Искусственный интеллект
Что такое Обучение на малых данных
Обучение модели на небольшом количестве примеров
Обучение на малых данных (Few-Shot Learning) — подход в машинном обучении, позволяющий модели учиться на очень малом количестве примеров (обычно от 1 до 10) для каждого класса.
Основные подходы
- Meta-Learning — обучение "учиться учиться"
- Metric Learning — обучение сходству между примерами
- Data Augmentation — увеличение данных из малого набора
- Transfer Learning — использование предобученных моделей
Типы по количеству примеров
- Zero-Shot — без примеров, только описание задачи
- One-Shot — один пример на класс
- Few-Shot — несколько примеров (2-10) на класс
Применение
- Распознавание лиц по одной фотографии
- Классификация редких болезней
- Персонализация AI-ассистентов
- Быстрая адаптация чатботов
Преимущества
- Снижение требований к объёму данных
- Быстрая адаптация к новым задачам
- Уменьшение затрат на разметку данных
Few-Shot Learning критически важен для GPT и других больших языковых моделей (LLM).