การเรียนรู้แบบไม่กี่ช็อต
การเรียนรู้เพียงไม่กี่ขั้นตอนคือความสามารถในการเรียนรู้งานใหม่จากตัวอย่างเพียงไม่กี่ตัวอย่างแทนที่จะเรียนรู้นับพัน
ภาพรวม
It matters because it mirrors how humans generalize and lets modern AI adapt instantly without expensive retraining.
เจาะลึก
แมชชีนเลิร์นนิงแบบดั้งเดิมต้องการชุดข้อมูลที่มีป้ายกำกับขนาดใหญ่ แต่การเรียนรู้แบบไม่กี่ช็อตมีเป้าหมายที่จะทำงานได้ดีหลังจากดูตัวอย่างเพียงไม่กี่ตัวอย่างต่อชั้นเรียน โมเดลภาษาขนาดใหญ่ทำให้การเรียนรู้แบบไม่กี่ช็อตในบริบทเป็นที่นิยม: คุณวางตัวอย่างอินพุต-เอาท์พุตสองสามตัวอย่างโดยตรงในข้อความแจ้ง และโมเดลจะอนุมานรูปแบบและนำไปใช้กับอินพุตใหม่ ทั้งหมดนี้โดยไม่ต้องอัปเดตน้ำหนัก คำนี้มาจากการนับตัวอย่างที่แสดง ซึ่งมักเขียนเป็น N-way K-shot (คลาส N, ตัวอย่าง K แต่ละรายการ) Zero-shot หมายถึงไม่มีตัวอย่าง, one-shot หมายถึงหนึ่งภาพ และ โดยทั่วไปแล้วไม่กี่ shot หมายถึงสองถึงสองสามโหล วิธีนี้ใช้ได้ผลเพราะแบบจำลองได้ซึมซับรูปแบบกว้างๆ ในระหว่างการฝึกล่วงหน้า ดังนั้นตัวอย่างบางส่วนจึงบ่งชี้ว่าควรใช้ทักษะใดที่มีอยู่เป็นหลัก
ข้อมูลเชิงลึกทางเทคนิค
การเรียนรู้แบบไม่กี่ช็อตในบริบทอาศัยตัวอย่างการอ่านหม้อแปลงในข้อความแจ้ง และใช้ความสนใจในการจับคู่รูปแบบ โดยไม่มีการอัปเดตการไล่ระดับสีหรือการเปลี่ยนแปลงน้ำหนัก ตัวอย่างกำหนดเงื่อนไขการคาดการณ์โทเค็นถัดไปของโมเดลสำหรับอินพุตใหม่ ครอบครัวที่แยกจากกัน วิธีการตามเมตริก เช่น ต้นแบบและเครือข่ายที่ตรงกัน แทนที่จะเรียนรู้พื้นที่ฝังที่คุณเปรียบเทียบตัวอย่างใหม่กับค่าเฉลี่ยของตัวอย่างสองสามอย่างของแต่ละคลาส และเลือกตัวอย่างที่ใกล้เคียงที่สุด ทั้งสองเส้นทางใช้ประโยชน์จากการเรียนรู้ล่วงหน้าเพื่อให้ป้ายกำกับที่หายากสามารถไปได้ไกล
ผลกระทบเชิงกลยุทธ์
การตัดสินใจที่ชัดเจนยิ่งขึ้น
ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้
ต้นทุนและงบประมาณ
คุณสามารถถามคำถามการใช้งานที่ดีขึ้นก่อนที่จะใช้เงินหรือเวลา
ทีมงานและขั้นตอนการทำงาน
ทีมที่มีความเข้าใจร่วมกันจะตัดสินใจเกี่ยวกับผลิตภัณฑ์ นโยบาย และการเรียนรู้ได้ดีขึ้น
อนาคตของการเรียนรู้แบบ Few-Shot
การเรียนรู้แบบไม่กี่ช็อตกำลังกลายเป็นวิธีเริ่มต้นที่ผู้คนใช้แบบจำลองขนาดใหญ่ ดังนั้นขอบเขตจึงทำให้มีความน่าเชื่อถือมากขึ้น: การเลือกตัวอย่าง การจัดลำดับ และการดึงข้อมูลที่ดีขึ้น เพื่อให้ระบบแจ้งเลือกการสาธิตที่มีประโยชน์ที่สุดโดยอัตโนมัติ คาดหวังการผสานรวมที่เข้มงวดมากขึ้นกับการเรียกข้อมูลและหน้าต่างบริบทที่ยาวขึ้นซึ่งพอดีกับตัวอย่างเพิ่มเติม รวมถึงการวิจัยว่าทำไมตัวอย่างจึงเรียงลำดับและจัดรูปแบบความแม่นยำของวงสวิงได้มาก เมื่อโมเดลได้รับการปรับปรุง ช่องว่างระหว่างภาพศูนย์และภาพไม่กี่ภาพก็จะลดลงสำหรับงานง่ายๆ ในขณะที่ภาพไม่กี่ภาพยังคงมีคุณค่าสำหรับรูปแบบพิเศษและเคส Edge
