Künstliche Intelligenz
Was ist Few-Shot Learning
Modelltraining mit wenigen Beispielen
Few-Shot Learning ist ein Machine-Learning-Ansatz, der es Modellen ermöglicht, aus sehr wenigen Beispielen (typischerweise 1 bis 10) pro Klasse zu lernen.
Hauptansätze
- Meta-Learning — Lernen zu lernen
- Metric Learning — Lernen der Ähnlichkeit zwischen Beispielen
- Data Augmentation — Datenexpansion aus kleinen Datensätzen
- Transfer Learning — Verwendung vortrainierter Modelle
Typen nach Beispielanzahl
- Zero-Shot — keine Beispiele, nur Aufgabenbeschreibung
- One-Shot — ein Beispiel pro Klasse
- Few-Shot — mehrere Beispiele (2-10) pro Klasse
Anwendungen
- Gesichtserkennung aus einem einzigen Foto
- Klassifizierung seltener Krankheiten
- Personalisierung von KI-Assistenten
- Schnelle Chatbot-Anpassung
Vorteile
- Reduzierte Datenanforderungen
- Schnelle Anpassung an neue Aufgaben
- Geringere Datenlabeling-Kosten
Few-Shot Learning ist entscheidend für GPT und andere große Sprachmodelle (LLMs).