Few-Shot Learning คืออะไร ? รู้จักเทคนิค AI ที่เรียนรู้ได้จากข้อมูลเพียงไม่กี่ตัว

ปกติแล้ว โมเดล ปัญญาประดิษฐ์ (AI) มักจะต้องใช้ข้อมูลจำนวนมหาศาลในการเรียนรู้ และขัดเกลาให้มันแม่นยำมากขึ้น เพื่อเอามาใช้ประโยชน์หลายอย่าง ไม่ว่าจะเป็น สร้างระบบจดจำใบหน้า, การวิเคราะห์ภาพถ่าย (Image Recognition), แปลภาษา หรือ ประมวลผลข้อมูลเชิงลึก (Deep Learning) แต่ถ้าเรามีข้อมูลเพียงไม่กี่ชุด เช่นมีรูปภาพของแมวเพียง 5 รูป หรือชุดคำศัพท์ใหม่เพียงไม่กี่คำจะฝึก AI ให้แม่นยำได้หรือไม่ ? Few-Shot Learning เป็นเทคนิคที่จะมาช่วยปัญหานี้นั่นเอง 

Few-Shot Learning ก็คือเทคนิคการเรียนรู้ที่ช่วยให้ AI สามารถเข้าใจ และประมวลผลข้อมูลจากตัวอย่างเพียงไม่กี่ตัว แตกต่างจากโมเดลทั่วไปที่ต้องการข้อมูลจำนวนมาก เทคนิคนี้ทำให้ AI สามารถเรียนรู้ได้รวดเร็วขึ้น ใช้ทรัพยากรน้อยลง ทำให้ AI สามารถเข้าใจข้อมูลจำนวนน้อย ๆ และนำไปใช้ในการจดจำ หรือทำนายข้อมูลใหม่ได้ทันที

ในบทความนี้ จะพาทุกคนไปทำความรู้จักกับ Few-Shot Learning อย่างละเอียด ว่ามันคืออะไร ?, ทำงานอย่างไร ?, มีวิธีการใดบ้าง ?, มีความสำคัญอย่างไร ? และตัวอย่างการใช้งาน ถ้าพร้อมแล้วตามมาอ่านกันเลย !

การเรียนรู้แบบ Few-Shot คืออะไร ? (What is Few-Shot Learning ?)

Few-Shot Learning (FSL) เป็นอีกหนึ่งแนวคิดในวิธีของ การเรียนรู้ของเครื่องจักร (Machine Learning) ที่ช่วยให้โมเดลสามารถเรียนรู้ และจดจำข้อมูลใหม่ได้ แม้ว่าจะมีตัวอย่างฝึกเพียงไม่กี่ชุดข้อมูล ซึ่งแตกต่างจากการเรียนรู้แบบเดิม ที่ต้องใช้ข้อมูลจำนวนมากเพื่อให้โมเดลทำงานได้อย่างแม่นยำ

ภาพจาก : https://neurohive.io/en/datasets/7-sites-with-publicly-available-datasets/

โดยแนวคิดนี้อยู่ภายใต้หลักการของ “Meta-Learning” หรือ “การเรียนรู้เพื่อที่จะเรียนรู้” ซึ่งเลียนแบบการทำงานของมนุษย์ เช่น หากเราเห็นนกสายพันธุ์ใหม่เพียงไม่กี่ครั้ง เราก็สามารถจำแนกความแตกต่างของมันจากสัตว์อื่น ๆ ได้ อาศัยความรู้เดิมที่มีอยู่ Few-Shot Learning จึงพยายามเลียนแบบกระบวนการนี้โดยให้ AI เรียนรู้จากตัวอย่างเพียงไม่กี่ตัว และสามารถนำไปใช้กับข้อมูลใหม่ที่ไม่เคยเจอมาก่อนได้

ภาพจาก : https://www.youtube.com/watch?v=hE7eGew4eeg&ab_channel=ShusenWang

ประโยชน์ของ การเรียนรู้แบบ Few-Shot (Benefits of Few-Shot Learning)

