/01Was ist One-Shot Learning?
One-Shot Learning bezeichnet die Fähigkeit eines KI-Modells, eine neue Aufgabe oder Kategorie anhand eines einzigen Beispiels zu erlernen. Im Gegensatz zum traditionellen Machine Learning, das Tausende oder Millionen Beispiele benötigt, genügt beim One-Shot Learning ein einzelnes Referenzbeispiel. Das Konzept wird sowohl beim Training spezialisierter Modelle als auch beim Prompting großer Sprachmodelle verwendet.
Ein praktisches Beispiel: Sie zeigen einem Sprachmodell ein einziges Beispiel für eine bestimmte Klassifikation -- etwa "Kundenanfrage: Wo ist mein Paket? → Kategorie: Versandstatus" -- und das Modell kann danach ähnliche Anfragen korrekt einordnen.
Wie funktioniert One-Shot Learning?
Im Kontext großer Sprachmodelle (LLMs) funktioniert One-Shot Learning über In-Context Learning: Das Beispiel wird direkt im Prompt mitgegeben, und das Modell nutzt sein vortrainiertes Wissen, um das Muster zu erkennen und auf neue Eingaben zu übertragen. Das Modell wird dabei nicht neu trainiert, sondern wendet sein bestehendes Verständnis auf das gezeigte Beispiel an.
Im klassischen Machine Learning werden für One-Shot Learning spezielle Architekturen eingesetzt. Siamese Networks vergleichen zwei Eingaben und bestimmen, ob sie zur selben Kategorie gehören. Prototypical Networks berechnen einen Prototyp-Vektor pro Kategorie und klassifizieren neue Eingaben nach Nähe zu diesen Prototypen. Diese Ansätze sind besonders in der Bilderkennung verbreitet, etwa für Gesichtserkennung oder die Authentifizierung per Unterschrift.
Warum ist One-Shot Learning wichtig?
Für Unternehmen löst One-Shot Learning ein zentrales Problem: In vielen Geschäftsszenarien gibt es nicht genügend gelabelte Daten für ein klassisches Training. Neue Produktkategorien, seltene Fehlertypen oder spezialisierte Klassifikationen haben oft nur wenige Beispiele. One-Shot Learning ermöglicht es, solche Aufgaben dennoch zu automatisieren, ohne erst Tausende Trainingsbeispiele sammeln zu müssen.
In der Praxis nutzen viele Unternehmen One-Shot Learning über LLM-APIs: Ein einziges Beispiel im Prompt reicht oft aus, um das Modell auf eine spezifische Aufgabe einzustellen. Die Ergebnisse sind zwar nicht immer so präzise wie bei Few-Shot Learning mit mehreren Beispielen, aber für schnelle Prototypen und einfache Aufgaben ist es ein äußerst effizientes Werkzeug.