Saltar al contenido principal

🥈 One-Shot Prompting

One-shot prompting consiste en dar al modelo un solo ejemplo junto con una instrucción para que pueda imitar el formato o estilo de la tarea deseada.

🧠 ¿Qué es One-Shot Prompting?​

A diferencia del zero-shot, donde no se dan ejemplos, en el one-shot se proporciona un solo caso ilustrativo de lo que se espera como respuesta. Esto ayuda al modelo a:

  • Entender el patrón de salida.
  • Mejorar la precisión.
  • Adaptarse al contexto de forma más específica.

📌 Es como decirle al modelo: “Mirá este ejemplo, ahora hacé lo mismo con el siguiente.”

✅ Ventajas​

  • Aumenta precisión respecto al zero-shot.
  • Permite modelar formato o estilo esperado.
  • Más económico que few-shot en términos de tokens.

⚠️ Desventajas​

  • Depende mucho de la calidad del único ejemplo.
  • No capta variaciones amplias si el input es muy diferente.

🧩 Elementos clave de un prompt one-shot​

  1. Una instrucción clara.
  2. Un único ejemplo bien estructurado.
  3. El nuevo input para que el modelo lo procese.

💡 Casos de uso típicos​

  • Conversión de formatos (ej. texto → JSON).
  • Estilo específico de escritura.
  • Generación de respuestas con estructura definida.
  • Traducción especializada o contextos técnicos.

🧪 Ejemplos​

🟢 Ejemplo fácil – Clasificación​

Clasifica el sentimiento como POSITIVO, NEUTRAL o NEGATIVO.

Ejemplo:
Input: "Odio esperar tanto para que me atiendan."
Output: NEGATIVO

Ahora clasifica este:
Input: "Fue rápido y sin problemas."
Output:

🟠 Ejemplo intermedio – Formato estructurado​

Convierte una orden de pizza a JSON.

Ejemplo:
"Quiero una pizza grande con queso, jamón y aceitunas."
{
  "size": "grande",
  "ingredients": ["queso", "jamón", "aceitunas"]
}

Nueva orden:
"Pedime una mediana de pepperoni y champiñones."

🔴 Ejemplo avanzado – Estilo técnico​

Resumen técnico de un artículo científico en formato de viñetas.

Ejemplo:
Texto: "Este estudio analiza el impacto del aprendizaje profundo en la visión computacional..."
Resumen:
- El estudio explora redes neuronales profundas.
- Evalúa mejoras en precisión en tareas de visión.
- Incluye benchmarks en datasets como ImageNet.

Texto nuevo:
"La investigación propone una arquitectura transformer aplicada a procesamiento de lenguaje natural..."
Resumen:

🔎 Aplicaciones actuales que usan One-Shot Prompting​

  • Google Bard y ChatGPT (cuando se les da un ejemplo).
  • Sistemas de clasificación personalizados.
  • Herramientas de extracción de datos estructurados.

🧠 Consejo final​

  • Elegí el ejemplo con cuidado: debe ser preciso, claro y representativo.
  • Si el modelo no imita bien, puede ser que el ejemplo esté mal formulado.
  • Cuando una sola muestra no basta, pasá a Few-Shot.

¿Listo para seguir? Explorá ahora: Few-Shot Prompting.