ลดการใช้ข้อมูลจำนวนมาก

ในโมเดล Machine Learning แบบดั้งเดิมนั้น จำเป็นจะต้องมีข้อมูลจำนวนมากเพื่อให้โมเดลเรียนรู้ได้อย่างแม่นยำ แต่การรวบรวม และติดป้ายกำกับ (Label) ข้อมูลเหล่านี้มันเป็นกระบวนการที่ใช้เวลานาน และใช้ต้นทุนสูงมาก Few-Shot Learning จะช่วยให้โมเดลสามารถทำความเข้าใจข้อมูลใหม่ได้โดยใช้เพียงตัวอย่างไม่กี่ชุด ทำให้ลดความยุ่งยาก และต้นทุนในการจัดหาข้อมูลนั่นเอง

ลดค่าใช้จ่าย และพลังงานในการประมวลผล

โมเดลทั่วไปต้องฝึกฝนบนชุดข้อมูลขนาดใหญ่ แน่นอนว่าต้องใช้พลังงานประมวลผลมหาศาล แต่ Few-Shot Learning ช่วยให้สามารถใช้ โมเดลที่ฝึกไว้ล่วงหน้า (Pre-Trained Model) นำมาประยุกต์กับหมวดหมู่ข้อมูลใหม่ได้ โดยไม่ต้องฝึกใหม่ทั้งหมด ซึ่งช่วยประหยัดทรัพยากร และทำให้ AI มีประสิทธิภาพมากขึ้น

ช่วยแก้ปัญหา Domain Shift

โมเดล AI ส่วนใหญ่มักถูกฝึกด้วยข้อมูลจากแหล่งใดแหล่งหนึ่ง แต่เมื่อใช้งานจริง ข้อมูลที่เจออาจแตกต่างจากชุดข้อมูลที่ใช้ฝึก ซึ่งปัญหานี้เราจะเรียกว่า Domain Shift เช่น ภาพถ่ายจากกล้องมือถือ กับ กล้อง DSLR อาจมีคุณภาพ และสีสันที่ต่างกัน ดังนั้น Few-Shot Learning จึงช่วยให้ AI สามารถปรับตัว และทำงานได้ดีขึ้นแม้ว่าจะเจอกับข้อมูลที่แตกต่างจากชุดข้อมูลเดิม

ภาพจาก : https://www.researchgate.net/figure/Description-of-domain-shift-and-domain-adaptation_fig1_368676009

หลักการทำงานของ การเรียนรู้แบบ Few-Shot (How does Few-Shot Learning work ?)

Few-Shot Learning อาศัยแนวคิดสำคัญ ๆ อย่าง 3 อย่าง ได้แก่ Transfer Learning, Meta-Learning และ Data Augmentation ซึ่งในแต่ละแนวทางก็มีบทบาทสำคัญที่ทำให้โมเดลสามารถเข้าใจ และประมวลผลข้อมูลใหม่ได้อย่างแม่นยำ แม้จะมีข้อมูลจำกัด เราลองมาดูรายละเอียดของแต่ละแนวคิดกัน

1. Transfer Learning ใช้ความรู้เก่ามาประยุกต์กับงานใหม่

Transfer Learning เป็นเทคนิคที่ให้โมเดลที่เคยฝึกมาก่อนแล้วนำความรู้ที่มีอยู่ไปใช้กับงานใหม่ โดยไม่ต้องเริ่มต้นเรียนรู้จากศูนย์ ตัวอย่างเช่น หากมีโมเดลที่เคยฝึกให้จำแนกภาพของยานพาหนะประเภทต่าง ๆ แล้ว เราก็สามารถนำโมเดลนี้ไปเรียนรู้เกี่ยวกับรถแบบใหม่ ๆ ได้โดยใช้ตัวอย่างเพียงไม่กี่รูป เพราะโมเดลมีพื้นฐานเกี่ยวกับลักษณะทั่วไปของยานพาหนะนั้นอยู่แล้ว

ภาพจาก : https://medium.com/@zgamble30/understanding-and-implementing-transfer-learning-for-image-classification-ea42184af782

