Few-Shot-Learning bezeichnet Verfahren des maschinellen Lernens, bei denen ein Modell eine neue Aufgabe anhand sehr weniger gelabelter Beispiele ausführt, ohne dass tausende spezifische Trainingsdatensätze erhoben werden müssen.
Erklärung
Beim praktischen Einsatz großer Sprachmodelle erfolgt Few-Shot-Learning überwiegend als In-Context Learning direkt im Prompt: Zusammen mit der Arbeitsanweisung übergibt die Anwendung zwei bis zehn repräsentative Eingabe-Ausgabe-Paare (bei einem einzigen Beispiel spricht man von One-Shot, ganz ohne Beispiel von Zero-Shot), ohne die gespeicherten Modellgewichte zu verändern. Im B2B-Betrieb eignet sich dieses Vorgehen besonders für strukturierte Aufgaben mit festem Zielschema, etwa das Klassifizieren eingehender Supporttickets nach internen Kategorien, das Auslesen spezifischer Vertragsfelder im JSON-Format oder das Einhalten fester Formulierungsregeln in Kundenantworten. Gegenüber einem eigenen Fine-Tuning lassen sich Beispiele jederzeit im Prompt austauschen; allerdings verbrauchen die mitgelieferten Muster bei jedem API-Aufruf zusätzliche Eingabe-Tokens und hängen direkt von der Auswahl sauberer Referenzfälle ab.