Artificiell intelligens
Vad är Few-Shot Learning
Träna modell med få exempel
Few-Shot Learning är en maskininlärningsmetod som gör det möjligt för modeller att lära sig från mycket få exempel (vanligtvis 1 till 10) för varje klass.
Huvudsakliga Metoder
- Meta-Learning — lära sig att lära
- Metric Learning — lära sig likhet mellan exempel
- Data Augmentation — utöka data från små datamängder
- Transfer Learning — använda förtränade modeller
Typer efter Antal Exempel
- Zero-Shot — inga exempel, endast uppgiftsbeskrivning
- One-Shot — ett exempel per klass
- Few-Shot — flera exempel (2-10) per klass
Tillämpningar
- Ansiktsigenkänning från ett enda foto
- Klassificering av sällsynta sjukdomar
- Personalisering av AI-assistenter
- Snabb chatbot-anpassning
Fördelar
- Minskade datakrav
- Snabb anpassning till nya uppgifter
- Minskade kostnader för datamärkning
Few-Shot Learning är kritiskt för GPT och andra stora språkmodeller (LLMs).