Few-Shot-Learning

Few-Shot-Learning (FSL) ist ein Ansatz, bei dem ein KI-Modell aus nur wenigen Beispielen lernen kann. Im Gegensatz zu herkömmlichen Ansätzen, die Tausende oder Millionen Datenpunkte benötigen, nutzt FSL vortrainierte Kenntnisse und überträgt sie auf neue Aufgaben mit minimalen Daten.

Varianten: One-Shot Learning (nur ein Beispiel), Zero-Shot Learning (keine Beispiele, nur Beschreibungen). Funktionsweise: Vortraining auf großem Datensatz → Adaption mit wenigen spezifischen Beispielen → Transfer Learning. Frameworks: OpenAI Codex, Hugging Face Transformers.

Vorteile: Datenknappheit überwinden (z. B. in Medizin), Zeit- und Kostenersparnis, schnelle Anpassung, universelle Einsetzbarkeit. Anwendungen: seltene Tierarterkennung, Dialekterkennung, medizinische Diagnose bei seltenen Krankheiten.