Uitleg
Few-shot learning verwijst naar het traineren van machine learning-modellen met zeer weinig gelabelde voorbeelden. Dit is bijzonder waardevol omdat het labelen van data duur is en veel datasets klein zijn.
In tegenstelling tot traditioneel machine learning, dat honderdduizenden voorbeelden nodig heeft, kunnen geavanceerde modellen met slechts 10-100 voorbeelden redelijke prestaties bereiken.
Grote taalmodellen zijn bijzonder goed in few-shot learning. Door enkele voorbeelden in je prompt op te nemen (in-context learning), kan het model de gewenste patroon begrijpen en op nieuwe inputs toepassen. Dit is veel efficiënter dan fine-tuning.
⚡ Voorbeelden
- •Je geeft ChatGPT 3 voorbeelden van goed geschreven product reviews en het genereert vervolgens vergelijkbare reviews
- •Few-shot learning maakt het mogelijk om specifieke classificatietaken in te stellen zonder langdurige training
- •Medische AI-modellen kunnen zeldzame ziekten diagnoseren met slechts handvol training cases
Trefwoorden
machine-learningdata-efficiëntietraining-voorbeeldenadaptatie