para expertise, tono o perspectiva específicos.
• Las técnicas se pueden combinar (Priming + Few-Shot) para máxima efectividad en tareas especializadas.
• La selección de técnica debe considerar complejidad de la tarea, disponibilidad de ejemplos y restricciones de presupuesto de tokens.