Apprendimento contestuale (ICL)

L'apprendimento contestuale (ICL) è la capacità dei grandi modelli linguistici di risolvere nuovi compiti direttamente dagli esempi forniti nel prompt di input, senza aggiornare i pesi del modello e senza addestramento tradizionale. Il modello deduce il modello del compito dagli esempi forniti e applica quella logica alla query effettiva. Il meccanismo opera attraverso la struttura del prompt: quando le coppie input-output (chiamate shot) sono preposte al prompt, il modello apprende implicitamente il formato del compito e la logica di output attesa. L'ICL zero-shot non richiede alcun esempio; l'ICL few-shot fornisce tipicamente da due a otto dimostrazioni. L'ICL è una capacità distintiva dei moderni modelli di fondazione: consente un adattamento flessibile a nuovi compiti senza costosi fine-tuning. Per le organizzazioni, ciò significa che molti casi d'uso — dalla classificazione e l'estrazione alla traduzione e al riassunto — possono essere risolti attraverso prompt progettati con cura. La qualità e la rappresentatività degli esempi nel prompt determinano direttamente l'accuratezza dell'output.