Meta-Öğrenme (Meta-Learning)
Araç kavramlarıMeta-Öğrenme nedir?
Klasik makine öğrenmesinde bir modeli tek bir iş için eğitirsin: kedi mi köpek mi diye ayırsın diye binlerce fotoğraf gösterirsin. Meta-öğrenme bir adım geri çeker kamerayı. Amaç tek bir görevi çözmek değil, yeni görevleri hızlı çözmeyi öğrenmek. Yani model "şu problemi nasıl çözerim"i değil, "yeni bir problemle karşılaşınca nasıl hızlı adapte olurum"u öğrenir. Adı da buradan geliyor: öğrenmeyi öğrenme.
Nasıl çalışır?
Meta-öğrenme eğitimi iki katmanlıdır. İç döngüde model tek tek küçük görevlerle uğraşır, her birinde birkaç örnek görür ve kendini o göreve göre ayarlar. Dış döngüde ise sistem "bu adaptasyonu daha iyi nasıl yapardım" sorusunu optimize eder — yani başlangıç noktasını öyle bir yere çeker ki, oradan herhangi bir yeni göreve birkaç adımda ulaşılsın.
En bilinen yaklaşım MAML (Model-Agnostic Meta-Learning): modeli öyle bir parametre setinde başlatır ki, birkaç gradyan adımıyla yeni göreve otururuz. Başka yaklaşımlar metrik öğrenmeye (örnekleri benzerliklerine göre kıyaslama) ya da bir "öğrenen"i baştan optimize etmeye dayanır.
Neden önemli?
Çünkü veri her zaman bol değil. Nadir bir hastalığı tanıyan bir model için milyon örnek toplayamazsın. Meta-öğrenme, az örnekle (few-shot) iş görebilen sistemlerin temelini kurar. Ayrıca bugün büyük dil modellerinin in-context learning dediğimiz yeteneği — prompt içinde birkaç örnek görüp anında yeni bir kalıba uyması — meta-öğrenmenin ruhuyla akraba: model, eğitim boyunca "yeni bir kalıba nasıl uyulur"u öğrenmiş oluyor.
Kullanım alanları
Robotikte bir robot kolunun yeni bir nesneyi kavramayı birkaç denemede öğrenmesi; tıpta az veriyle nadir vaka sınıflandırması; kişiselleştirmede yeni bir kullanıcıya birkaç etkileşimde adapte olan sistemler; ve dil modellerinde few-shot prompt'ların işe yaraması hep bu fikrin izlerini taşır.
