Few-Shot-Lernen
Few-Shot-Learning ist die Fähigkeit, eine neue Aufgabe anhand nur einer Handvoll statt Tausender Beispiele zu lernen.
Übersicht
It matters because it mirrors how humans generalize and lets modern AI adapt instantly without expensive retraining.
Tiefer Einblick
Herkömmliches maschinelles Lernen erfordert große, beschriftete Datensätze, das Lernen mit wenigen Schüssen soll jedoch gute Ergebnisse erzielen, wenn nur wenige Beispiele pro Klasse gesehen werden. Große Sprachmodelle haben das Lernen mit wenigen Schüssen im Kontext populär gemacht: Sie platzieren einige Eingabe-Ausgabe-Beispiele direkt in der Eingabeaufforderung, und das Modell leitet das Muster ab und wendet es auf eine neue Eingabe an, ohne seine Gewichtungen zu aktualisieren. Der Begriff stammt aus der Zählung der gezeigten Beispiele und wird oft als N-Wege-K-Schuss (N Klassen, jeweils K Beispiele) geschrieben. „Zero-Shot“ bedeutet keine Beispiele, „One-Shot“ bedeutet eins und „Wenige-Shot“ bedeutet typischerweise zwei bis ein paar Dutzend. Dies funktioniert, weil das Modell während des Vortrainings bereits umfassende Muster absorbiert hat, sodass einige Beispiele hauptsächlich Hinweise darauf geben, welche vorhandenen Fähigkeiten verwendet werden sollen.
Technischer Einblick
Das Lernen mit wenigen Schüssen im Kontext basiert darauf, dass der Transformator Beispiele in der Eingabeaufforderung liest und darauf achtet, Muster abzugleichen, ohne Gradientenaktualisierungen oder Gewichtsänderungen. Die Beispiele konditionieren die nächsten Token-Vorhersagen des Modells für die neue Eingabe. Eine separate Familie, metrikbasierte Methoden wie prototypische und Matching-Netzwerke, lernt stattdessen einen Einbettungsraum, in dem Sie eine neue Stichprobe mit dem Durchschnitt der wenigen Beispiele jeder Klasse vergleichen und das nächstgelegene auswählen. Beide Wege nutzen früheres Lernen, so dass knappe Labels einen langen Weg zurücklegen.
Strategische Auswirkungen
Klarere Entscheidungen
Es hilft Ihnen, klare technische Aussagen von der Marketingsprache zu trennen.
Kosten und Budget
Sie können bessere Fragen zur Implementierung stellen, bevor Sie Geld oder Zeit investieren.
Team und Arbeitsablauf
Teams mit gemeinsamem Verständnis treffen bessere Produkt-, Richtlinien- und Lernentscheidungen.
Die Zukunft des Few-Shot-Lernens
Few-Shot-Learning wird zur Standardmethode, mit der Menschen große Modelle verwenden. Die Grenze besteht also darin, es zuverlässiger zu machen: bessere Auswahl, Reihenfolge und Abruf von Beispielen, sodass Eingabeaufforderungen automatisch die nützlichsten Demonstrationen auswählen. Erwarten Sie eine engere Integration mit Abruf und längeren Kontextfenstern, die zu mehr Beispielen passen, sowie Untersuchungen darüber, warum die Beispielreihenfolge und die Formatierungsgenauigkeit so wichtig sind. Wenn sich die Modelle verbessern, verringert sich die Lücke zwischen Zero-Shot und Fence-Shot für einfache Aufgaben, während Fence-Shot für spezielle Formate und Grenzfälle wertvoll bleibt.
Reale Umsetzung
Einteilen von Kundensupport-Tickets in Kategorien, nachdem einem Modell in der Eingabeaufforderung nur drei oder vier beschriftete Beispiele jeder Kategorie angezeigt wurden.
Bringen Sie einem Chatbot ein bestimmtes Ausgabeformat bei (z. B. JSON mit benannten Feldern), indem Sie zwei oder drei Beispiel-Eingabe-Ausgabe-Paare angeben.
Identifizierung eines seltenen Herstellungsfehlers anhand nur weniger fotografierter Muster mithilfe eines prototypischen Netzwerks in einem Bildverarbeitungssystem.
Passen Sie einen Übersetzungs- oder Zusammenfassungsstil an die Stimme einer Marke an, indem Sie der Anfrage einige Vorher-Nachher-Beispiele hinzufügen.
Risiken und Leitplanken
Unterschiedliche Teams verwenden denselben Begriff möglicherweise unterschiedlich. Definieren Sie daher frühzeitig den Geltungsbereich.
Benchmarks können stark aussehen, während die tatsächliche Leistung uneinheitlich ist.
Das Ignorieren von Datenqualität und Evaluierungsplänen führt oft zu fragilen Ergebnissen.
Implementierungs-Roadmap
Beginnen Sie mit einer klaren Definition des gewünschten Ergebnisses.
Wählen Sie vor dem Testen eine Erfolgsmetrik und eine Fehlerbedingung aus.
Führen Sie ein kleines Pilotprojekt mit repräsentativen Daten durch, nicht mit einem ausgefeilten Demoset.
Dokumentieren Sie, wo Few-Shot Learning hilft und wo einfachere Methoden besser sind.
Entdecken Sie weiter
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
Nächster Leitfaden
Transferlernen
Häufig gestellte Fragen
What is Few-Shot Learning?
Few-Shot-Learning ist die Fähigkeit, eine neue Aufgabe anhand nur einer Handvoll statt Tausender Beispiele zu lernen. Es ist wichtig, weil es die Art und Weise widerspiegelt, wie Menschen verallgemeinern, und es der modernen KI ermöglicht, sich ohne teure Umschulung sofort anzupassen.
Worauf bezieht sich K in der Notation „N-way K-shot“?
K ist die Anzahl der für jede Klasse angegebenen Beispiele, während N die Anzahl der Klassen (die „Wege“) ist.
Was passiert mit seinen Gewichten, wenn ein großes Sprachmodell im Kontext wenige Schritte aus einer Eingabeaufforderung lernt?
Beim Lernen im Kontext werden keine Gradientenaktualisierungen durchgeführt. Die Beispiele in der Eingabeaufforderung leiten lediglich die Vorhersagen des Modells für das nächste Token.
Was ist der Hauptunterschied zwischen Zero-Shot- und Fow-Shot-Prompt?
Zero-Shot gibt nur eine Anleitung ohne Beispiele, während Few-Shot eine Handvoll Demonstrationen enthält.
Warum können ein paar Beispiele ausreichen, damit ein großes vorab trainiertes Modell eine neue Aufgabe gut ausführen kann?
Umfangreiches Wissen aus der Vorschulung bedeutet, dass ein paar Demonstrationen meist zeigen, welche vorhandenen Fähigkeiten genutzt werden können, anstatt alles von Grund auf zu unterrichten.
Was beschreibt eine auf Metriken basierende Few-Shot-Methode wie ein prototypisches Netzwerk?
Prototypische Netzwerke bilden einen Prototyp (durchschnittliche Einbettung) pro Klasse und klassifizieren neue Punkte nach dem nächstgelegenen Prototyp im gelernten Raum.