Você está vendo a versão anterior da nova experiência da Alura que estamos preparando para você. Em breve, ela ganha uma identidade visual novinha totalmente pensada em potencializar seus estudos!
Oi, Luziane, como vai?
Boa escolha ao trabalhar com análise de sentimentos para explorar o few-shot prompting. Usar exemplos contrastantes, como "terrível" e "bacana", é justamente o que torna a técnica eficaz: o modelo aprende o padrão de classificação a partir do contexto fornecido, sem precisar de uma instrução explícita sobre o que é positivo ou negativo.
Vale destacar que a força do few-shot está exatamente nisso: quanto mais representativos forem os exemplos, mais consistente tende a ser a resposta. Se você incluísse, por exemplo, uma frase ambígua como "O filme foi diferente", o modelo precisaria inferir com base nos padrões anteriores, o que pode gerar resultados interessantes de se observar.
Pensando nisso, você testou variações com frases mais neutras ou ambíguas? Como o modelo se comportou nesses casos?
Parabéns pela participação e por compartilhar o resultado. O fórum está à disposição sempre que quiser continuar explorando.
Para saber mais:
Conte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!
Muito bom!
Para entender melhor a diferença entre Zero-Shot, One-Shot e Few-Shot Prompting, podemos utilizar o mesmo contexto: análise de sentimento de comentários de clientes.
Zero-Shot Prompting (sem exemplos)
Prompt:
"Classifique o sentimento da frase a seguir como Positivo, Negativo ou Neutro: 'O atendimento foi rápido e resolveu meu problema.'"
Resposta esperada:
"Positivo"
Nesse caso, o modelo recebe apenas a instrução e utiliza seu conhecimento prévio para realizar a tarefa.
One-Shot Prompting (um exemplo)
Prompt:
"Exemplo:
Frase: 'O produto chegou quebrado.'
Sentimento: Negativo
Agora classifique:
Frase: 'O atendimento foi rápido e resolveu meu problema.'
Sentimento:"
Resposta esperada:
"Positivo"
Aqui, um único exemplo ajuda o modelo a compreender exatamente o formato esperado para a resposta.
Few-Shot Prompting (dois ou mais exemplos)
Prompt:
"Exemplo 1:
Frase: 'O produto chegou quebrado.'
Sentimento: Negativo
Exemplo 2:
Frase: 'Gostei muito da qualidade do serviço.'
Sentimento: Positivo
Exemplo 3:
Frase: 'Recebi o produto dentro do prazo.'
Sentimento: Positivo
Agora classifique:
Frase: 'O atendimento foi rápido e resolveu meu problema.'
Sentimento:"
Resposta esperada:
"Positivo"
Nesse caso, vários exemplos permitem que o modelo identifique padrões com maior precisão e consistência.
Outro exemplo, agora em tradução:
Zero-Shot
"Traduza para inglês: 'Bom dia, como você está?'"
One-Shot
"Exemplo:
Português: 'Boa noite'
Inglês: 'Good evening'
Traduza:
Português: 'Bom dia, como você está?'"
Few-Shot
"Exemplo 1:
Português: 'Boa noite'
Inglês: 'Good evening'
Exemplo 2:
Português: 'Até amanhã'
Inglês: 'See you tomorrow'
Exemplo 3:
Português: 'Obrigado pela ajuda'
Inglês: 'Thank you for your help'
Traduza:
Português: 'Bom dia, como você está?'"
Esses exemplos mostram que, à medida que aumentamos a quantidade de referências fornecidas ao modelo, aumentamos também sua capacidade de compreender o contexto, o padrão e o formato esperado para a resposta.