İçeriğe geç
parazade
Yapay Zeka

Az Örnekli Öğrenme (Few-shot) Nedir?

İngilizce: Few-shot Learning

Yayın: · Son güncelleme:

Az Örnekli Öğrenme (Few-shot) Nedir? Kısaca

Az örnekli öğrenme (few-shot learning), bir modelin bir görevi yalnızca birkaç örnek görerek yapabilmesidir. Dil modellerinde genellikle prompt içine birkaç girdi-çıktı örneği eklenerek uygulanır; modelin yeniden eğitilmesi gerekmez.

Az Örnekli Öğrenme nedir?
İçindekiler
  1. Nasıl çalışır?
  2. Örnek
  3. Nelere dikkat etmeli?

Az örnekli öğrenme, bir yapay zekâ modelinin yeni bir görevi çok az sayıda örnekle kavrayıp uygulamasıdır. Büyük dil modellerinde en yaygın biçimi "few-shot prompting"tir: Görevi açıklarken prompt içine birkaç çözülmüş örnek eklersin, model de aynı kalıbı yeni girdiye uygular.

Nasıl çalışır?

Klasik makine öğrenmesinde bir görevi öğretmek için binlerce etiketli örnekle model eğitilir. Büyük dil modelleri ise ön eğitimde çok geniş bir bilgi ve dil kalıbı birikimi kazandığından, birkaç örnekten görevin ne olduğunu çıkarabilir. Bu sırada modelin ağırlıkları değişmez; "öğrenme" yalnızca o konuşma içinde gerçekleşir. Bu yüzden bu yaklaşıma bağlam içi öğrenme de denir.

Örnek

Varsayımsal bir harcama sınıflandırma promptu:

Market fişi 450 TL -> Gıda
Otobüs kartı dolumu -> Ulaşım
Elektrik faturası -> Fatura
Sinema bileti -> ?

Model örneklerdeki kalıbı görür ve büyük olasılıkla "Eğlence" gibi bir kategoriyle cevap verir.

Nelere dikkat etmeli?

  • Örnek kalitesi: Hatalı ya da tutarsız örnekler modeli yanlış yönlendirir.
  • Çeşitlilik: Örnekler hep aynı tipteyse model diğer durumlarda zorlanır.
  • Sıra ve biçim: Örneklerin sırası ve yazım biçimi sonucu etkileyebilir.
  • Uzunluk: Her örnek bağlam penceresinde yer kaplar ve maliyeti artırır.

Hiç örnek vermeden yalnız talimatla çalışmaya sıfır örnekli öğrenme denir. Örnekler yetmediğinde ve görev çok tekrarlıysa ince ayar daha kalıcı bir çözüm olabilir.

Sıkça Sorulan Sorular

Few-shot için kaç örnek gerekir?

Genellikle 2-5 iyi seçilmiş örnek yeterli olur. Örnek sayısını artırmak her zaman sonucu iyileştirmez ve bağlamda daha fazla yer kaplar.

Az örnekli öğrenme modeli kalıcı olarak değiştirir mi?

Hayır. Prompt içindeki örnekler yalnızca o istek için geçerlidir; modelin ağırlıkları değişmez. Kalıcı değişiklik için ince ayar gerekir.

İlgili terimler

Sıfır Örnekli Öğrenme(Zero-shot Learning)Sıfır örnekli öğrenme (zero-shot learning), bir modelin o göreve özel hiç örnek görmeden, yalnızca talimat ya da genel bilgisiyle görevi yerine getirmesidir. Dil modellerinde 'şu metni özetle' gibi örneksiz istekler bunun tipik örneğidir.Prompt Mühendisliği(Prompt Engineering)Prompt mühendisliği, bir yapay zekâ modelinden doğru, tutarlı ve istenen biçimde çıktı almak için talimatları (promptları) bilinçli biçimde tasarlama, deneme ve iyileştirme sürecidir. Rol, bağlam, örnek ve çıktı biçimi gibi öğeleri kapsar.İnce Ayar(Fine-tuning)İnce ayar (fine-tuning), önceden eğitilmiş bir yapay zekâ modelini daha küçük ve göreve özel bir veri kümesiyle yeniden eğiterek belirli bir işe, üsluba veya alana uyarlama işlemidir.PromptPrompt (istem), bir yapay zekâ modeline ne yapmasını istediğinizi anlatan metindir; bir soru, talimat, örnek ya da bunların birleşimi olabilir. Modelin cevabının kalitesi büyük ölçüde promptun ne kadar açık ve ayrıntılı yazıldığına bağlıdır.Görüntü Tanıma(Image Recognition)Görüntü tanıma (image recognition), bir yapay zekâ sisteminin fotoğraf ya da videodaki nesneleri, yüzleri, hayvanları, yazıları veya sahneleri tespit edip tanımlamasıdır. Bilgisayarlı görünün temel görevlerinden biridir.Yapay Zekâ Okuryazarlığı(AI Literacy)Yapay zekâ okuryazarlığı (AI literacy), yapay zekânın temel olarak nasıl çalıştığını anlama, araçları amaca uygun ve güvenli biçimde kullanma, çıktılarını eleştirel değerlendirme ve etik riskleri fark etme becerilerinin bütünüdür.