One-shot learning, bir modelin yeni bir sınıfı ya da görevi tek bir örnekten tanımasıdır. Klasik eğitim mantığında her sınıf için yüzlerce örnek gerekiyor. Burada elde tek örnek var ve modelin bu örneğe bakarak benzerini tanıyabilmesi bekleniyor.
Bunu mümkün kılan şey, modelin sınıfları değil benzerliği öğrenmiş olması. Yüz tanıma sistemleri bunun en bilinen örneği. Model eğitim sırasında milyonlarca yüz görüyor ama amacı kişileri ezberlemek değil, iki yüzün aynı kişiye ait olup olmadığını ayırt eden bir temsil çıkarmak. Yeni bir çalışan sisteme kaydedildiğinde tek bir fotoğraf yetiyor, çünkü karşılaştırma vektör uzayında yapılıyor.
Dil modellerinde aynı terim biraz farklı anlaşılıyor. Orada tek örnek eğitim verisine girmiyor, isteme yazılıyor. İsteme bir giriş ve beklenen çıkış çifti konuluyor, model deseni oradan okuyup aynısını yeni girdi için uyguluyor.
Somut bir örnek: bir destek ekibi gelen talepleri kategorilere ayırıyor ve yeni bir kategori açılıyor. İsteme o kategoriden tek bir örnek talep ve karşılığındaki etiket yazılıyor. Model sonraki taleplerde bu kategoriyi de kullanmaya başlıyor, yeniden eğitim yapılmadan.
Tek örnekle sınırlı kalmanın riski, o örneğin temsil gücü. Seçilen örnek sıra dışıysa model yanlış deseni genelliyor, bu yüzden pratikte birkaç örnek verilerek few-shot tarafına geçiliyor.
