~/questoes/inteligencia-artificial
Few shot é a técnica de fornecer múltiplos exemplos (geralmente 2 a 5) ao modelo para melhorar a precisão das respostas em tarefas complexas. Porém, essa vantagem em qualidade tem um custo computacional significativo: quanto mais exemplos você adiciona ao prompt, mais tokens são processados e maior é o tempo de resposta.
A resposta correta identifica o trade-off fundamental do few shot: fornecer vários exemplos aumenta o tamanho total do prompt, o que resulta em maior consumo de tokens e latência no processamento. Esse é o preço que você paga pela maior precisão.
Incorreta. Few shot não prejudica a capacidade criativa do modelo. Na verdade, exemplos bem escolhidos podem guiar o modelo para respostas mais originais e relevantes dentro do padrão desejado. O modelo continua sendo capaz de gerar conteúdo inovador.
Correta. Essa é a desvantagem real e prática do few shot. Cada exemplo adicionado ao prompt consome tokens adicionais, aumentando o processamento total. Isso significa respostas mais lentas e custos computacionais maiores.
Incorreta. Few shot é uma técnica acessível e não requer conhecimento avançado de machine learning. Profissionais iniciantes em engenharia de prompt conseguem aplicar few shot com sucesso. Ajuste fino é uma técnica diferente e mais complexa.
Parcialmente verdade, mas não é a desvantagem principal. Sim, exemplos ruins podem confundir o modelo, mas isso é um risco de execução, não uma desvantagem inerente da técnica. A desvantagem estrutural é sempre o custo computacional.