Învățare cu câteva lovituri
Învățarea cu puține lovituri este capacitatea de a învăța o sarcină nouă din doar câteva exemple, în loc de mii.
Prezentare generală
It matters because it mirrors how humans generalize and lets modern AI adapt instantly without expensive retraining.
Scufundare în profunzime
Învățarea automată tradițională are nevoie de seturi de date uriașe etichetate, dar învățarea cu puține inregistrări își propune să funcționeze bine după ce a văzut doar câteva exemple per clasă. Modelele mari de limbaj au popularizat învățarea în context cu câteva lovituri: plasați câteva exemple de intrare-ieșire direct în prompter, iar modelul deduce modelul și îl aplică unei noi intrări, totul fără a-și actualiza ponderile. Termenul provine din numărarea exemplelor prezentate, adesea scrise ca N-way K-shot (N clase, K exemple fiecare). Zero-shot înseamnă că nu există exemple, one-shot înseamnă unul și puține shot înseamnă de obicei două până la câteva zeci. Acest lucru funcționează deoarece modelul a absorbit deja modele ample în timpul antrenamentului, așa că câteva exemple indică în principal ce abilitate existentă să folosească.
Perspectivă tehnică
Învățarea în context cu câteva lovituri se bazează pe transformatorul citind exemple în prompt și folosind atenția pentru a potrivi modelele, fără actualizări de gradient sau modificări de greutate. Exemplele condiționează predicțiile modelului următor pentru noua intrare. O familie separată, metode bazate pe metrici, cum ar fi rețelele prototipice și de potrivire, învață în schimb un spațiu de încorporare în care comparați un eșantion nou cu media celor câteva exemple din fiecare clasă și alegeți cel mai apropiat. Ambele rute exploatează învățarea anterioară, astfel încât etichetele rare merg mult.
Impact strategic
Decizii mai clare
Vă ajută să separați afirmațiile tehnice clare de limbajul de marketing.
Cost și buget
Puteți pune întrebări de implementare mai bune înainte de a cheltui bani sau timp.
Echipa și fluxul de lucru
Echipele cu înțelegere comună iau decizii mai bune despre produse, politici și învățare.
Viitorul învățării cu câteva lovituri
Învățarea cu puține inregistrări devine modul implicit în care oamenii folosesc modele mari, astfel încât frontiera o face mai fiabilă: o selecție mai bună a exemplelor, o ordonare și o recuperare mai bună, astfel încât solicitările aleg automat cele mai utile demonstrații. Așteptați-vă la o integrare mai strânsă cu recuperare și ferestre de context mai lungi care se potrivesc cu mai multe exemple, plus cercetarea de ce ordinea exemplelor și acuratețea swing-ului de formatare atât de mult. Pe măsură ce modelele se îmbunătățesc, diferența dintre zero-shot și few-shot se micșorează pentru sarcini ușoare, în timp ce puțin-shot rămâne valoroasă pentru formatele specializate și carcasele marginale.
Implementare în lumea reală
Clasificarea biletelor de asistență pentru clienți în categorii după ce ați afișat un model doar trei sau patru exemple etichetate din fiecare categorie în prompt.
Predarea unui chatbot a unui format de ieșire specific (cum ar fi JSON cu câmpuri numite) dând două sau trei exemple de perechi intrare-ieșire.
Identificarea unui defect de fabricație rar din doar câteva mostre fotografiate folosind o rețea prototipică într-un sistem de viziune.
Adaptarea unui stil de traducere sau de rezumare pentru a se potrivi cu vocea unei mărci, incluzând câteva exemple înainte și după în cerere.
Riscuri și balustrade
Echipe diferite pot folosi același termen în mod diferit, așa că definiți domeniul de aplicare din timp.
Benchmark-urile pot părea puternice, în timp ce performanța în lumea reală este neuniformă.
Ignorarea calității datelor și a planurilor de evaluare generează adesea rezultate fragile.
Foaia de parcurs de implementare
Începeți cu o definiție simplă a rezultatului de care aveți nevoie.
Alegeți o măsură de succes și o condiție de eșec înainte de testare.
Rulați un pilot mic cu date reprezentative, nu un set demonstrativ bine definit.
Document în care Few-Shot Learning ajută și unde metodele mai simple sunt mai bune.
Continuați să explorați
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
Următorul ghid
Transfer de învățare
Întrebări frecvente
What is Few-Shot Learning?
Învățarea cu puține lovituri este capacitatea de a învăța o sarcină nouă din doar câteva exemple, în loc de mii. Contează pentru că reflectă modul în care oamenii generalizează și permite AI-ului modern să se adapteze instantaneu, fără o recalificare costisitoare.
În notația „N-way K-shot”, la ce se referă K?
K este numărul de exemple date pentru fiecare clasă, în timp ce N este numărul de clase („căile”).
Când un model de limbă mare învață în context cu câteva inregistrări dintr-un prompt, ce se întâmplă cu ponderile sale?
Învățarea în context nu realizează actualizări de gradient; exemplele din prompt ghidează pur și simplu predicțiile modelului următor.
Care este diferența esențială dintre avertizarea zero-shot și câteva-shot?
Zero-shot oferă doar o instrucțiune fără exemple, în timp ce few-shot include o mână de demonstrații.
De ce pot fi suficiente câteva exemple pentru ca un model mare pregătit să efectueze bine o nouă sarcină?
Cunoașterea amplă de la preformare înseamnă că câteva demonstrații semnalează în mare parte capacitatea existentă de a utiliza, mai degrabă decât predarea de la zero.
Care descrie o metodă bazată pe metrici cu câteva lovituri, cum ar fi o rețea prototipică?
Rețelele prototipice formează un prototip (încorporare medie) per clasă și clasifică puncte noi după cel mai apropiat prototip din spațiul învățat.