Waarom is dit belangrijk?
Kwaliteitsproblemen die maar zelden op een lijn voorkomen, worden toch snel herkenbaar zonder eerst een lange periode beeldmateriaal te verzamelen. In de maakindustrie gebruiken inspectieteams few-shot learning bij de dagelijkse kwaliteitscontrole, omdat nieuwe defecten vaak maar weinig foto's opleveren. Medewerkers in de fabriek zien afwijkingen daardoor eerder, maar een te smalle steekproef kan het beeld vertekenen en tot foutieve conclusies leiden.
Zo werkt het in de praktijk
Onderzoekers testen few-shot learning op klantvragen van banken in de verzameling Banking77. Een model herkent daarbij de bedoeling van een vraag met enkele voorbeelden per soort. Bij een regelgevende instantie voor geneesmiddelen haalt een taalmodel feiten uit officiële teksten, binnen het eigen netwerk.
Onderzoekers van Microsoft bekijken of een dialoogsysteem nieuwe antwoorden schrijft met weinig voorbeelden. Zij bouwden de testset FEWSHOTWOZ en het model SC-GPT. Dat model oefent eerst op bestaande dialogen en past zich daarna aan een nieuw onderwerp aan.
Prompt engineering is het opstellen van duidelijke opdrachten voor een generatief model. Medewerkers zetten daarbij few-shot prompting in: een paar voorbeelden in de opdracht. Het model past zich tijdelijk aan via in-context learning, zonder nieuwe training.




