ফিউ-শট লার্নিং
কয়েক শট লার্নিং হল হাজার হাজারের পরিবর্তে মাত্র কয়েকটি উদাহরণ থেকে একটি নতুন কাজ শেখার ক্ষমতা।
ওভারভিউ
It matters because it mirrors how humans generalize and lets modern AI adapt instantly without expensive retraining.
গভীর ডুব
ট্র্যাডিশনাল মেশিন লার্নিং এর জন্য বিশাল লেবেলযুক্ত ডেটাসেট প্রয়োজন, কিন্তু অল্প-শট লার্নিং-এর লক্ষ্য প্রতি শ্রেণীতে শুধুমাত্র কয়েকটি উদাহরণ দেখার পর ভাল পারফর্ম করা। বৃহৎ ভাষার মডেলগুলি প্রেক্ষাপটে কয়েকটি-শট শিক্ষাকে জনপ্রিয় করেছে: আপনি সরাসরি প্রম্পটে কয়েকটি ইনপুট-আউটপুট উদাহরণ রাখেন এবং মডেলটি প্যাটার্নটি অনুমান করে এবং এটির ওজন আপডেট না করেই একটি নতুন ইনপুটে প্রয়োগ করে। এই শব্দটি দেখানো হয়েছে গণনা উদাহরণ থেকে এসেছে, প্রায়শই এন-ওয়ে কে-শট হিসাবে লেখা হয় (এন ক্লাস, কে প্রতিটি উদাহরণ)। জিরো-শট মানে কোনো উদাহরণ নয়, এক-শট মানে এক, এবং কয়েক-শট সাধারণত দুই থেকে কয়েক ডজন মানে। এটি কাজ করে কারণ মডেলটি ইতিমধ্যেই প্রাক-প্রশিক্ষণের সময় বিস্তৃত নিদর্শনগুলিকে শুষে নিয়েছে, তাই কয়েকটি উদাহরণ প্রধানত নির্দেশ করে যে কোন বিদ্যমান দক্ষতা ব্যবহার করতে হবে।
প্রযুক্তিগত অন্তর্দৃষ্টি
প্রেক্ষাপটে কয়েকটি শট লার্নিং প্রম্পটে ট্রান্সফরমার পড়ার উদাহরণের উপর নির্ভর করে এবং কোনও গ্রেডিয়েন্ট আপডেট বা ওজন পরিবর্তন ছাড়াই প্যাটার্নের সাথে মিলের দিকে মনোযোগ ব্যবহার করে। উদাহরণগুলি নতুন ইনপুটের জন্য মডেলের পরবর্তী-টোকেন পূর্বাভাসগুলিকে শর্ত দেয়৷ একটি পৃথক পরিবার, মেট্রিক-ভিত্তিক পদ্ধতি যেমন প্রোটোটাইপিকাল এবং ম্যাচিং নেটওয়ার্ক, পরিবর্তে একটি এমবেডিং স্থান শেখে যেখানে আপনি প্রতিটি ক্লাসের কয়েকটি উদাহরণের গড়ের সাথে একটি নতুন নমুনার তুলনা করেন এবং নিকটতমটি বেছে নেন। উভয় রুটই পূর্বের শিক্ষাকে কাজে লাগায় যাতে দুষ্প্রাপ্য লেবেলগুলি অনেক দূর যায়।
কৌশলগত প্রভাব
সুস্পষ্ট সিদ্ধান্ত
এটি আপনাকে বিপণনের ভাষা থেকে স্পষ্ট প্রযুক্তিগত দাবিগুলি আলাদা করতে সহায়তা করে।
খরচ ও বাজেট
অর্থ বা সময় ব্যয় করার আগে আপনি আরও ভাল বাস্তবায়ন প্রশ্ন জিজ্ঞাসা করতে পারেন।
টিম এবং ওয়ার্কফ্লো
ভাগ করা বোঝাপড়া সহ দলগুলি আরও ভাল পণ্য, নীতি এবং শেখার সিদ্ধান্ত নেয়।
দ্য ফিউ-শট শেখার ভবিষ্যত
কিছু-শট শেখার ডিফল্ট উপায় হয়ে উঠছে লোকেরা বড় মডেলগুলি ব্যবহার করে, তাই সীমান্ত এটিকে আরও নির্ভরযোগ্য করে তুলছে: আরও ভাল উদাহরণ নির্বাচন, অর্ডার করা এবং পুনরুদ্ধার যাতে স্বয়ংক্রিয়ভাবে সবচেয়ে দরকারী প্রদর্শনগুলি বেছে নেওয়ার অনুরোধ করে৷ পুনরুদ্ধার এবং দীর্ঘ প্রসঙ্গ উইন্ডোগুলির সাথে আরও কঠোর সংহতকরণের প্রত্যাশা করুন যা আরও উদাহরণের সাথে মানানসই, এবং কেন উদাহরণের ক্রম এবং ফর্ম্যাটিং সুইং সঠিকতা এত বেশি তা নিয়ে গবেষণা। মডেলগুলির উন্নতির সাথে সাথে, শূন্য-শট এবং কয়েকটি-শটের মধ্যে ব্যবধান সহজ কাজের জন্য সঙ্কুচিত হয়, যখন কয়েকটি-শট বিশেষায়িত ফর্ম্যাট এবং প্রান্তের ক্ষেত্রে মূল্যবান থাকে।
বাস্তব-বিশ্ব বাস্তবায়ন
