التعلم من عدد قليل من الأمثلة (Few-Shot Learning)
التعلم من عدد قليل من الأمثلة هو نموذج تعليم آلي يتكيف فيه النموذج مع مهمة جديدة باستخدام عدد صغير فقط من الأمثلة المسمّاة—عادة ما يكون بين واحد وعشرين—بدلاً من مجموعات البيانات المسمّاة الكبيرة المطلوبة بواسطة التعلم الخاضع للإشراف التقليدي.
التعلم من عدد قليل من الأمثلة هو نموذج تعليم آلي يعمم النموذج على مهام أو فئات جديدة باستخدام عدد صغير جدًا من الأمثلة المسمّاة—عادة ما يكون بين واحد (التعلم من مثال واحد) وحوالي عشرين—على عكس آلاف أو ملايين الأمثلة المطلوبة بواسطة التعلم الخاضع للإشراف التقليدي. التحدي الأساسي هو تعلم تمثيلات عامة بما يكفي بحيث يكون عدد قليل من الأمثلة كافياً لتوجيه التنبؤات الدقيقة على المدخلات التي لم يتم رؤيتها.
في التعلم الآلي الكلاسيكي، تم معالجة التعلم من عدد قليل من الأمثلة من خلال أساليب التعلم الفوقي: خوارزميات مثل MAML (Model-Agnostic Meta-Learning، Finn وآخرون 2017) و Prototypical Networks (Snell وآخرون 2017) تدرب نموذجًا عبر العديد من المهام المميزة حتى يتمكن من التكيف بسرعة مع مهام جديدة عبر عدد قليل من خطوات النسب أو المقارنات بالأقرب جار في فضاء التضمين. بالنسبة لنماذج اللغات الكبيرة، يأخذ التعلم من عدد قليل من الأمثلة في المقام الأول شكل التعلم السياقي: يتم تنسيق عدة أمثلة مسمّاة كعروض توضيحية مباشرة في الموجه، وينتج النموذج تنبؤات للمدخلات الجديدة دون أي تحديثات للأوزان. أثبت GPT-3 (Brown وآخرون 2020) أن هذا النهج ينطبق عبر مجموعة واسعة من المهام.
التعلم من عدد قليل من الأمثلة مهم لأن البيانات المسمّاة نادرة أو مكلفة في الإنتاج أو غير متوفرة للمهام المتخصصة والسريعة التطور. تستفيد تطبيقات الرعاية الصحية التي تتضمن ظروفًا نادرة ومعالجة اللغات منخفضة الموارد وتصنيف الأحداث الجديدة والتصنيفات الخاصة بالمؤسسات جميعها من التكيف السريع. في تطوير المنتجات، فهو يمكّن النماذج السريعة: يمكن للمطور اختبار مهمة استخراج أو تصنيف جديدة بكتابة عدة أمثلة موضحة في موجه قبل الالتزام بعملية ضبط دقيق.
اعتبارًا من عام 2026، تُظهر نماذج الحدود بما فيها GPT-4o و Claude 3.5 و 3.7 Sonnet و Gemini 2.0 Flash أداءً قويًا في التعلم من عدد قليل من الأمثلة عبر مهام الاستدلال والبرمجة والمخرجات المنظمة مع أقل من ثلاثة إلى خمسة أمثلة في الموجه. انتقل البحث إلى فهم الآليات الكامنة وراء التعلم السياقي والاتجاه نحو أساليب ضبط دقيق فعالة من حيث المعاملات مثل LoRA و QLoRA، التي توفر وسطًا عمليًا بين الموجهات بدون عروض توضيحية والضبط الدقيق الكامل عند توفر بيانات مسمّاة متواضعة.