Du visar din fyraåring tre bilder av giraffer. Vid den fjärde bilden pekar barnet glatt och säger ”giraff!” – trots att den här giraffen har lite andra fläckar, står i ett annat landskap och är fotograferad från en annan vinkel. Från tre exempel har barnet lärt sig vad som gör en giraff till just en giraff.
Det här är exakt vad few-shot learning handlar om inom AI. En modell kan lära sig att utföra en ny uppgift baserat på bara några få exempel, utan att behöva omtränas från grunden. Det är en av de mest praktiskt användbara egenskaperna hos moderna språkmodeller.
Så här fungerar det i praktiken: säg att du vill att en AI ska omvandla kundrecensioner till en strukturerad sammanfattning. Istället för att programmera regler eller träna en helt ny modell, ger du bara några exempel på hur du vill att det ska se ut. ”Här är tre recensioner och så här vill jag att sammanfattningen ska formateras.” Modellen förstår mönstret och kan sedan tillämpa samma stil på hundratals nya recensioner.
Det finns olika varianter av konceptet. Zero-shot learning betyder att modellen klarar uppgiften helt utan exempel, bara genom en tydlig instruktion. One-shot learning är när du ger exakt ett exempel. Few-shot learning använder typiskt mellan två och tio exempel. Och det fascinerande är att skillnaden mellan noll och tre exempel ofta är enorm, medan skillnaden mellan tre och tio exempel kan vara försumbar.
Varför fungerar det här överhuvudtaget? Moderna språkmodeller har tränats på så enorma mängder text att de redan har sett otaliga mönster och strukturer. När du ger dem några exempel aktiverar du i princip kunskap de redan har. Du pekar ut vilken typ av uppgift det är, och modellen kan dra paralleller till liknande situationer den stött på tidigare i sin träning.
Tänk dig att du ber någon som läst tusentals kokböcker att improvisera ett recept. Även om personen aldrig gjort just den här rätten förut, har hen sett så många liknande kombinationer att några ledtrådar räcker för att skapa något vettigt. På samma sätt har en språkmodell sett så många exempel på översättningar, sammanfattningar och kategoriseringar att den kan generalisera från dina specifika exempel.
I praktiken är det här otroligt kraftfullt. Du kan anpassa hur AI-verktyg svarar dig utan att vara programmerare eller ha tillgång till träningsdata. Vill du att sammanfattningar ska börja med en emoji? Visa tre exempel. Vill du att kundmejl ska få en viss ton? Ge några exempel på önskad stil. Modellen plockar upp mönstret.
Det finns förstås begränsningar. Few-shot learning fungerar bäst när uppgiften liknar något modellen sett förut. Helt nya domäner med specialiserad kunskap kräver ofta mer omfattande träning. Och ibland kan modellen övertolka exemplen och fastna i detaljer som egentligen inte var poängen.
Men för de flesta vardagliga användningsfall är few-shot learning precis vad du behöver. Det är skillnaden mellan att säga ”skriv en sammanfattning” och få något generiskt, och att säga ”skriv en sammanfattning som de här tre” och få exakt det format och den ton du vill ha.
Nästa gång du använder ett AI-verktyg och känner att svaret inte riktigt passar, prova att ge några exempel istället för att förklara i ord vad du vill ha. Visa vägen med konkreta fall. Chansen är stor att modellen förstår direkt – precis som fyraaringen som lärde sig giraffer.