ข้อดีของวิธีนี้คือ ช่วยให้โมเดลสามารถเรียนรู้ได้เร็วขึ้น ลดความต้องการข้อมูลจำนวนมาก และลดต้นทุนการประมวลผล แต่ Transfer Learning จะมีประสิทธิภาพสูงสุด เมื่อโมเดลเดิมกับงานใหม่นั้น เกี่ยวข้องกัน หากเราพยายามใช้โมเดลที่ฝึกให้จำแนกประเภทรถ มาเรียนรู้เกี่ยวกับชนิดของสัตว์ ผลลัพธ์ก็จะไม่แม่นยำอย่างแน่นอน

2. Meta-Learning – การเรียนรู้เพื่อที่จะเรียนรู้

Meta-Learning เป็นแนวทางที่ช่วยให้ AI สามารถปรับตัวเข้ากับข้อมูลใหม่ได้อย่างรวดเร็ว โดยไม่ต้องฝึกฝนแบบดั้งเดิม ที่เน้นจำแนกหมวดหมู่ที่แน่นอน แต่ให้ AI ฝึกตัวเองให้เก่งขึ้นด้วยการเรียนรู้สิ่งใหม่ ๆ

ภาพจาก : https://botpenguin.com/glossary/meta-learning

เพื่อให้เห็นภาพง่าย ๆ ทุกคนลองนึกถึงเด็กที่เรียนรู้การขี่จักรยาน เด็กคนแรกอาจเริ่มจากจักรยานมีล้อเล็กๆ ช่วยประคองฝึกทรงตัวไปเรื่อย ๆ และเมื่อโตขึ้นก็สามารถขี่จักรยานสองล้อได้ทั้งหมด โดยไม่ต้องไปฝึกใหม่ Meta-Learning ก็ใช้หลักการเดียวกัน โดยให้ AI ได้เรียนรู้ผ่านหลาย ๆ งานย่อย (Training Episodes) เพื่อให้เข้าใจโครงสร้างของข้อมูล และเมื่อต้องเผชิญกับข้อมูลใหม่ โมเดลจะสามารถปรับตัวและทำนายได้อย่างรวดเร็ว

ข้อดีของ Meta-Learning คือช่วยให้ AI สามารถรับมือกับข้อมูลที่เปลี่ยนแปลงบ่อย วิเคราะห์แนวโน้มใหม่ ๆ ในโซเชียลมีเดีย หรือเจอข้อมูลใหม่ ๆ ได้โดยไม่ต้องฝึกฝนใหม่ทุกครั้ง

3. Data Augmentation – สร้างข้อมูลเพิ่มจากของที่มีอยู่

บางครั้งปัญหาหลักของ Few-Shot Learning คือข้อมูลมีจำนวนน้อยเกินไปจนไม่สามารถฝึกโมเดลให้แม่นยำได้ Data Augmentation จึงเป็นเทคนิคที่ช่วยแก้ปัญหานี้ โดยใช้การดัดแปลงข้อมูลที่มีอยู่ให้มีความหลากหลายมากขึ้น เช่น หมุนภาพ, ปรับแสง, เพิ่ม Noise หรือแม้แต่สร้างข้อมูลใหม่ที่ใกล้เคียงกับของจริงโดยใช้ แบบจำลองเชิงสร้างสรรค์ (Generative Model) เช่น Generative Adversarial Networks (GANs)  ทำให้โมเดลมีตัวอย่างมากขึ้น และลดโอกาสที่มันจะ  Overfitting หรือ “จำแทนที่จะเข้าใจ”

ภาพจาก : https://medium.com/@abburi.sravya/few-shot-learning-leveraging-limited-data-for-machine-learning-cb34b54f071a

4. N-Way K-Shot Classification – โครงสร้างพื้นฐานของ Few-Shot Learning

N-Way K-Shot Classification เป็นแนวคิดพื้นฐานที่ใช้ใน Few-Shot Learning โดยกำหนดกรอบการเรียนรู้ให้โมเดลสามารถฝึกฝนจากตัวอย่างจำนวนน้อยได้

ภาพจาก : https://www.researchgate.net/figure/Example-of-n-wayk-shot-setup-In-this-illustration-we-have-k-examples-for-each-of-n_fig1_344292903

 “N-Way” หมายถึงจำนวนหมวดหมู่ที่โมเดลต้องจำแนก ส่วน “K-Shot” หมายถึงจำนวนตัวอย่างที่มีอยู่ในแต่ละหมวดหมู่ ตัวอย่างเช่น 3-Way 2-Shot Classification หมายถึงการที่โมเดลต้องเรียนรู้จากภาพ 3 หมวดหมู่ โดยแต่ละหมวดหมู่มีตัวอย่างให้เพียง 2 รูป

