Few-Shot Learning
A kevés lövésű tanulás az a képesség, hogy több ezer helyett egy maroknyi példából tanuljunk meg egy új feladatot.
Áttekintés
It matters because it mirrors how humans generalize and lets modern AI adapt instantly without expensive retraining.
Mély merülés
A hagyományos gépi tanuláshoz hatalmas, címkézett adatkészletekre van szükség, de a néhány lépéses tanulás célja, hogy jól teljesítsen, miután osztályonként csak néhány példát látunk. A nagy nyelvi modellek népszerűsítették a kontextuson belüli néhány lépéses tanulást: néhány bemeneti-kimeneti példát közvetlenül a promptba helyez, a modell pedig kikövetkezteti a mintát, és alkalmazza azt egy új bemenetre, mindezt a súlyok frissítése nélkül. A kifejezés a bemutatott számlálási példákból származik, amelyeket gyakran N-irányú K-lövésként írnak le (N osztály, mindegyik K példa). A nulla lövés azt jelenti, hogy nincsenek példák, az egylövés egyet jelent, a néhány lövés pedig általában kettőt vagy néhány tucatig. Ez azért működik, mert a modell már az előképzés során felszívta a széles mintákat, így néhány példa elsősorban arra utal, hogy melyik meglévő képességet kell használni.
Technikai betekintés
A szövegkörnyezetben végzett néhány lépéses tanulás a promptban található transzformátor-olvasási példákon alapul, és figyelemfelkeltésre épül a minták egyeztetésére, színátmenet-frissítések vagy súlyváltozások nélkül. A példák meghatározzák a modell következő token előrejelzéseit az új bemenethez. Egy külön család, metrikus alapú módszerek, mint például a prototipikus és az illesztő hálózatok, ehelyett megtanul egy beágyazási teret, ahol összehasonlít egy új mintát az egyes osztályok néhány példájának átlagával, és kiválasztja a legközelebbit. Mindkét útvonal kihasználja az előzetes tanulást, így a szűkös címkék messzire vezetnek.
Stratégiai hatás
Tisztább döntések
Segít elkülöníteni a világos technikai állításokat a marketing nyelvezettől.
Költség és költségvetés
Feltehet jobb végrehajtási kérdéseket, mielőtt pénzt vagy időt költene.
Csapat és munkafolyamat
A közös tudással rendelkező csapatok jobb döntéseket hoznak a termékekkel, irányelvekkel és tanulással kapcsolatban.
A kevéssel végzett tanulás jövője
A néhány lépésből álló tanulás az emberek nagy modellek használatának alapértelmezett módja, ezért a határvonal megbízhatóbbá teszi: jobb példaválasztás, rendezés és visszakeresés, így a felszólítások automatikusan kiválasztják a leghasznosabb bemutatókat. Szorosabb integrációra számíthat a visszakereséssel és hosszabb kontextusablakokkal, amelyek több példához illeszthetők, valamint kutatást arról, hogy a példák sorrendje és formázása miért változtatja meg annyira a pontosságot. A modellek fejlődésével a nulla és a néhány felvétel közötti különbség csökken az egyszerű feladatok érdekében, míg a kevés felvétel értékes marad speciális formátumok és éles esetek esetében.
Valós megvalósítás
Ügyfélszolgálati jegyek osztályozása kategóriákba, miután a promptban csak három vagy négy címkézett példát mutat be a modellnek minden kategóriából.
Megtanít egy chatbotot egy adott kimeneti formátumra (például JSON névvel ellátott mezőkkel) két vagy három példa bemenet-kimenet pár megadásával.
Ritka gyártási hiba azonosítása néhány lefényképezett mintából egy látórendszer prototipikus hálózatával.
Fordítási vagy összefoglalási stílus adaptálása a márka hangjához úgy, hogy a kérésben szerepel néhány előtte-utána példa.
Kockázatok és védőkorlátok
A különböző csapatok eltérően használhatják ugyanazt a kifejezést, ezért korán határozza meg a hatókört.
A benchmarkok erősnek tűnhetnek, miközben a valós teljesítmény egyenetlen.
Az adatminőségi és értékelési tervek figyelmen kívül hagyása gyakran törékeny eredményekhez vezet.
Végrehajtási ütemterv
Kezdje a kívánt eredmény egyszerű nyelvű meghatározásával.
A tesztelés előtt válasszon egy sikermutatót és egy hibafeltételt.
Futtasson egy kis pilotot reprezentatív adatokkal, ne egy csiszolt demókészlettel.
Dokumentálja, hol segít a Few-Shot Learning, és hol jobbak az egyszerűbb módszerek.
Folytassa a felfedezést
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
Következő útmutató
Transzfer tanulás
Gyakran ismételt kérdések
What is Few-Shot Learning?
A kevés lövésű tanulás az a képesség, hogy több ezer helyett egy maroknyi példából tanuljunk meg egy új feladatot. Ez azért fontos, mert tükrözi az emberek általánosítását, és lehetővé teszi, hogy a modern AI azonnal alkalmazkodjon költséges átképzés nélkül.
Az 'N-irányú K-lövés' jelölésben mire utal K?
K az egyes osztályokhoz megadott példák száma, míg N az osztályok (az „utak”) száma.
Ha egy nagy nyelvi modell kontextusban néhány lépésből tanul egy felszólításból, mi történik a súlyaival?
A kontextuson belüli tanulás nem hajt végre gradiens frissítéseket; a promptban található példák egyszerűen irányítják a modell következő token előrejelzéseit.
Mi a legfontosabb különbség a nullás és a néhány felvételes felszólítás között?
A Zero-shot csak egy utasítást ad, példák nélkül, míg a kevés lövés egy maroknyi bemutatót tartalmaz.
Miért lehet elég néhány példa ahhoz, hogy egy nagy, előképzett modell jól végezzen egy új feladatot?
Az előképzésből származó széles körű tudás azt jelenti, hogy néhány demonstráció többnyire jelzi, hogy melyik meglévő képességet kell használni, nem pedig a nulláról való tanítást.
Melyik írja le a metrikus alapú néhány felvételes módszert, például egy prototipikus hálózatot?
A prototípus hálózatok osztályonként prototípust alkotnak (átlagos beágyazódás), és a tanult térben a legközelebbi prototípus szerint osztályozzák az új pontokat.