Εκμάθηση λίγων βολών
Η εκμάθηση με λίγες λήψεις είναι η ικανότητα να μαθαίνεις μια νέα εργασία από μια χούφτα παραδείγματα αντί για χιλιάδες.
Επισκόπηση
It matters because it mirrors how humans generalize and lets modern AI adapt instantly without expensive retraining.
Βαθιά κατάδυση
Η παραδοσιακή μηχανική εκμάθηση χρειάζεται τεράστια σύνολα δεδομένων με ετικέτες, αλλά η μάθηση με λίγες λήψεις στοχεύει να έχει καλή απόδοση αφού δει μόνο μερικά παραδείγματα ανά τάξη. Τα μεγάλα μοντέλα γλωσσών διαδόθηκαν στο πλαίσιο της εκμάθησης με λίγες λήψεις: τοποθετείτε μερικά παραδείγματα εισόδου-εξόδου απευθείας στη γραμμή εντολών και το μοντέλο συμπεραίνει το μοτίβο και το εφαρμόζει σε μια νέα είσοδο, όλα αυτά χωρίς να ενημερώσετε τα βάρη του. Ο όρος προέρχεται από την καταμέτρηση των παραδειγμάτων που εμφανίζονται, που συχνά γράφονται ως N-way K-shot (N classes, K παραδείγματα η καθεμία). Μηδενική βολή σημαίνει ότι δεν υπάρχουν παραδείγματα, μία βολή σημαίνει μία και λίγες βολές συνήθως σημαίνει δύο έως μερικές δεκάδες. Αυτό λειτουργεί επειδή το μοντέλο έχει ήδη απορροφήσει μεγάλα μοτίβα κατά τη διάρκεια της προεκπαίδευσης, επομένως μερικά παραδείγματα δείχνουν κυρίως ποια υπάρχουσα ικανότητα να χρησιμοποιήσει.
Τεχνική διορατικότητα
Η εκμάθηση μερικών λήψεων εντός του περιβάλλοντος βασίζεται στα παραδείγματα ανάγνωσης του μετασχηματιστή στην προτροπή και στη χρήση της προσοχής για αντιστοίχιση μοτίβων, χωρίς ενημερώσεις κλίσης ή αλλαγές βάρους. Τα παραδείγματα καθορίζουν τις επόμενες προβλέψεις του μοντέλου για τη νέα είσοδο. Μια ξεχωριστή οικογένεια, μέθοδοι που βασίζονται σε μετρήσεις, όπως πρωτότυπα και αντιστοιχισμένα δίκτυα, μαθαίνει έναν χώρο ενσωμάτωσης όπου συγκρίνετε ένα νέο δείγμα με τον μέσο όρο των λίγων παραδειγμάτων κάθε τάξης και επιλέγετε το πλησιέστερο. Και οι δύο διαδρομές εκμεταλλεύονται την προηγούμενη μάθηση, έτσι ώστε οι σπάνιες ετικέτες να είναι πολύ μακριά.
Στρατηγικός αντίκτυπος
Σαφέστερες αποφάσεις
Σας βοηθά να διαχωρίσετε σαφείς τεχνικούς ισχυρισμούς από τη γλώσσα μάρκετινγκ.
Κόστος και προϋπολογισμός
Μπορείτε να κάνετε καλύτερες ερωτήσεις εφαρμογής προτού ξοδέψετε χρήματα ή χρόνο.
Ομάδα και ροή εργασίας
Οι ομάδες με κοινή κατανόηση λαμβάνουν καλύτερες αποφάσεις για προϊόντα, πολιτικές και μάθηση.
The Future of Few-Shot Learning
Η εκμάθηση με λίγες λήψεις γίνεται ο προεπιλεγμένος τρόπος με τον οποίο οι άνθρωποι χρησιμοποιούν μεγάλα μοντέλα, επομένως τα σύνορα τα καθιστούν πιο αξιόπιστα: καλύτερη επιλογή παραδειγμάτων, παραγγελία και ανάκτηση, ώστε οι προτροπές να επιλέγουν αυτόματα τις πιο χρήσιμες επιδείξεις. Αναμένετε στενότερη ενσωμάτωση με ανάκτηση και μεγαλύτερα παράθυρα περιβάλλοντος που χωρούν περισσότερα παραδείγματα, καθώς και έρευνα για το γιατί η σειρά παραδειγμάτων και η μορφοποίηση της ακρίβειας αιώρησης είναι τόσο μεγάλη. Καθώς τα μοντέλα βελτιώνονται, το χάσμα μεταξύ μηδενικής λήψης και λίγων λήψεων συρρικνώνεται για εύκολες εργασίες, ενώ οι λίγες λήψεις παραμένουν πολύτιμες για εξειδικευμένες μορφές και θήκες άκρων.
