Yapay zekâ sözlüğü
Orta seviye
Few-Shot Learning
Few-shot Learning
28.08.2026 tarihinde güncellendi
Few-shot learning, modele birkaç doğru örnek göstererek yeni bir görevin biçimini ve beklentisini öğretme yaklaşımıdır.
Genel bakış
Kavramın çerçevesiFew-shot learning, prompt içine görevin nasıl yapılacağını gösteren birkaç giriş-çıktı örneği koyarak modelin beklenen kalıbı bağlamdan çıkarmasını sağlar. Örnekler farklı gerçek durumları temsil etmeli, doğru formatta olmalı ve çelişmemelidir. Bu yöntem modelin yeni bir ağırlık öğrenmesi değil, mevcut yeteneklerini verilen bağlama göre kullanmasıdır. Örnek sayısı bağlam penceresini tüketebileceği için kısa ve ayırt edici örnekler seçilmelidir.
Çalışma mantığı: Örnekler prompt içinde aynı görev şablonunu izler; model yeni girdiyi bu örneklerin biçimsel ve anlamsal kalıbına göre yanıtlar. Örnek seçimi, görevin sınırlarını açıklamak kadar önemlidir.
Kullanım alanları: Özel sınıflandırma, JSON biçimleme, ton dönüşümü, veri çıkarma ve hızlı prototipte kullanılır.
Sınırlılıklar: Örnekler bağlam bütçesi tüketir, hatalı örnek davranışı kopyalatır ve modelin nadir durumlarda genelleme yapacağını garanti etmez.
Çalışma mantığı: Örnekler prompt içinde aynı görev şablonunu izler; model yeni girdiyi bu örneklerin biçimsel ve anlamsal kalıbına göre yanıtlar. Örnek seçimi, görevin sınırlarını açıklamak kadar önemlidir.
Kullanım alanları: Özel sınıflandırma, JSON biçimleme, ton dönüşümü, veri çıkarma ve hızlı prototipte kullanılır.
Sınırlılıklar: Örnekler bağlam bütçesi tüketir, hatalı örnek davranışı kopyalatır ve modelin nadir durumlarda genelleme yapacağını garanti etmez.
Teknik tanım ve açıklama
Temel mekanizmaModelin çok az sayıda örnekle yeni görevleri öğrenme yeteneğidir. Promptlara birkaç örnek ekleyerek modelin davranışını yönlendirmek bu tekniğe örnektir.
Gerçek hayatta kullanım
Örnek senaryoBir modele üç örnek çıktı gösterip aynı biçimde yeni kayıtlar üretmesini istemek few-shot kullanımıdır. Editoryal bir uygulamada bu kavramı kullanırken önce hedefi ve başarı ölçütünü yazın, ardından küçük bir örnek üzerinde sonucu kontrol edip üretime almadan önce insan doğrulaması yapın.