การใช้งานจริงในโลกแห่งความเป็นจริง
จำแนกตั๋วการสนับสนุนลูกค้าเป็นหมวดหมู่หลังจากแสดงแบบจำลองเพียงสามหรือสี่ตัวอย่างที่มีป้ายกำกับของแต่ละหมวดหมู่ในข้อความแจ้ง
การสอนแชทบอตเกี่ยวกับรูปแบบเอาต์พุตเฉพาะ (เช่น JSON ด้วยฟิลด์ที่มีชื่อ) โดยให้คู่อินพุต-เอาท์พุตตัวอย่างสองหรือสามคู่
การระบุข้อบกพร่องในการผลิตที่เกิดขึ้นได้ยากจากตัวอย่างที่ถ่ายภาพเพียงไม่กี่ตัวอย่างโดยใช้เครือข่ายต้นแบบในระบบวิชันซิสเต็ม
การปรับรูปแบบการแปลหรือการสรุปให้ตรงกับเสียงของแบรนด์โดยรวมตัวอย่างก่อนและหลังสองสามตัวอย่างในคำขอ
ความเสี่ยงและรั้ว
แต่ละทีมอาจใช้คำเดียวกันต่างกัน ดังนั้นควรกำหนดขอบเขตตั้งแต่เนิ่นๆ
เกณฑ์มาตรฐานอาจดูแข็งแกร่งในขณะที่ประสิทธิภาพในโลกแห่งความเป็นจริงไม่เท่ากัน
การเพิกเฉยต่อคุณภาพข้อมูลและแผนการประเมินมักสร้างผลลัพธ์ที่เปราะบาง
แผนงานการดำเนินงาน
เริ่มต้นด้วยคำจำกัดความภาษาธรรมดาของผลลัพธ์ที่คุณต้องการ
เลือกเมตริกวัดความสำเร็จหนึ่งรายการและเงื่อนไขความล้มเหลวหนึ่งรายการก่อนการทดสอบ
ดำเนินการนำร่องขนาดเล็กด้วยข้อมูลตัวแทน ไม่ใช่ชุดสาธิตที่สวยงาม
เอกสารที่การเรียนรู้แบบ Few-Shot ช่วยได้ และวิธีที่ง่ายกว่าจะดีกว่า
สำรวจต่อไป
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
คำแนะนำต่อไป
ถ่ายโอนการเรียนรู้
คำถามที่พบบ่อย
What is Few-Shot Learning?
การเรียนรู้เพียงไม่กี่ขั้นตอนคือความสามารถในการเรียนรู้งานใหม่จากตัวอย่างเพียงไม่กี่ตัวอย่างแทนที่จะเรียนรู้นับพัน เป็นเรื่องสำคัญเพราะมันสะท้อนให้เห็นว่ามนุษย์พูดคุยกันอย่างไร และปล่อยให้ AI ยุคใหม่ปรับตัวได้ทันทีโดยไม่ต้องฝึกอบรมซ้ำซึ่งมีราคาแพง
ในสัญกรณ์ 'N-way K-shot' K หมายถึงอะไร
K คือจำนวนตัวอย่างที่กำหนดสำหรับแต่ละคลาส ในขณะที่ N คือจำนวนคลาส ('วิธี')
เมื่อโมเดลภาษาขนาดใหญ่เรียนรู้แบบไม่กี่ช็อตในบริบทจากข้อความแจ้ง จะเกิดอะไรขึ้นกับน้ำหนักของมัน
การเรียนรู้ในบริบทไม่มีการอัปเดตการไล่ระดับสี ตัวอย่างในพรอมต์เป็นเพียงแนวทางในการคาดการณ์โทเค็นถัดไปของโมเดล
อะไรคือความแตกต่างที่สำคัญระหว่างการแจ้งเตือนแบบ Zero-shot และแบบไม่กี่ช็อต?
Zero-shot จะให้เพียงคำแนะนำโดยไม่มีตัวอย่าง ในขณะที่ไม่กี่ช็อตจะมีการสาธิตเพียงไม่กี่รายการ
เหตุใดตัวอย่างบางส่วนจึงเพียงพอสำหรับโมเดลที่ได้รับการฝึกล่วงหน้าขนาดใหญ่เพื่อทำงานใหม่ได้ดี
ความรู้กว้างๆ จากการฝึกอบรมล่วงหน้าหมายถึงการสาธิตบางส่วนซึ่งส่วนใหญ่จะส่งสัญญาณว่าความสามารถที่มีอยู่ใดบ้างที่สามารถใช้งานได้ แทนที่จะสอนตั้งแต่เริ่มต้น
ข้อใดอธิบายวิธีการไม่กี่ช็อตแบบเมตริกเช่นเครือข่ายต้นแบบ
เครือข่ายต้นแบบสร้างต้นแบบ (การฝังโดยเฉลี่ย) ต่อคลาส และจำแนกประเด็นใหม่ตามต้นแบบที่ใกล้ที่สุดในพื้นที่เรียนรู้