Wprowadzenie
Few-Shot Learning (uczenie kilkuprzykładowe) to paradygmat uczenia maszynowego, w którym model jest w stanie skutecznie nauczyć się nowego zadania lub rozpoznać nową klasę obiektów na podstawie bardzo małej liczby przykładów – zazwyczaj od 1 do kilkunastu na klasę.
Porównanie z innymi podejściami
- Traditional Supervised Learning – wymaga setek lub tysięcy przykładów na klasę
- One-Shot Learning – tylko jeden przykład na klasę
- Few-Shot Learning – kilka przykładów (zwykle 2–20)
- Zero-Shot Learning – zero przykładów (model korzysta z wiedzy ogólnej)
Główne podejścia
- Meta-Learning („uczenie się, jak się uczyć”) – np. MAML (Model-Agnostic Meta-Learning)
- Siamese Networks – porównywanie podobieństwa par przykładów
- Prototypical Networks – tworzenie „prototypu” każdej klasy jako średniego embedding
- Matching Networks – mechanizm uwagi nad support setem
- In-Context Learning – w dużych modelach językowych (Few-Shot Prompting)
Zalety Few-Shot Learning
- Drastyczne zmniejszenie zapotrzebowania na etykietowane dane
- Szybka adaptacja do nowych zadań i klas
- Blisko ludzkiego sposobu uczenia (ludzie często uczą się z kilku przykładów)
- Partykularnie przydatne w dziedzinach, gdzie dane są rzadkie lub drogie (medycyna, robotyka, biologia)
Wyzwania
- Wrażliwość na wybór przykładów (support set)
- Trudniejsza ewaluacja i porównywanie modeli
- Wciąż niższa dokładność niż modele trenowane na dużych zbiorach
- Problem z generalizacją przy bardzo różnych rozkładach danych
Few-Shot w erze LLM
W dużych modelach językowych Few-Shot Learning przejawia się jako In-Context Learning (Few-Shot Prompting). Model nie aktualizuje wag, lecz uczy się z przykładów podanych bezpośrednio w promptcie. Dzięki ogromnej skali pre-treningu współczesne modele (GPT-5, Claude 4, Grok 3, Llama 4) osiągają w tym trybie zaskakująco dobre wyniki.
Aktualny status (2026)
Few-Shot Learning pozostaje kluczowym kierunkiem badań, szczególnie w kontekście meta-learningu i efektywności danych. W praktyce najpopularniejszą formą jest Few-Shot Prompting w dużych modelach językowych oraz prototypowe sieci w zadaniach wizyjnych i multimodalnych. Dzięki połączeniu z technikami takimi jak LoRA, RAG i agentycznymi systemami, Few-Shot Learning staje się coraz bardziej praktycznym i potężnym narzędziem.