คืออะไร Few-Shot Learning
การฝึกโมเดลด้วยตัวอย่างจำนวนน้อย
Few-Shot Learning เป็นวิธีการ machine learning ที่ช่วยให้โมเดลสามารถเรียนรู้จากตัวอย่างจำนวนน้อยมาก (โดยทั่วไป 1 ถึง 10 ตัวอย่าง) สำหรับแต่ละคลาส
แนวทางหลัก
- Meta-Learning — เรียนรู้วิธีการเรียนรู้
- Metric Learning — เรียนรู้ความคล้ายคลึงระหว่างตัวอย่าง
- Data Augmentation — ขยายข้อมูลจากชุดข้อมูลขนาดเล็ก
- Transfer Learning — ใช้โมเดลที่ฝึกมาแล้ว
ประเภทตามจำนวนตัวอย่าง
- Zero-Shot — ไม่มีตัวอย่าง มีเพียงคำอธิบายงาน
- One-Shot — หนึ่งตัวอย่างต่อคลาส
- Few-Shot — หลายตัวอย่าง (2-10) ต่อคลาส
การประยุกต์ใช้
- การจดจำใบหน้าจากรูปถ่ายเดียว
- การจำแนกโรคหายาก
- การปรับแต่ง AI assistant ให้เป็นส่วนตัว
- การปรับตัว chatbot อย่างรวดเร็ว
ข้อดี
- ลดความต้องการข้อมูล
- ปรับตัวเข้ากับงานใหม่ได้รวดเร็ว
- ลดต้นทุนการติดป้ายกำกับข้อมูล
Few-Shot Learning มีความสำคัญอย่างยิ่งสำหรับ GPT และ large language models (LLMs) อื่นๆ