Nauka kilku strzałów
Uczenie się przez kilka strzałów to umiejętność uczenia się nowego zadania na podstawie zaledwie kilku przykładów zamiast tysięcy.
Przegląd
It matters because it mirrors how humans generalize and lets modern AI adapt instantly without expensive retraining.
Głębokie nurkowanie
Tradycyjne uczenie maszynowe wymaga ogromnych, oznaczonych etykietami zbiorów danych, ale uczenie kilkuetapowe ma na celu dobre wyniki po zobaczeniu tylko kilku przykładów na klasę. Duże modele językowe spopularyzowały uczenie się w kontekście w kilku etapach: umieszczasz kilka przykładów wejścia-wyjścia bezpośrednio w podpowiedzi, a model wnioskuje o wzorcu i stosuje go do nowych danych wejściowych, a wszystko to bez aktualizacji jego wag. Termin pochodzi z pokazanych przykładów, często zapisywanych jako N-way K-shot (N klas, po K przykładów). Zero-shot oznacza brak przykładów, jeden strzał oznacza jeden, a kilka strzałów zazwyczaj oznacza od dwóch do kilkudziesięciu. Działa to, ponieważ model wchłonął już szerokie wzorce podczas treningu wstępnego, więc kilka przykładów głównie wskazuje, których istniejących umiejętności użyć.
Wgląd techniczny
Uczenie się kontekstowe w trybie kilku strzałów polega na czytaniu przez transformator przykładów w wierszu poleceń i zwracaniu uwagi na wzorce dopasowania, bez aktualizacji gradientów i zmian wagi. Przykłady warunkują przewidywania następnego tokenu modelu dla nowych danych wejściowych. Oddzielna rodzina metod opartych na metrykach, takich jak sieci prototypowe i dopasowujące, zamiast tego uczy się przestrzeni osadzania, w której porównujesz nową próbkę ze średnią kilku przykładów każdej klasy i wybierasz najbliższy. Obie ścieżki wykorzystują wcześniejsze uczenie się, dzięki czemu rzadkie etykiety mają duże znaczenie.
Wpływ strategiczny
Jaśniejsze decyzje
Pomaga oddzielić jasne twierdzenia techniczne od języka marketingowego.
Koszt i budżet
Możesz zadawać pytania dotyczące lepszego wdrożenia, zanim wydasz pieniądze lub czas.
Zespół i przepływ pracy
Zespoły charakteryzujące się wspólnym zrozumieniem podejmują lepsze decyzje dotyczące produktów, zasad i uczenia się.
Przyszłość uczenia się za pomocą kilku strzałów
Uczenie się metodą kilku strzałów staje się domyślnym sposobem korzystania z dużych modeli, więc nowe rozwiązania czynią je bardziej niezawodnymi: lepszy wybór, porządkowanie i wyszukiwanie przykładów, dzięki czemu podpowiedzi automatycznie wybierają najbardziej przydatne demonstracje. Spodziewaj się ściślejszej integracji z wyszukiwaniem i dłuższych okien kontekstowych, które pasują do większej liczby przykładów, a także badań nad tym, dlaczego kolejność przykładów i dokładność formatowania są tak duże. W miarę ulepszania modeli różnica między zdjęciami zerowymi a kilkoma strzałami zmniejsza się w przypadku łatwych zadań, podczas gdy kilka strzałów pozostaje cennych w przypadku specjalistycznych formatów i przypadków brzegowych.
Implementacja w świecie rzeczywistym
Klasyfikacja zgłoszeń do obsługi klienta na kategorie po pokazaniu modelu zaledwie trzech lub czterech oznaczonych przykładów każdej kategorii w monicie.
Nauczanie chatbota określonego formatu wyjściowego (np. JSON z nazwanymi polami), podając dwie lub trzy przykładowe pary wejście-wyjście.
Identyfikacja rzadkiej wady produkcyjnej na podstawie zaledwie kilku sfotografowanych próbek przy użyciu prototypowej sieci w systemie wizyjnym.
Dostosowanie stylu tłumaczenia lub podsumowania do głosu marki poprzez dołączenie w żądaniu kilku przykładów przed i po.
Zagrożenia i poręcze
Różne zespoły mogą odmiennie używać tego samego terminu, dlatego należy wcześniej zdefiniować zakres.
Testy porównawcze mogą wyglądać dobrze, podczas gdy wydajność w świecie rzeczywistym jest nierówna.
Ignorowanie planów dotyczących jakości danych i oceny często skutkuje kruchymi wynikami.
Plan wdrożenia
Zacznij od jasnej definicji potrzebnego wyniku.
Przed testowaniem wybierz jedną metrykę sukcesu i jeden warunek niepowodzenia.
Przeprowadź mały pilotaż z reprezentatywnymi danymi, a nie dopracowanym zestawem demonstracyjnym.
Dokumentuj, w których przypadkach Few-Shot Learning pomaga i gdzie prostsze metody są lepsze.
Odkrywaj dalej
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
Następny poradnik
Nauczanie transferowe
Często zadawane pytania
What is Few-Shot Learning?
Uczenie się przez kilka strzałów to umiejętność uczenia się nowego zadania na podstawie zaledwie kilku przykładów zamiast tysięcy. Ma to znaczenie, ponieważ odzwierciedla sposób, w jaki ludzie generalizują, i pozwala nowoczesnej sztucznej inteligencji na natychmiastowe dostosowywanie się bez kosztownych przekwalifikowań.
Do czego odnosi się K w zapisie „N-way K-shot”?
K to liczba przykładów podanych dla każdej klasy, podczas gdy N to liczba klas („sposoby”).
Kiedy duży model językowy uczy się w kontekście w kilku momentach z podpowiedzi, co dzieje się z jego wagami?
Uczenie się kontekstowe nie wykonuje aktualizacji gradientów; przykłady w podpowiedzi po prostu kierują przewidywaniami następnego tokenu modelu.
Jaka jest kluczowa różnica między monitem o zerowym strzale a podpowiedzią o kilku strzałach?
Zero-shot zawiera jedynie instrukcję bez przykładów, natomiast kilku-shot zawiera garść demonstracji.
Dlaczego kilka przykładów może wystarczyć, aby duży, wstępnie wyszkolony model dobrze wykonał nowe zadanie?
Szeroka wiedza wynikająca ze szkolenia wstępnego oznacza, że kilka demonstracji w większości sygnalizuje, które istniejące umiejętności można wykorzystać, a nie nauczanie od zera.
Który opisuje metodę kilku strzałów opartą na metrykach, taką jak sieć prototypowa?
Sieci prototypowe tworzą prototyp (średnie osadzenie) w każdej klasie i klasyfikują nowe punkty według najbliższego prototypu w wyuczonej przestrzeni.