Olá, Kevin. Como vai?
As suas capturas de tela estão excelentes e exemplificam perfeitamente o funcionamento prático de uma das técnicas mais importantes da engenharia de prompt: o Few-Shot Prompting (ou Aprendizado com Poucos Exemplos).
Nas imagens, fica nítido como os modelos de linguagem (LLMs) são excepcionais em identificar e reproduzir padrões estruturais, linguísticos e lógicos quando fornecemos um ou dois mapeamentos de "Entrada $\rightarrow$ Saída" antes de fazer a pergunta final.
Analisando os três cenários que você testou, podemos mapear exatamente como a IA se comportou com base nos seus exemplos:
- Imagem 1 (Tradução contextualizada): Ao ver o padrão de tradução, a IA captou não apenas o significado da frase sobre o clima, mas também o formato de resposta. O detalhe mais legal é o pensamento interno dela ("Let me provide the translation in the same format they've been using"), provando que os exemplos guiam a formatação da saída.
- Imagem 2 (Análise de Sentimentos): Esse é um clássico caso de uso de Few-Shot no mercado. Ao treinar a IA com exemplos de avaliações, ela entendeu perfeitamente a semântica da palavra tipicamente brasileira "bacana" e a classificou corretamente como um sentimento "Positivo", mantendo o padrão visual de tópicos.
- Imagem 3 (Raciocínio Lógico Matemático): Ao dar o exemplo das bolas de tênis de Roger, você ativou a capacidade do modelo de quebrar problemas em etapas. Quando você fez a pergunta das maçãs, ela replicou perfeitamente o método, subtraindo e somando de forma sequencial para chegar ao resultado correto ($9$).
Para agregar ainda mais valor aos seus estudos como bolsista e elevar o nível dos seus testes com Few-Shot Prompting, trago duas dicas de ouro utilizadas em ambientes de produção de IA:
- Cuidado com o viés dos exemplos: Se nos seus exemplos de análise de sentimento (Imagem 2) você só mostrasse frases curtas terminando em "positivo", a IA tenderia a responder apenas com uma palavra. Como o histórico tinha explicações, ela manteve o padrão explicativo. A escolha dos seus exemplos dita diretamente o comportamento do modelo.
- Fusão com Chain-of-Thought (Cadeia de Pensamento): O seu exemplo da Imagem 3 foi excelente. No mercado, quando queremos que a IA acerte problemas matemáticos ainda mais complexos, nós escrevemos o passo a passo da resolução no próprio exemplo. Ao ver um exemplo que "pensa alto", a IA imita essa estrutura e reduz drasticamente a chance de cometer erros de cálculo (alucinações).
O uso dessa técnica economiza muito tempo de desenvolvimento, pois elimina a necessidade de criar regras rígidas de programação para tratar textos. Basta "ensinar" a IA pelo exemplo, exatamente como você fez!
Parabéns pela dedicação nos exercícios e pela excelente organização visual das atividades!
Espero que possa ter lhe ajudado!
Solucionado
