정의
Few-shot 학습은 AI 모델에 소수의 예시를 제공한 후 새로운 작업을 수행하도록 하는 방식이고, Zero-shot 학습은 학습 데이터 없이도 새로운 작업을 수행하도록 하는 방식이다.
Few-shot Learning
평가 방식:
├─ 몇 가지 예시 제공 (참고서)
├─ "이런 식으로 분류해"
└─ 그에 따라 평가
예시:
├─ "Poodle은 개의 종류입니다"
├─ "Bulldog도 개의 종류입니다"
├─ AI: "그럼 Dachshund도 개의 종류군요"
└─ 평가: ✅ 맞음!
특징:
├─ 상대적으로 쉬움
├─ 지시 따르기 평가
└─ "오픈북 시험"
Zero-shot Learning
평가 방식:
├─ 아무것도 안 알려줌
├─ "생전 처음 보는 주제"
└─ 그래도 할 수 있는가?
예시:
├─ 아무 설명 없이
├─ "이것들의 관계를 파악해"
├─ AI: 스스로 패턴 인식
└─ 평가: 어렵지만 진정한 능력 측정
특징:
├─ 매우 어려움
├─ 자가 학습 및 일반화 평가
└─ "실전 시험"
LLM4OL 챌린지에서의 활용
목표:
├─ Few-shot: 지시 따르기 능력
├─ Zero-shot: 진정한 이해 및 일반화 능력
└─ 둘 다로 AI 평가
결론:
└─ Zero-shot이 더 중요
(새로운 상황에도 적용 가능한가?)
비교표
| 측면 | Few-shot | Zero-shot |
|---|---|---|
| 난이도 | 낮음 | 높음 |
| 예시 제공 | 있음 | 없음 |
| 평가 대상 | 지시 따르기 | 일반화 능력 |
| 신뢰도 | 보통 | 높음 |
| 실용성 | 높음 | 더 높음 |
관련 개념
- Ontology Learning — 평가 대상
- — 적용 사례
- — 학습 전이
- Generalization — 일반화 능력
핵심: Few-shot은 “규칙 따르기”, Zero-shot은 “진정한 이해”를 평가한다.