Resposta correta
- BFornecer alguns exemplos do estilo desejado no prompt (few-shot learning).
Explicação
O aprendizado com poucos exemplos (few-shot learning, opção B) é a estratégia correta porque controla diretamente o estilo e o tom, fornecendo exemplos do resultado desejado dentro do prompt. Isso aproveita a capacidade de aprendizado em contexto do modelo sem modificar os pesos subjacentes dele, tornando-o ideal para impor consistência sem o custo e a complexidade do ajuste fino (fine-tuning).
Para se aprofundar
O few-shot prompting funciona porque o modelo realiza aprendizado em contexto: os pares de exemplos que você coloca no prompt agem como tokens de condicionamento que deslocam a distribuição de probabilidade dos tokens subsequentes em direção ao padrão demonstrado, sem alterar nenhum peso. Isso é transitório — o efeito desaparece assim que a janela de contexto é limpa, ao contrário do ajuste fino, que incorpora o estilo nos parâmetros do modelo por meio de atualizações de gradiente. Um limite prático é a janela de contexto: os exemplos consomem tokens que contam para o custo e podem esvaziar a solicitação real, e prompts muito longos podem diluir o sinal. Em um pipeline de descrição de produtos, incorporar dois ou três exemplos com voz consistente na mensagem do sistema direciona de forma confiável o tom para cada chamada, e você pode trocar os exemplos por categoria de produto sem retreinar nada.
Sobre estas questões de prática
Esta é uma das questões de prática originais de AI-102 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.
Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.