Mikä on Few-Shot-oppiminen
Mallin koulutus muutamalla esimerkillä
Few-Shot-oppiminen on koneoppimismenetelmä, joka mahdollistaa mallien oppimisen hyvin pienestä määrästä esimerkkejä (tyypillisesti 1-10) kullekin luokalle.
Pääasialliset Menetelmät
- Meta-oppiminen — oppimaan oppiminen
- Etäisyysoppiminen — esimerkkien välisen samankaltaisuuden oppiminen
- Data-augmentointi — datan laajentaminen pienistä aineistoista
- Siirto-oppiminen — esikoulutettujen mallien käyttö
Tyypit Esimerkkien Määrän Mukaan
- Nolla-esimerkki — ei esimerkkejä, vain tehtävän kuvaus
- Yksi esimerkki — yksi esimerkki luokkaa kohti
- Muutama esimerkki — useita esimerkkejä (2-10) luokkaa kohti
Sovellukset
- Kasvojentunnistus yhdestä valokuvasta
- Harvinaisten sairauksien luokittelu
- Tekoälyavustajien personointi
- Nopea chatbotin mukauttaminen
Hyödyt
- Vähentyneet datavaatimukset
- Nopea sopeutuminen uusiin tehtäviin
- Vähentyneet datan merkitsemiskustannukset
Few-Shot-oppiminen on kriittisen tärkeää GPT:lle ja muille suurille kielimalleille (LLM).