Few-shot learning
Sinónimos: Aprendizaje con pocos ejemplos · Few shot learning
Definición ampliada
El few-shot learning es la capacidad de abordar una tarea nueva con muy pocos ejemplos, habitualmente entre uno y unos pocos por clase. Nació como problema de reconocimiento visual: aprender una categoría a partir de una o dos imágenes, apoyándose en lo aprendido sobre otras categorías [1].
Conviene separar dos cosas que hoy comparten nombre. Una es entrenar con pocos ejemplos, que modifica el modelo. La otra es el aprendizaje en contexto: incluir los ejemplos dentro del prompt de un modelo grande, que resuelve la tarea sin que ninguno de sus parámetros cambie [2].
Contexto histórico
El planteamiento se formalizó en visión por computador a mediados de los años dos mil [1]. El giro llegó en 2020, al comprobarse que los modelos de lenguaje de gran tamaño resuelven tareas nuevas con unos pocos ejemplos en el propio prompt, sin ajuste posterior [2].
Importancia actual
A fecha de septiembre de 2026 es la vía más barata de adaptar un modelo a una tarea concreta: no requiere infraestructura de entrenamiento ni exportar datos para reentrenar. En sanidad esa segunda propiedad importa, porque muchas veces los datos no pueden salir de la organización.
Aplicaciones
Generales
- Clasificar textos con unos pocos ejemplos en el prompt.
- Fijar el formato exacto de una salida mostrando dos o tres casos.
- Prototipar una tarea antes de decidir si compensa un ajuste fino.
Sanitarias
- Extraer campos de informes clínicos mostrando ejemplos ya anotados.
- Explorar el reconocimiento de entidades poco frecuentes, donde reunir casos es difícil por definición.
- Normalizar texto libre a una terminología, con ejemplos que fijen el criterio.
Limitaciones
- El rendimiento es sensible a qué ejemplos se eligen y en qué orden aparecen.
- Los ejemplos ocupan contexto y encarecen cada consulta.
- Unos pocos ejemplos no permiten estimar el rendimiento: hacen falta datos de evaluación aparte, y suelen ser más que los ejemplos usados.
- Incluir casos reales en un prompt es tratamiento de datos personales y exige las mismas garantías que cualquier otro uso.
Ejemplos
Para extraer el estadio tumoral de informes de anatomía patológica, se muestran tres informes con su estadio ya anotado y se pide el mismo formato para uno nuevo. Funciona a menudo; medir cuántas veces falla exige un conjunto de evaluación independiente y suficientemente grande.
Relacionados
Referencias
En el Atlas visual: Del prompt al sistema