Az Örnekli Öğrenme (Few-Shot Learning)

Few-Shot Learning nedir?

Few-shot learning, bir AI modeline cevap vermesi istenen göreve dair birkaç örnek (genellikle 1-5) sunarak istenen çıktı formatını ve mantığını öğretme tekniği. Modelin parametrelerini değiştirmeden, sadece prompt içine örnekleri yerleştirerek davranışı yönlendirmek anlamına geliyor.

Zero-shot ile farkı net: zero-shot tek başına talimat verirken, few-shot "şöyle yapılır, şöyle yapılır, sıra sende" diyor. One-shot ise sadece tek örnek verdiğin ara durum.

Nasıl çalışır?

Modern büyük dil modelleri, eğitim sırasında karşılaştıkları örüntülerden yola çıkarak prompt içinde verilen örnekleri taklit ediyor. Prompt yapısı tipik olarak şöyle kuruluyor:

• Girdi 1 → Beklenen çıktı 1
• Girdi 2 → Beklenen çıktı 2
• Girdi 3 → ?

Model son satırı tamamlarken önceki örneklerden formatı, etiket setini ve karar mantığını çıkarıyor. Buna in-context learning •bağlam içi öğrenme• deniyor — model gerçek anlamda öğrenmiyor, sadece desen yakalıyor. Konuşma bittiğinde bu "öğrenilen" şey kayboluyor; bir sonraki sohbette örnekleri yine vermen lazım.

Neden önemli?

Few-shot, fine-tuning gerektirmeden hızlıca prototip yapmana izin veriyor. Veri seti hazırlamak ya da eğitim altyapısı kurmak yerine prompt içine 3-5 örnek koyup hemen sonuç alıyorsun. Maliyet düşük, iterasyon hızı yüksek.

Bir diğer avantaj: yeni görevlere hızlı adaptasyon. Modelin görmediği bir formatı few-shot ile öğretebiliyorsun. LLM'lerin bu kadar esnek hissetmesinin temel nedeni de bu yetenek.

Kullanım alanları

• Sınıflandırma görevleri (sentiment, kategori atama)
• Yapılandırılmış çıktı üretimi (JSON, tablo, belirli şablon)
• Çeviri ve dil-arası dönüşümler
• Stil taklit etme (yazı tonu, kod stili)
• Veri etiketleme prototipleme

İpucu: Örnek sayısı arttıkça performans bir noktaya kadar yükseliyor, sonra düzleşiyor. Genelde 3-5 örnek iyi denge. Çok uzun örnek listesi context window'u şişiriyor, maliyeti artırıyor.