Few-Shot Learning
Definition:
Few-Shot Learning bezeichnet eine Methode des maschinellen Lernens, bei der ein Modell schon mit wenigen Trainingsbeispielen pro Klasse gute Ergebnisse liefert. Im Gegensatz zu herkömmlichen Verfahren, die große Datenmengen benötigen, wird hier Wissen aus vortrainierten Modellen weiterverwendet und mit wenigen Beispielen angepasst.
Beispiel aus der Praxis:
Ein Chatbot soll eine neue Absicht wie „Reklamation“ verstehen. Anstatt hunderte Beispielsätze einzugeben, reichen beim Few-Shot Learning oft schon fünf bis zehn Formulierungen, um die Erkennung zuverlässig zu ermöglichen.
Vorteile von Few-Shot Learning:
- Spart Zeit und Kosten bei der Datenerstellung
- Ermöglicht schnelle Anpassungen in Chatbots, Klassifikationen oder Bilderkennung
- Besonders wertvoll für Nischen-Themen mit wenig Daten
Verwandte Begriffe:
- Zero-Shot Learning → funktioniert ganz ohne Trainingsbeispiele
- Transfer Learning → überträgt Wissen von einem Modell auf eine neue Aufgabe
