Una empresa quiere usar un LLM en Amazon Bedrock para clasificar texto con sentimiento positivo o negativo. ¿Qué técnica de ingeniería de prompt es la más apropiada?

La técnica más apropiada es incluir ejemplos etiquetados (few-shot prompting). Al proporcionar al LLM ejemplos de texto con sus etiquetas de sentimiento correspondientes (positivo o negativo), se le guía sobre el formato y el tipo de respuesta esperada, mejorando significativamente la precisión de la clasificación. Las otras opciones son menos efectivas: Una explicación larga sobre el funcionamiento del análisis de sentimiento o los LLM es irrelevante para la tarea y no ayuda al modelo a clasificar. Enviar solo el pasaje sin ejemplos ni contexto (zero-shot prompting) puede funcionar, pero es menos preciso que el few-shot prompting para tareas de clasificación específicas. Proporcionar ejemplos de tareas no relacionadas confunde al modelo y diluye el enfoque en la clasificación de sentimiento.