AI Ordbog
Meta-learning
AI der lærer at lære, systemer der forbedrer deres egen læringsevne.
Skrevet og redigeret af Kristian Primdal · Sidst opdateret 18. marts 2026Indhold
Hvad er meta-learning?
Meta-learning (ofte beskrevet som “at lære at lære”) er en gren af maskinlæring hvor modeller trænes til at forbedre deres egen læringsproces. I stedet for bare at lære en specifik opgave, lærer modellen hvordan man lærer opgaver effektivt.
Tænk på forskellen mellem at lære matematik og at lære studieteknik. Traditionel maskinlæring er som at lære matematik. Modellen mestrer én ting. Meta-learning er som at lære studieteknik. Modellen bliver bedre til at lære hvad som helst.
Målet er at skabe modeller der hurtigt kan tilpasse sig nye opgaver med meget få eksempler. Hvor en traditionel model kræver tusindvis af eksempler og timer af træning, kan en meta-lært model tilpasse sig en ny opgave med blot 5-10 eksempler på sekunder.
Hvordan fungerer meta-learning?
Meta-learning opererer på to niveauer:
- Indre loop (opgave-læring). Modellen lærer en specifik opgave fra få eksempler, f.eks. at genkende en bestemt type blomst fra 5 billeder.
- Ydre loop (meta-læring). Modellen trænes over mange forskellige opgaver, og dens læringsalgoritme optimeres så den bliver bedre til den indre loop. Over tid lærer modellen at tilpasse sig nye opgaver hurtigere.
Det svarer til en studerende der efter at have lært mange fag (matematik, historie, fysik) bliver generelt bedre til at lære nye fag. Ikke fordi de kan det specifikke indhold, men fordi de har lært effektive læringsstrategier.
Hovedtilgange
- MAML (Model-Agnostic Meta-Learning). Den mest kendte meta-learning-algoritme. Finder en initialisation af modellens parametre der gør det muligt at fine-tune hurtigt til enhver ny opgave med blot få gradient-opdateringer.
- Metrisk meta-learning. Lærer et rum hvor lignende eksempler er tæt på hinanden. Prototypical Networks og Siamese Networks bruger denne tilgang til few-shot klassifikation.
- Hukommelsesbaseret. Modellen bruger en ekstern hukommelse til at gemme og hente viden fra tidligere opgaver, hvilket hjælper med hurtig tilpasning til nye opgaver.
Meta-learning i praksis
- Few-shot billedgenkendelse. Genkend nye dyre- eller plantearter fra blot 5 billeder, uden gen-træning. Kritisk i biologi hvor nye arter opdages regelmæssigt.
- Lægemiddeludvikling. Forudsig egenskaber af nye molekyler baseret på meget få eksempler af lignende molekyler.
- Robotik. Robotter der hurtigt kan tilpasse sig nye miljøer og opgaver uden omfattende gen-træning.
- Personalisering. AI-systemer der hurtigt tilpasser sig en ny brugers præferencer fra blot få interaktioner.
LLM’er som meta-learnere Interessant nok kan man argumentere for at store sprogmodeller som GPT og Claude er implicitte meta-learnere. Under præ-træning har de set millioner af eksempler på at lære opgaver fra kontekst, og de har dermed lært at lære. In-context learning (evnen til at tilpasse sig nye opgaver via prompting) er i bund og grund meta-learning i praksis.
FAQ
Hvad er meta-learning?
Meta-learning er maskinlæring hvor modeller trænes til at lære mere effektivt. I stedet for at mestre én opgave, lærer modellen hvordan man tilpasser sig nye opgaver hurtigt og fra få eksempler. Det beskrives ofte som "at lære at lære."
Hvad er forskellen på meta-learning og transfer learning?
Transfer learning overfører viden fra én specifik opgave til en anden. Meta-learning optimerer selve læringsprocessen, så modellen bliver bedre til at tilpasse sig enhver ny opgave. Transfer learning er en engangsoverførsel, meta-learning er en systematisk forbedring af læringsevnen.
Hvad er MAML?
MAML (Model-Agnostic Meta-Learning) er den mest kendte meta-learning-algoritme. Den finder en optimal startposition for modellens parametre, hvorfra den kan fine-tunes til enhver ny opgave med blot få eksempler og gradient-opdateringer.