Inteligência Artificial
O que é Aprendizado com Poucos Exemplos
Treinamento de modelo com poucos exemplos
Aprendizado com Poucos Exemplos (Few-Shot Learning) é uma abordagem de aprendizado de máquina que permite que modelos aprendam com muito poucos exemplos (tipicamente 1 a 10) para cada classe.
Abordagens Principais
- Meta-Learning — aprender a aprender
- Metric Learning — aprender similaridade entre exemplos
- Data Augmentation — expansão de dados de conjuntos pequenos
- Transfer Learning — uso de modelos pré-treinados
Tipos por Número de Exemplos
- Zero-Shot — sem exemplos, apenas descrição da tarefa
- One-Shot — um exemplo por classe
- Few-Shot — vários exemplos (2-10) por classe
Aplicações
- Reconhecimento facial de uma única foto
- Classificação de doenças raras
- Personalização de assistentes de IA
- Adaptação rápida de chatbots
Benefícios
- Requisitos de dados reduzidos
- Adaptação rápida a novas tarefas
- Custos de rotulagem de dados reduzidos
Few-Shot Learning é crítico para GPT e outros grandes modelos de linguagem (LLMs).