Respuesta correcta
- BProporcionar algunos ejemplos del estilo deseado en el aviso (few-shot learning).
Explicación
El aprendizaje con pocos ejemplos (few-shot learning, opción B) es la estrategia correcta porque controla directamente el estilo y el tono proporcionando ejemplos del resultado deseado dentro del aviso (prompt). Esto aprovecha la capacidad de aprendizaje en contexto del modelo sin modificar los pesos subyacentes del mismo, lo que lo hace ideal para aplicar coherencia sin el coste y la complejidad del ajuste fino (fine-tuning).
Para profundizar
El prompting con pocos ejemplos funciona porque el modelo realiza un aprendizaje en contexto: los pares de ejemplos que colocas en el aviso actúan como tokens de condicionamiento que desplazan la distribución de probabilidad de los tokens posteriores hacia el patrón demostrado, sin cambiar ningún peso. Esto es transitorio: el efecto desaparece una vez que se borra la ventana de contexto, a diferencia del ajuste fino, que incorpora el estilo en los parámetros del modelo mediante actualizaciones de gradiente. Un límite práctico es la ventana de contexto: los ejemplos consumen tokens que cuentan para el coste y pueden desplazar a la solicitud real, y los avisos muy largos pueden diluir la señal. En una canalización de descripción de productos, integrar dos o tres ejemplos con una voz coherente en el mensaje del sistema orienta de forma fiable el tono para cada llamada, y puedes intercambiar ejemplos por categoría de producto sin reentrenar nada.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-102 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.