กระบวนการเรียนรู้จะใช้ สองชุดข้อมูลหลัก ได้แก่

• Support Set : ข้อมูลตัวอย่างที่มีป้ายกำกับ ใช้เป็นแหล่งเรียนรู้ของโมเดล
• Query Set : ข้อมูลที่โมเดลต้องทำการจำแนกโดยอ้างอิงจาก Support Set

โมเดลจะได้รับการฝึกผ่าน Training Episodes โดยแต่ละรอบของการฝึกจะปรับปรุงโมเดลให้แม่นยำขึ้นเรื่อย ๆ วิธีนี้ช่วยให้โมเดลสามารถ ปรับตัวเข้ากับข้อมูลใหม่ได้อย่างรวดเร็ว ไม่ต้องจดจำคลาสใดคลาสหนึ่งโดยเฉพาะ ทำให้สามารถนำไปใช้กับงานที่ต้องจำแนกสิ่งใหม่ ๆ ได้ดีนั่นเอง

ประเภทของ การเรียนรู้ด้วยข้อมูลจำนวนน้อยใน AI (Types of Low-Data Learning in AI)

1. One-Shot Learning – เรียนรู้จากตัวอย่างเพียงตัวเดียว

One-Shot Learning เป็นกรณีพิเศษของ Few-Shot Learning ที่โมเดลต้องเรียนรู้จากตัวอย่างเพียง หนึ่งตัวอย่างต่อคลาส ซึ่งท้าทายมาก เพราะปกติแล้ว AI จำเป็นต้องใช้ข้อมูลจำนวนมหาศาลเพื่อให้สามารถจำแนกหมวดหมู่ได้อย่างแม่นยำ

ภาพจาก : https://bdtechtalks.com/2020/08/12/what-is-one-shot-learning/

หนึ่งในตัวอย่างที่เห็นได้ชัดของ One-Shot Learning คือ ระบบจดจำใบหน้า (Facial Recognition) บนสมาร์ทโฟน เช่น Face ID ที่สามารถเรียนรู้ และจดจำใบหน้าของผู้ใช้จากภาพถ่ายเพียงไม่กี่ภาพ แล้วนำไปใช้ระบุบุคคลได้แม้ในสภาพแสง และมุมกล้องที่แตกต่างกัน

วิธีที่ช่วยให้ One-Shot Learning ทำงานได้ดีขึ้นคือการใช้ Siamese Networks หรือ Matching Networks ซึ่งเป็นโมเดลที่ไม่เน้นการจำแนกคลาสโดยตรง แต่ใช้การวัดความคล้ายคลึงของข้อมูล (Similarity-Based Learning) เช่น คำนวณว่าภาพใบหน้าสองภาพเหมือนกันหรือไม่ ? แทนที่จะให้ AI จดจำรูปแบบของใบหน้าแต่ละแบบนั่นเอง

2. Few-Shot Learning – เรียนรู้จากตัวอย่างจำนวนน้อย

Few-Shot Learning ดังที่กล่าวมาแล้วข้างตน เป็นแนวทางที่ AI สามารถเรียนรู้จากตัวอย่างเพียงไม่กี่ชุด เช่น 5 ตัวอย่างต่อคลาส (5-Shot Learning) หรือ 3 ตัวอย่างต่อคลาส (3-Shot Learning) วิธีนี้ช่วยลดจำนวนข้อมูล และทำให้ AI สามารถนำไปใช้งานได้จริงในกรณีที่มีข้อจำกัดด้านข้อมูล

และเหมือนที่เราได้พูดกันไปแล้วว่า โมเดล Few-Shot Learning มักใช้หลักการ Meta-Learning (การเรียนรู้เพื่อเรียนรู้) ซึ่งช่วยให้ AI สามารถปรับตัวกับข้อมูลใหม่ได้เร็วขึ้นผ่าน Training Episodes หลาย ๆ รอบ ทำให้โมเดลเข้าใจรูปแบบของข้อมูล และสามารถนำไปใช้กับหมวดหมู่ที่ไม่เคยเจอมาก่อนได้