প্রম্পটে প্রতিটি বিভাগের মাত্র তিন বা চারটি লেবেলযুক্ত উদাহরণ দেখানোর পর গ্রাহক সহায়তা টিকিটকে বিভাগগুলিতে শ্রেণীবদ্ধ করা।
দুই বা তিনটি উদাহরণ ইনপুট-আউটপুট জোড়া দিয়ে একটি চ্যাটবটকে একটি নির্দিষ্ট আউটপুট বিন্যাস (যেমন নামযুক্ত ক্ষেত্র সহ JSON) শেখানো।
একটি ভিশন সিস্টেমে একটি প্রোটোটাইপিকাল নেটওয়ার্ক ব্যবহার করে শুধুমাত্র কয়েকটি ফটোগ্রাফ নমুনা থেকে একটি বিরল উত্পাদন ত্রুটি সনাক্ত করা।
অনুরোধে আগে-পরে কয়েকটি উদাহরণ অন্তর্ভুক্ত করে একটি ব্র্যান্ডের ভয়েসের সাথে মেলে একটি অনুবাদ বা সংক্ষিপ্তকরণ শৈলী মানিয়ে নেওয়া।
ঝুঁকি এবং প্রহরী
বিভিন্ন দল একই শব্দটি ভিন্নভাবে ব্যবহার করতে পারে, তাই সুযোগটি আগে থেকেই নির্ধারণ করুন।
বেঞ্চমার্কগুলি শক্তিশালী দেখাতে পারে যখন বাস্তব-বিশ্বের কর্মক্ষমতা অসম হয়।
ডেটা গুণমান এবং মূল্যায়ন পরিকল্পনা উপেক্ষা করা প্রায়ই ভঙ্গুর ফলাফল তৈরি করে।
বাস্তবায়ন রোডম্যাপ
আপনার প্রয়োজনীয় ফলাফলের একটি সরল-ভাষা সংজ্ঞা দিয়ে শুরু করুন।
পরীক্ষার আগে একটি সাফল্যের মেট্রিক এবং একটি ব্যর্থতার শর্ত বাছুন।
একটি পালিশ ডেমো সেট নয়, প্রতিনিধি ডেটা সহ একটি ছোট পাইলট চালান৷
নথি যেখানে Few-Shot Learning সাহায্য করে এবং যেখানে সহজ পদ্ধতিগুলি ভাল।
অন্বেষণ চালিয়ে যান
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Few-Shot Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
ট্রান্সফার লার্নিং
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is Few-Shot Learning?
কয়েক শট লার্নিং হল হাজার হাজারের পরিবর্তে মাত্র কয়েকটি উদাহরণ থেকে একটি নতুন কাজ শেখার ক্ষমতা। এটি গুরুত্বপূর্ণ কারণ এটি প্রতিফলিত করে যে কীভাবে মানুষ সাধারণীকরণ করে এবং আধুনিক এআইকে ব্যয়বহুল পুনঃপ্রশিক্ষণ ছাড়াই তাত্ক্ষণিকভাবে মানিয়ে নিতে দেয়।
'এন-ওয়ে কে-শট' স্বরলিপিতে, কে কী নির্দেশ করে?
K হল প্রতিটি শ্রেণীর জন্য প্রদত্ত উদাহরণের সংখ্যা, যখন N হল ক্লাসের সংখ্যা ('উপায়')।
যখন একটি বৃহৎ ভাষা মডেল একটি প্রম্পট থেকে ইন-কনটেক্সট কয়েক শট লার্নিং করে, তখন তার ওজনের কী হবে?
ইন-কনটেক্সট লার্নিং কোনো গ্রেডিয়েন্ট আপডেট করে না; প্রম্পটে উদাহরণগুলি কেবল মডেলের পরবর্তী-টোকেন ভবিষ্যদ্বাণীগুলিকে নির্দেশ করে৷
জিরো-শট এবং কয়েক-শট প্রম্পটিংয়ের মধ্যে মূল পার্থক্য কী?
জিরো-শট কোন উদাহরণ ছাড়াই শুধুমাত্র একটি নির্দেশনা দেয়, যেখানে কয়েকটি শটে মুষ্টিমেয় বিক্ষোভ অন্তর্ভুক্ত থাকে।
একটি নতুন টাস্ক ভালভাবে সম্পাদন করার জন্য একটি বৃহৎ পূর্বপ্রশিক্ষিত মডেলের জন্য কেন কয়েকটি উদাহরণ যথেষ্ট হতে পারে?
প্রাক-প্রশিক্ষণ থেকে বিস্তৃত জ্ঞানের অর্থ হল কয়েকটি প্রদর্শনী যা বেশিরভাগই সংকেত দেয় যে স্ক্র্যাচ থেকে শিক্ষা দেওয়ার পরিবর্তে ব্যবহার করার বিদ্যমান ক্ষমতা।
কোনটি একটি প্রোটোটাইপিকাল নেটওয়ার্কের মতো একটি মেট্রিক-ভিত্তিক কয়েক-শট পদ্ধতি বর্ণনা করে?
প্রোটোটাইপিকাল নেটওয়ার্ক প্রতি শ্রেণীতে একটি প্রোটোটাইপ (গড় এমবেডিং) গঠন করে এবং শেখা স্থানের নিকটতম প্রোটোটাইপ দ্বারা নতুন পয়েন্টগুলিকে শ্রেণীবদ্ধ করে।