Pembelajaran Sedikit-Tembakan
Pembelajaran beberapa kali adalah kemampuan mempelajari tugas baru hanya dari segelintir contoh, bukan ribuan.
Ikhtisar
It matters because it mirrors how humans generalize and lets modern AI adapt instantly without expensive retraining.
Menyelam Lebih Dalam
Pembelajaran mesin tradisional memerlukan kumpulan data berlabel yang besar, tetapi pembelajaran beberapa langkah bertujuan untuk bekerja dengan baik setelah hanya melihat beberapa contoh per kelas. Model bahasa besar mempopulerkan pembelajaran beberapa langkah dalam konteks: Anda menempatkan beberapa contoh input-output langsung di prompt, dan model menyimpulkan pola dan menerapkannya ke input baru, semuanya tanpa memperbarui bobotnya. Istilah ini berasal dari contoh penghitungan yang ditampilkan, sering kali ditulis sebagai N-way K-shot (N kelas, masing-masing K contoh). Zero-shot berarti tidak ada contoh, one-shot berarti satu, dan beberapa-shot biasanya berarti dua hingga beberapa lusin. Hal ini berhasil karena model telah menyerap pola-pola luas selama pra-pelatihan, sehingga beberapa contoh terutama memberi petunjuk keterampilan mana yang akan digunakan.
Wawasan Teknis
Pembelajaran beberapa langkah dalam konteks bergantung pada contoh pembacaan transformator di prompt dan menggunakan perhatian pada pola kecocokan, tanpa pembaruan gradien atau perubahan bobot. Contoh-contoh ini mengkondisikan prediksi token berikutnya dari model untuk masukan baru. Kelompok terpisah, metode berbasis metrik seperti jaringan prototipikal dan pencocokan, sebagai gantinya mempelajari ruang penyematan tempat Anda membandingkan sampel baru dengan rata-rata dari beberapa contoh di setiap kelas dan memilih yang terdekat. Kedua rute tersebut mengeksploitasi pembelajaran sebelumnya sehingga label yang langka dapat memberikan manfaat yang besar.
Dampak Strategis
Clearer decisions
Ini membantu Anda memisahkan klaim teknis yang jelas dari bahasa pemasaran.
Cost and budget
Anda dapat mengajukan pertanyaan implementasi yang lebih baik sebelum mengeluarkan uang atau waktu.
Team and workflow
Tim dengan pemahaman bersama membuat keputusan produk, kebijakan, dan pembelajaran yang lebih baik.
Masa Depan Pembelajaran Sedikit Sekali
Pembelajaran beberapa kali menjadi cara default orang menggunakan model besar, sehingga batasannya adalah membuatnya lebih andal: pemilihan contoh, pengurutan, dan pengambilan contoh yang lebih baik sehingga perintah memilih demonstrasi yang paling berguna secara otomatis. Harapkan integrasi yang lebih erat dengan pengambilan dan jendela konteks yang lebih panjang yang dapat memuat lebih banyak contoh, ditambah penelitian tentang mengapa urutan contoh dan pemformatan sangat akurat. Seiring dengan peningkatan model, kesenjangan antara zero-shot dan some-shot menyusut untuk tugas-tugas yang mudah, sementara beberapa-shot tetap berguna untuk format khusus dan kasus edge.
Implementasi Dunia Nyata
Mengklasifikasikan tiket dukungan pelanggan ke dalam kategori setelah menunjukkan model hanya tiga atau empat contoh berlabel dari setiap kategori dalam prompt.
Mengajari chatbot format keluaran tertentu (seperti JSON dengan bidang bernama) dengan memberikan dua atau tiga contoh pasangan masukan-keluaran.
Mengidentifikasi cacat produksi yang langka hanya dari beberapa sampel yang difoto menggunakan jaringan prototipikal dalam sistem visi.
Mengadaptasi gaya terjemahan atau ringkasan agar sesuai dengan suara merek dengan menyertakan beberapa contoh sebelum dan sesudah dalam permintaan.
Risiko & Pagar Pembatas
Tim yang berbeda mungkin menggunakan istilah yang sama secara berbeda, jadi tentukan cakupannya sejak dini.
Tolok ukur dapat terlihat kuat sementara kinerja di dunia nyata tidak merata.
Mengabaikan kualitas data dan rencana evaluasi sering kali menimbulkan hasil yang rapuh.
Peta Jalan Implementasi
Mulailah dengan definisi bahasa sederhana tentang hasil yang Anda butuhkan.
Pilih satu metrik keberhasilan dan satu kondisi kegagalan sebelum pengujian.
Jalankan uji coba kecil dengan data yang representatif, bukan kumpulan demo yang disempurnakan.
Dokumentasikan di mana Few-Shot Learning membantu dan di mana metode yang lebih sederhana lebih baik.
Terus Menjelajah
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
Next guide
Pembelajaran Transfer
Pertanyaan yang sering diajukan
What is Few-Shot Learning?
Pembelajaran beberapa kali adalah kemampuan mempelajari tugas baru hanya dari segelintir contoh, bukan ribuan. Hal ini penting karena mencerminkan cara manusia melakukan generalisasi dan memungkinkan AI modern beradaptasi secara instan tanpa pelatihan ulang yang mahal.
Dalam notasi 'N-way K-shot', apa yang dimaksud dengan K?
K adalah banyaknya contoh yang diberikan untuk setiap kelas, sedangkan N adalah banyaknya kelas ('cara').
Ketika model bahasa besar melakukan pembelajaran beberapa kali dalam konteks dari sebuah perintah, apa yang terjadi dengan bobotnya?
Pembelajaran dalam konteks tidak melakukan pembaruan gradien; contoh di prompt hanya memandu prediksi token model berikutnya.
Apa perbedaan utama antara dorongan zero-shot dan beberapa-shot?
Zero-shot hanya memberikan instruksi tanpa contoh, sedangkan beberapa-shot mencakup beberapa demonstrasi.
Mengapa beberapa contoh saja sudah cukup bagi model besar yang telah dilatih sebelumnya untuk menjalankan tugas baru dengan baik?
Pengetahuan yang luas dari pra-pelatihan berarti beberapa demonstrasi sebagian besar menandakan kemampuan yang ada untuk digunakan daripada mengajar dari awal.
Manakah yang menggambarkan metode beberapa langkah berbasis metrik seperti jaringan prototipe?
Jaringan prototipe membentuk prototipe (penyematan rata-rata) per kelas dan mengklasifikasikan titik-titik baru berdasarkan prototipe terdekat di ruang yang dipelajari.