One-shot learning

Hvad er one-shot learning?

One-shot learning er en AI-teknik hvor en model kan lære en ny opgave eller genkende et nyt mønster ud fra blot ét enkelt eksempel. Navnet siger det hele: “one shot”. Ét forsøg, ét eksempel, og modellen har lært det.

Det er en bemærkelsesværdig evne der afspejler noget mennesker gør helt naturligt. Vis et barn ét billede af en giraf, og det kan genkende giraffer resten af livet. Uanset vinkel, belysning eller størrelse. Traditionel maskinlæring kræver typisk tusindvis af eksempler for at opnå det samme. One-shot learning forsøger at lukke dette gab.

One-shot learning er placeret mellem zero-shot (ingen eksempler) og few-shot (2-10 eksempler). I LLM-sammenhæng betyder det at du viser modellen præcis ét eksempel i din prompt, og den generaliserer mønsteret til nye input.

Hvordan fungerer one-shot learning?

Der er to hovedtilgange:

1. Metrisk læring (for klassifikation). Modellen lærer at måle lighed mellem eksempler i stedet for at klassificere direkte. Givet ét billede af en ny person, sammenligner modellen det med alle nye billeder og afgør om de viser den samme person. Siamese networks er den klassiske arkitektur til dette.
2. In-context learning (for LLM’er). I sprogmodeller fungerer one-shot learning ved at inkludere ét eksempel i prompten. Modellen bruger sin brede viden fra præ-træning til at forstå mønsteret fra det ene eksempel og anvende det.

One-shot i praksis

1. Ansigts-genkendelse. Det mest kendte use case. Når du opretter Face ID på din iPhone, scanner du dit ansigt nogle få gange, og systemet kan derefter genkende dig i tusindvis af situationer. Underliggende bruger det one-shot/few-shot teknikker.
2. LLM-prompting. Vis modellen ét eksempel og bed den følge mønsteret. “Konvertér: ‘den røde bil’ → { farve: ‘rød’, objekt: ‘bil’ }. Konvertér nu: ‘den store hund’ → ?”. Modellen forstår formatet fra ét eksempel.
3. Signatur-verifikation. Banker bruger one-shot learning til at verificere underskrifter: er denne underskrift den samme person som den registrerede?
4. Medicinsk diagnostik. Ved sjældne sygdomme kan der kun være ét eller meget få eksempler tilgængelige. One-shot learning gør diagnostik mulig i disse tilfælde.

One-shot vs. zero-shot vs. few-shot

1. Zero-shot. Ingen eksempler. Kræver at modellen forstår opgaven fra instruktionen alene. Mindst præcis men hurtigst.
2. One-shot. Ét eksempel. Giver modellen et konkret billede af hvad du forventer. Ofte overraskende effektivt.
3. Few-shot. 2-10 eksempler. Mest pålideligt fordi mønsteret demonstreres tydeligere med flere eksempler.

For LLM’er er valget mellem dem primært en afvejning mellem præcision og kontekstvindue-forbrug. For traditionel ML er det et spørgsmål om hvor mange mærkede eksempler du har tilgængelige.