3. Zero-Shot Learning – เรียนรู้โดยไม่ต้องใช้ตัวอย่างเลย

Zero-Shot Learning เป็นรูปแบบที่ท้าทายมากที่สุด เพราะโมเดลต้องสามารถจำแนกข้อมูลใหม่ที่ไม่เคยเจอมาก่อนได้ โดยไม่ต้องมีตัวอย่างให้เรียนรู้เลย อาศัยความรู้จากหมวดหมู่อื่น ๆ ที่เคยเรียนรู้มาก่อน และนำมาเชื่อมโยงเพื่อจำแนกข้อมูลใหม่

ตัวอย่างหากโมเดลเคยเรียนรู้เกี่ยวกับ “ตัวนาก” , “อุรังอุตัง” และ “สิงโต” มาก่อนแล้วต้องจำแนก “แมวน้ำ” หรือ “แมว” โดยไม่มีตัวอย่างให้เรียนรู้มาก่อนโดยตรง AI ก็สามารถใช้ความรู้เกี่ยวกับ ตัวนาก และสิงโต เพื่ออนุมานเช่นว่า “แมว” อาจมีลักษณะคล้าย สิงโต มากกว่าที่จะตัวนาก และอุรังอุตัง นั่นเอง

ภาพจาก : https://www.computer.org/csdl/journal/tp/2023/04/09832795/1F6Q1JoJGne

โดย Zero-Shot Learning มักใช้เทคนิค Semantic Embeddings หรือ Natural Language Processing (NLP) เพื่อเชื่อมโยงข้อมูลระหว่างหมวดหมู่ อาจใช้คำอธิบาย หรือคุณลักษณะของหมวดหมู่ที่มีอยู่ เพื่อช่วยให้ AI สามารถทำนายหมวดหมู่ใหม่ได้โดยไม่ต้องมีตัวอย่างให้เรียนรู้โดยตรง

ตัวอย่างการใช้งาน การเรียนรู้แบบ Few-Shot (Applications of Few-Shot Learning)

1. การจำแนกภาพ (Image Classification)

การจำแนกภาพเป็นหนึ่งในงานที่ Few-Shot Learning ถูกนำไปใช้มากที่สุด เพราะในหลายกรณีข้อมูลที่ใช้ฝึก AI อาจมีจำนวนจำกัด

2. ตรวจจับวัตถุ (Object Detection)

ต่างจากการจำแนกภาพที่ AI ต้องบอกว่า “นี่คืออะไร” การตรวจจับวัตถุ (Object Detection) ไม่ใช่แค่ระบุว่ามีวัตถุอะไรในภาพ แต่ยังต้องระบุตำแหน่งของวัตถุนั้นด้วย

3. การแบ่งส่วนภาพเชิงความหมาย (Semantic Segmentation)

การแบ่งส่วนภาพเชิงความหมายเป็นงานที่ต้องให้ AI แยกแต่ละพิกเซลในภาพออกเป็นหมวดหมู่ เช่น การแยกถนน, รถยนต์ และคนเดินถนนในภาพถ่ายจากกล้องหน้ารถ

4. หุ่นยนต์ (Robotics)

ในส่วนของหุ่นยนต์ หนึ่งในความท้าทายที่สำคัญคือ การให้หุ่นยนต์เรียนรู้ทักษะใหม่ได้อย่างรวดเร็ว โดยไม่ต้องลองผิดลองถูกเป็นร้อย ๆ ครั้งเหมือนในอดีต

ภาพจาก : https://ut-austin-rpl.github.io/TRILL/src/figure/approach.png

มีงานวิจัยที่พัฒนาระบบ ให้หุ่นยนต์เรียนรู้การเคลื่อนที่โดยเลียนแบบมนุษย์ หรือที่เรียกว่า Imitation Learning วิธีนี้ช่วยให้หุ่นยนต์สามารถเรียนรู้จากตัวอย่างการเคลื่อนไหวเพียงไม่กี่ชุด และนำไปใช้ปรับตัวกับสถานการณ์ใหม่ ๆ ได้

5. การประมวลผลภาษาธรรมชาติ (Natural Language Processing – NLP)

