Il few shot è una metodologia per comunicare con l'intelligenza artificiale in modo più efficace. Non è una ricerca nuova, ma una pratica consolidata nel machine learning che funziona anche con i chatbot più comuni. L'idea è semplice: prima di chiedere quello che ti serve, fornisci all'IA tre esempi di come dovrebbe rispondere. In questo modo l'IA capisce il formato, il tono e il livello di dettaglio atteso.
La differenza con una richiesta normale è misurabile. Senza esempi, l'IA improvvisa. Con tre esempi, l'IA sa esattamente cosa fare. La precisione cresce perché il modello legge i tuoi esempi e riconosce lo schema da replicare.
Perché funziona il few shot
L'intelligenza artificiale moderna non comprende il linguaggio come lo comprendi tu. Legge sequenze di parole e numeri, riconosce pattern e calcola la risposta più probabile in base ai dati su cui è stata addestrata. Quando dai un ordine generico come "Analizza questo testo e riassumilo", l'IA non sa se vuoi tre righe o tre pagine, se in stile giornalistico o accademico, se con esempi o senza.
Gli esempi risolvono questa ambiguità. Quando legge tre coppie di input e output corretti, l'IA costruisce un'ipotesi su quello che desideri. Questo meccanismo si chiama in-context learning: impara dal contesto della conversazione, non da dati esterni.
Tre è il numero ottimale, non uno o due. Un solo esempio potrebbe essere un caso isolato. Due esempi suggeriscono una tendenza, ma potrebbero essere coincidenza. Tre esempi creano un pattern riconoscibile.
Struttura pratica del prompt few shot
Un prompt few shot ha quattro parti: la descrizione del compito, tre esempi completi, una separazione visiva, la domanda finale.
Ecco lo schema.
Prima, scrivi una frase che spiega il compito. Non deve essere lunga. Esempio: "Estrai il nome e l'età da ogni testo biografico".
Poi aggiungi il primo esempio. Mostra un testo in input e la risposta attesa in output. Formato consigliato: "Input: [testo]. Output: [risposta]".
Ripeti la stessa struttura per il secondo e il terzo esempio. Ogni esempio deve essere diverso dal precedente per coprire variazioni reali del compito.
Infine, scrivi la tua domanda con lo stesso formato dei tre esempi, ma senza risposta. L'IA completerà la sequenza.
Un esempio concreto di few shot
Immagina di avere bisogno di classificare opinioni di clienti in due categorie: positiva o negativa. Senza few shot, chiedi: "Classifica questa opinione".
L'IA potrebbe rispondere: "Neutral. The customer mentions both positive and negative aspects". Non è quello che volevi. Volevi una risposta breve, solo "positiva" o "negativa", niente spiegazioni.
Con il few shot, strutturi così.
"Compito: Classifica le opinioni in positiva o negativa. Rispondi con una sola parola.
Input: Il prodotto è arrivato veloce e funziona bene. Output: positiva
Input: È rotto dopo una settimana e il servizio clienti non mi aiuta. Output: negativa
Input: La qualità è accettabile ma il prezzo è alto. Output: negativa
Input: Mi piace molto, lo consiglio a tutti. Output: [L'IA completa con positiva]"
In questo caso, il terzo esempio è volutamente ambiguo (prezzo alto, ma qualità accettabile). Scegliere di classificarlo come negativo insegna all'IA come risolvere i casi dubbi.
Come scegliere i tre esempi giusti
Il primo esempio deve essere il più chiaro e diretto. È il riferimento base.
Il secondo esempio introdurre una variazione: diverse lunghezze, tono differente, formato alternativo. Se il primo è breve, il secondo sia più lungo. Se il primo è formale, il secondo sia colloquiale.
Il terzo esempio rispecchia un caso borderline o complesso. Non deve essere un errore, ma un'eccezione che l'IA incontra spesso nel mondo reale. Insegna come gestire l'incertezza.
Se il compito riguarda testi medici, uno dei tre esempi potrebbe contenere abbreviazioni o termini tecnici. Se riguarda prezzi, uno potrebbe avere valute diverse.
Errori comuni nel few shot
Il primo errore è usare esempi troppo facili. Se tutti e tre gli esempi sono identici nel tono o nella struttura, l'IA impara poco e generalizza male ai dati nuovi.
Il secondo errore è dare risposte contraddittorie tra gli esempi. Se il primo esempio classifica "prodotto buono ma caro" come positiva, e il secondo lo classifica come negativa, l'IA entra in confusione.
Il terzo errore è mescolare esempi per due compiti diversi nello stesso prompt. Un prompt deve insegnare una sola cosa. Se mescoli, il modello non sa quale pattern seguire.
Il quarto errore è scrivere esempi troppo lunghi. Più testo fornisci, più token consuma il prompt e meno spazio rimane per la domanda reale. Mantieni gli esempi sintetici.
Quando il few shot non basta
Ci sono compiti per cui tre esempi non sono sufficienti. Se il compito è molto specialistico (classificazione medica di immagini, analisi legale di contratti), potresti aver bisogno di cinque o dieci esempi, oppure di un fine-tuning vero, non solo few shot.
Se stai chiedendo all'IA di fare ragionamento logico complesso, il few shot aiuta ma non garantisce sempre coerenza. In quel caso, prova a spezzare il compito in più step e applica il few shot a ogni step.
Se il modello continua a sbagliare nonostante tre esempi chiari, il problema potrebbe essere il modello stesso, non la tecnica. Un modello più piccolo o meno capace potrebbe non imparare dal contesto anche con gli esempi.
Applicazioni pratiche del few shot
La tecnica funziona bene per l'estrazione dati: nomi da email, prezzi da listini, date da documenti. Fornisci tre esempi di estrazione corretta e l'IA replica il metodo.
Funziona anche per il riassunto con stile specifico: se vuoi riassunti in tre punti per un pubblico giovane, mostra tre esempi e l'IA imita lo stile.
La classificazione beneficia molto del few shot. Tono, argomento, urgenza, priorità. Ogni categoria diventa chiarissima con tre esempi corretti.
Perfino per la generazione di testo funziona: se vuoi email di scuse al cliente, con tre modelli di email diversi l'IA capisce qual è il tono giusto e la struttura attesa.
Il few shot riduce gli errori, la distrazione e le divagazioni. Non è una soluzione magica, ma un metodo concreto per comunicare meglio con le macchine.