Υλοποίηση σε πραγματικό κόσμο
Ταξινόμηση των εισιτηρίων υποστήριξης πελατών σε κατηγορίες μετά την εμφάνιση ενός μοντέλου μόλις τρία ή τέσσερα παραδείγματα με ετικέτα κάθε κατηγορίας στο μήνυμα προτροπής.
Διδάσκοντας σε ένα chatbot μια συγκεκριμένη μορφή εξόδου (όπως JSON με επώνυμα πεδία) δίνοντας δύο ή τρία παραδείγματα ζευγών εισόδου-εξόδου.
Εντοπισμός ενός σπάνιου κατασκευαστικού ελαττώματος από λίγα μόνο φωτογραφημένα δείγματα χρησιμοποιώντας ένα πρωτότυπο δίκτυο σε ένα σύστημα όρασης.
Προσαρμογή ενός στυλ μετάφρασης ή σύνοψης ώστε να ταιριάζει με τη φωνή μιας επωνυμίας, συμπεριλαμβάνοντας μερικά παραδείγματα πριν και μετά στο αίτημα.
Κίνδυνοι & προστατευτικά κιγκλιδώματα
Διαφορετικές ομάδες μπορεί να χρησιμοποιούν τον ίδιο όρο με διαφορετικό τρόπο, επομένως ορίστε το πεδίο εφαρμογής νωρίς.
Τα σημεία αναφοράς μπορεί να φαίνονται ισχυρά ενώ η απόδοση στον πραγματικό κόσμο είναι άνιση.
Η αγνόηση της ποιότητας των δεδομένων και των σχεδίων αξιολόγησης δημιουργεί συχνά εύθραυστα αποτελέσματα.
Οδικός Χάρτης Εφαρμογής
Ξεκινήστε με έναν ορισμό σε απλή γλώσσα του αποτελέσματος που χρειάζεστε.
Επιλέξτε μία μέτρηση επιτυχίας και μία συνθήκη αποτυχίας πριν από τη δοκιμή.
Εκτελέστε ένα μικρό πιλότο με αντιπροσωπευτικά δεδομένα, όχι ένα εκλεπτυσμένο σετ επίδειξης.
Τεκμηριώστε όπου το Few-Shot Learning βοηθάει και όπου οι απλούστερες μέθοδοι είναι καλύτερες.
Συνεχίστε την εξερεύνηση
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
Επόμενος οδηγός
Εκμάθηση μεταφοράς
Συχνές ερωτήσεις
What is Few-Shot Learning?
Η εκμάθηση με λίγες λήψεις είναι η ικανότητα να μαθαίνεις μια νέα εργασία από μια χούφτα παραδείγματα αντί για χιλιάδες. Έχει σημασία γιατί αντικατοπτρίζει τον τρόπο με τον οποίο οι άνθρωποι γενικεύονται και αφήνει τη σύγχρονη τεχνητή νοημοσύνη να προσαρμοστεί άμεσα χωρίς δαπανηρή επανεκπαίδευση.
Στον συμβολισμό «N-way K-shot», τι αναφέρεται το K;
K είναι ο αριθμός των παραδειγμάτων που δίνονται για κάθε τάξη, ενώ N είναι ο αριθμός των κλάσεων (οι «τρόποι»).
Όταν ένα μεγάλο γλωσσικό μοντέλο μαθαίνει σε ένα πλαίσιο από ένα μήνυμα προτροπής, τι συμβαίνει με τα βάρη του;
Η εκμάθηση εντός περιβάλλοντος δεν εκτελεί ενημερώσεις κλίσης. Τα παραδείγματα στη γραμμή εντολών απλώς καθοδηγούν τις επόμενες προβλέψεις του μοντέλου.
Ποια είναι η βασική διαφορά μεταξύ της προτροπής μηδενικής βολής και προτροπής λίγων βολών;
Το Zero-shot δίνει μόνο μια οδηγία χωρίς παραδείγματα, ενώ το few-shot περιλαμβάνει μια χούφτα επιδείξεις.
Γιατί μερικά παραδείγματα μπορεί να είναι αρκετά για ένα μεγάλο προεκπαιδευμένο μοντέλο να εκτελέσει καλά μια νέα εργασία;
Η ευρεία γνώση από την προεκπαίδευση σημαίνει ότι μερικές επιδείξεις σηματοδοτούν ως επί το πλείστον ποια υπάρχουσα ικανότητα χρήσης αντί να διδάσκεται από την αρχή.
Ποιο περιγράφει μια μέθοδο μερικών λήψεων που βασίζεται σε μετρήσεις όπως ένα πρωτότυπο δίκτυο;
Τα πρωτότυπα δίκτυα σχηματίζουν ένα πρωτότυπο (μέση ενσωμάτωση) ανά τάξη και ταξινομούν νέα σημεία με βάση το πλησιέστερο πρωτότυπο στον χώρο εκμάθησης.