Few-shot 학습

AI 개념
약 1분 읽기

모델을 재학습시키지 않고 프롬프트에 2~10개의 입출력 예시를 포함하여 AI가 작업의 패턴과 형식을 즉각적으로 따르게 하는 기법입니다.

다른 이름
Few-shot Learning퓨샷Few-shot Prompting

상세 설명

인컨텍스트 학습(In-Context Learning)의 핵심 기법으로, 모델의 가중치를 수정(파인튜닝)하지 않고 프롬프트 내에 포함된 소수의 예시를 통해 모델이 수행할 작업의 규칙, 어조, 출력 구조를 파악하게 합니다. 제로샷(Zero-shot)보다 정확도가 높으며, 특정 도메인의 복잡한 데이터 추출이나 정해진 포맷(JSON 등) 준수가 필요할 때 매우 효과적입니다. 학습 데이터가 부족하거나 빠른 프로토타이핑이 필요한 환경에서 파인튜닝의 현실적인 대안으로 사용됩니다.

도구 선택에서 중요한 이유

Few-shot 학습은 대규모 데이터 레이블링과 비용이 드는 파인튜닝 없이도 '전문화된 모델'과 유사한 성능을 낼 수 있게 합니다. 특히 기업 내부의 고유한 문서 양식을 처리하거나 특정 페르소나를 유지해야 하는 챗봇을 구현할 때, 모델의 기반 지능을 그대로 활용하면서 실행 지침만 정교화할 수 있어 효율적입니다.

확인할 점

  • 예시의 형식(라벨링, 줄바꿈 등)이 모든 샷에서 일관되게 유지되는가?
  • 예시가 다루는 상황이 중복되지 않고 다양한 케이스를 포함하는가?
  • 샷의 개수가 모델의 컨텍스트 윈도우(토큰 한도)를 과도하게 점유하지 않는가?
  • 예시의 순서가 편향을 만들지 않는가? (최근 예시를 더 중요하게 인식하는 경향 확인)

예시: 감정 분석

입력: '배송이 너무 늦어서 짜증나요.' // 출력: 부정 입력: '상담원이 친절해서 기분이 좋네요.' // 출력: 긍정 입력: '제품은 보통인데 포장이 허술함.' // 출력: ?

헷갈리기 쉬운 용어

Zero-shot

예시 없이 지시문(System Prompt)만으로 답변을 생성하는 방식입니다.

Fine-tuning

수천 개 이상의 데이터를 사용해 모델의 가중치(파라미터)를 직접 수정하여 영구적으로 학습시키는 방식입니다.

관련 용어

Zero-shotin-context-learning파인튜닝