Few-shot学習

AI概念
約1分で読めます

モデルを再学習させることなく、プロンプトに2〜10個の入出力例を含めることで、AIがタスクのパターンやフォーマットに即座に従うようにする手法です。

別名
Few-shot LearningフューショットFew-shot Prompting

詳しい説明

インコンテキスト学習（In-Context Learning）の中核的な手法であり、モデルの重みを修正（ファインチューニング）することなく、プロンプト内に含まれる少数の例を通じて、モデルに実行すべきタスクの規則、トーン、出力構造を把握させます。ゼロショット（Zero-shot）よりも精度が高く、特定ドメインの複雑なデータ抽出や定められたフォーマット（JSONなど）の遵守が必要な場合に非常に効果的です。学習データが不足している環境や、迅速なプロトタイピングが必要な環境において、ファインチューニングの実用的な代替案として使用されます。

ツール選定において重要な理由

Few-shot学習は、大規模なデータアノテーション（ラベル付け）やコストのかかるファインチューニングを行うことなく、「特化型モデル」と同等の性能を発揮させることができます。特に、企業固有の文書フォーマットを処理したり、特定のペルソナを維持するチャットボットを構築したりする際、モデルの基礎的な知能をそのまま活かしながら、実行手順だけを精緻化できるため効率的です。

確認事項

  • 例のフォーマット（ラベル付け、改行など）が、すべてのショットで一貫して維持されているか？
  • 例として扱う状況が重複せず、多様なケースを含んでいるか？
  • ショットの数がモデルのコンテキストウィンドウ（トークン制限）を過度に占有していないか？
  • 例の順番がバイアスを生み出していないか？（直近の例をより重要と認識する傾向があるか確認）

例：感情分析

入力: '配送が遅すぎてイライラします。' // 出力: 否定 入力: 'オペレーターの対応が親切で気持ちがいいです。' // 出力: 肯定 入力: '商品は普通だけど梱包が雑。' // 出力: ?

混同しやすい用語

Zero-shot

例を用いず、指示文（システムプロンプト）のみで回答を生成する方式です。

Fine-tuning

数千件以上のデータを使用してモデルの重み（パラメータ）を直接書き換え、恒久的に学習させる方式です。

関連用語

Zero-shotファインチューニング