Few-shot learning

意味・定義

少数の例（通常は数個〜数十個）から学習して、新しいタスクに適応する機械学習の手法。

解説

Few-Shot学習は、少数の例を示すだけで、AIに新しいタスクを学習させる手法です。大量のデータを用意しなくても、数個の例から一般的なパターンを理解させられます。 通常の機械学習では、数千〜数万のデータが必要です。しかしFew-Shot学習では、2〜10個程度の例を示すだけで、AIがタスクを理解し、新しいケースに対応できます。これは、人間が少数の例から学ぶ能力に近いアプローチです。 大規模言語モデルでは、プロンプトに例を含めることでFew-Shot学習を実現します。例えば、感情分析タスクで「『最高の映画だった』→ポジティブ、『退屈だった』→ネガティブ」という2つの例を示すだけで、新しい文章の感情を正確に判定できます。 Few-Shotの種類には、Zero-Shot（例なし）、One-Shot（1例）、Few-Shot（数例）があります。一般的に、例が多いほど精度は向上しますが、プロンプトが長くなりコストも増えるため、バランスが重要です。

使い方・例文

• "カスタマーレビューの分類では、「『配送が早くて助かりました』→配送、『商品の品質が良い』→品質」という数例を示すだけで、AIが新しいレビューを適切なカテゴリに分類できます。 メール自動返信システムでは、「問い合わせ：『返品したい』→返信：『返品手続きのご案内を送ります』」といった例を数個示すことで、様々な問い合わせに対して適切な返信テンプレートを選択できます。データラベリングの手間を大幅に削減できるため、企業の業務自動化で広く活用されています。"

関連語

関連記事