iPAS 備考專區 登入

iPAS AI 應用規劃師 初級 科目二 生成式 AI 應用與規劃・115 年第一次・L12・第 30 題

少樣本學習(Few-shot Learning)的主要特徵是什麼?

原題

某市政府環保局想建立一個垃圾分類查詢系統,讓市民輸入物品名稱後自動判斷分類。由於垃圾種類繁多,但每種分類的訓練範例有限,工程師決定採用少樣本學習(Few-shot Learning)技術。下列何者為少樣本學習(Few-shot Learning)的主要特徵?

白話

市政府要建一個垃圾分類查詢系統,讓市民輸入物品名稱就能知道怎麼分類。麻煩的是,每種分類的訓練資料很有限,工程師決定用少樣本學習(Few-shot Learning)來解決這個問題。

問你:Few-shot Learning 的主要特徵是什麼?

一句話總結

Few-shot Learning 的核心特徵是:給模型少量示例(幾個到幾十個),它就能舉一反三處理新任務,不需要重新蒐集大量標注資料,也不是完全不需要示例。

情境

先感受問題:垃圾分類種類太多,每類只有幾筆資料怎麼辦?

假設你在「台南市環保局」幫忙建垃圾分類 AI 系統。台南市把垃圾分成 30 幾個類別:一般垃圾、資源回收(紙、塑膠、金屬、玻璃各別)、廚餘、有害廢棄物、大型家具、電子廢棄物……

問題是:「廢電池」這個分類每個月被問到的次數很少,資料庫裡只有 15 筆歷史查詢紀錄;「廢藥品」更少,只有 8 筆。傳統機器學習需要每個類別至少幾百筆才能訓練,這些類別根本不夠用。

但這些類別偏偏很重要,搞錯了可能造成環境污染。

你需要一種方法:只給幾個示例(「這是廢電池,屬於有害廢棄物」「這是廢油漆,屬於有害廢棄物」),模型就能學會辨認這個類別的其他物品。這就是 Few-shot Learning。

舊方法

傳統方法面對稀少類別的困境

在 Few-shot Learning 之前,工程師面對「每類樣本少」的問題,只有幾個選擇,都不理想:

  1. 蒐集更多資料:雇人去標注更多「廢電池」案例,但現實中這類物品確實少見,蒐集幾百筆要花很多時間
  2. 合併類別:把「廢電池」「廢藥品」「廢油漆」都合成「有害廢棄物」一個大類。但這樣查詢時就無法告訴市民具體要怎麼丟
  3. 規則式系統:手動寫關鍵字規則(「電池」→有害廢棄物)。規則會有漏網之魚(市民可能輸入「AA 電池」「充電電池」「鈕扣電池」,每種要單獨設規則)
  4. 放棄這些稀少類別:只做能收集到足夠資料的類別,其他一律回答「請洽環保局」。服務品質大打折扣
  5. 資料增補(Data Augmentation):用各種方法人工生成更多訓練資料。但對語意複雜的分類效果有限

新方法

Few-shot Learning 怎麼解

Few-shot Learning 的核心思路是:預訓練好的大型模型已經有豐富的語言理解能力,只需要幾個示例就能「快速領悟」新任務的模式。

在垃圾分類系統中,Few-shot Learning 的實際運作方式有兩種:

方式一:提示詞示例(In-context Learning)。在每次查詢時,把幾個示例放進提示詞:「廢電池 → 有害廢棄物;廢藥品 → 有害廢棄物;廢油漆 → 有害廢棄物;請問:舊溫度計屬於?」模型看到示例就能類推。

方式二:小樣本微調(Few-shot Fine-tuning)。用幾十筆示例對預訓練模型做輕量級微調,讓它專注學習這個分類任務的模式,不需要從頭訓練。

台南市環保局用 Few-shot Learning,只需要每個類別 5-20 個示例,就能讓系統識別出「舊溫度計、廢針筒、過期農藥」都屬於有害廢棄物,準確率大幅提升。

這就是選項 B 講的:透過少量任務示例,引導模型適應新情境或新分類需求。

錯選項

為什麼其他選項是錯的

A需重新蒐集大規模標注資料,以確保模型具備穩定表現

字面在說什麼

要讓模型表現好,就要蒐集大量有標籤的資料重新訓練。

為什麼不對

這說的是「傳統監督學習」的做法,也正是 Few-shot Learning 想要解決的問題。Few-shot 的核心特徵就是「不需要大量資料」,只用少量示例就能運作。A 和 Few-shot 的精神完全相反。

誰會選錯

對 Few-shot Learning 沒有概念,以為「好的 AI 一定要大量資料」的人。

C不需任何範例輸入,即可完成新任務推論

字面在說什麼

完全不給任何示例,模型也能做新任務。

為什麼不對

這說的是 Zero-shot Learning,不是 Few-shot Learning。「Few」的意思就是「幾個」,需要幾個示例。完全不需要示例是 Zero-shot 的特徵。兩個概念很像但不同,考試常考這個區分。

誰會選錯

把 Few-shot 和 Zero-shot 混在一起,或者認為「少量示例」等於「不需要示例」的人。

D僅適用於自然語言處理任務,對其他模態效果有限

字面在說什麼

Few-shot Learning 只在 NLP 領域有效,圖片、聲音等任務效果不好。

為什麼不對

這是錯誤的。Few-shot Learning 在電腦視覺(如 CLIP 模型辨識新類別)、語音辨識、甚至機器人控制等領域都有廣泛應用。Few-shot 是一個跨模態的技術概念,不限於 NLP。

誰會選錯

接觸 Few-shot 的場景主要是 GPT 的提示詞工程,因此誤以為這個技術只屬於語言領域的人。

變形題

同個考點下次怎麼變形

延伸

想再往下看,這 5 個

答案、題目或解析有問題?回報這題

出處:iPAS 經濟部產業人才能力鑑定 ・ 115 年第一次 iPAS AI 應用規劃師 初級 科目二 生成式 AI 應用與規劃 第 30 題

看官方原文 PDF

原題 © 經濟部產業發展署,AITerms.tw 僅作教學解析使用,本站解析以 CC BY-NC-SA 4.0 授權。