Few-Shot Learning bezeichnet eine Methode in der künstlichen Intelligenz, bei der ein KI-Modell neue Aufgaben mit nur wenigen Beispielen lernen kann. Im Gegensatz zum klassischen maschinellen Lernen, das oft tausende von Trainingsdaten benötigt, kommt Few-Shot Learning mit einer Handvoll Beispielen aus – manchmal reichen sogar nur zwei oder drei.
Man kann sich das wie einen besonders begabten Schüler vorstellen, der ein neues Konzept bereits nach wenigen Erklärungen versteht und anwenden kann. Diese Fähigkeit ist besonders wichtig in Situationen, in denen nur begrenzt Trainingsdaten zur Verfügung stehen oder die Beschaffung von Daten sehr aufwendig wäre.
Ein anschauliches Beispiel wäre eine KI in der medizinischen Diagnostik: Während traditionelle Systeme tausende von Röntgenbildern einer bestimmten seltenen Krankheit benötigen würden, kann ein Few-Shot-Learning-System bereits nach dem Studium weniger Beispielbilder diese Krankheit in neuen Fällen erkennen.
Few-Shot Learning basiert dabei auf dem Prinzip, dass das KI-Modell bereits über ein breites Grundwissen verfügt und dieses geschickt auf neue, aber verwandte Aufgaben überträgt – ähnlich wie Menschen ihr Vorwissen nutzen, um neue Situationen zu meistern.