ในงานด้านภาษาศาสตร์อย่างการทำ การประมวลผลภาษาธรรมชาติ (NLP) AI มักต้องใช้ข้อมูลมหาศาลในการเรียนรู้ เช่น การสร้าง Chatbot ที่เข้าใจภาษาได้เหมือนมนุษย์ แต่ในบางกรณี เราอาจไม่มีตัวอย่างข้อความเพียงพอ ทำให้การใช้ Few-Shot Learning เป็นทางออกที่ดี ตัวอย่างหนึ่งคือ การใช้ Metric Learning เพื่อให้ AI สามารถจัดหมวดหมู่ข้อความใหม่ได้ แม้ไม่มีตัวอย่างมากนัก วิธีนี้ช่วยให้ AI สามารถนำความรู้ที่เรียนรู้จากชุดข้อมูลหนึ่ง ไปประยุกต์ใช้กับงานอื่น ๆ ได้

ข้อจำกัดของ การเรียนรู้แบบ Few-Shot (Limitations of Few-Shot Learning)

ข้อดีของ Few-Shot Learning มีอยู่หลายประการ ดังที่เราได้พูดกันไปแล้ว ไม่ว่าจะเป็น ลดการใช้ข้อมูลจำนวนมาก, ลดต้นทุน และพลังงานประมวลผล และลดปัญหา Domain shift  อย่างไรก็ตาม เทคโนโลยีนี้มันก็ยังมีข้อจำกัดอยู่เช่นกัน เราลองมาดูว่า Few-Shot Learning มีข้อจำกัดอะไรบ้าง ?

1. ยังมีความแม่นยำน้อยกว่าวิธีที่ใช้ข้อมูลจำนวนมาก

แม้ว่า Few-Shot Learning จะช่วยให้ AI เรียนรู้ได้จากข้อมูลจำนวนน้อย แต่โดยทั่วไปแล้วความแม่นยำมันก็อาจยังไม่เทียบเท่ากับโมเดลที่ฝึกจากข้อมูลจำนวนมาก เพราะ AI อาจยังไม่เข้าใจรูปแบบของข้อมูลได้ดีเท่ากับการฝึกแบบดั้งเดิม

2. ต้องอาศัยเทคนิคที่ซับซ้อน และต้องใช้โมเดลพื้นฐานที่ดี

Few-Shot Learning อาศัยเทคนิคขั้นสูง เช่น Meta-Learning และ Transfer Learning  ซึ่งต้องการโมเดลพื้นฐานที่มีประสิทธิภาพสูง หากโมเดลพื้นฐานไม่มีคุณภาพเพียงพอ หรือข้อมูลต้นฉบับมีความแตกต่างจากข้อมูลใหม่มากเกินไป AI อาจเรียนรู้ได้ไม่ดีเท่าที่ควร

3. เสี่ยงต่อ Overfitting เมื่อมีข้อมูลจำกัด

เนื่องจาก Few-Shot Learning ใช้ข้อมูลจำนวนน้อย AI อาจจำรูปแบบของข้อมูลฝึกได้มากเกินไป (Overfitting) และทำให้ไม่สามารถจำแนกข้อมูลใหม่ที่แตกต่างออกไปได้ดี ปัญหานี้ลักษณะเช่น AI ที่เรียนรู้จากภาพแมวเพียง 5 ตัว อาจเข้าใจว่า “แมวต้องมีสีส้ม” และไม่สามารถแยกแยะแมวสีดำได้ดีนั่นเอง

4. อาจไม่เหมาะกับงานที่ต้องการความแม่นยำสูงมาก

ในบางงาน เช่น การแพทย์ หรือความปลอดภัย ระบบ AI ต้องมี ความแม่นยำสูงมาก และไม่สามารถมีข้อผิดพลาดได้ Few-Shot Learning อาจยังไม่สามารถทดแทนโมเดลที่ใช้ข้อมูลฝึกจำนวนมากได้ทั้งหมด

บทสรุปของ การเรียนรู้แบบ Few-Shot (Few-Shot Learning Comclusion)

Few-Shot Learning (FSL) เป็นแนวทางที่ช่วยให้โมเดลที่ผ่านการฝึกมาก่อนสามารถเรียนรู้ และจำแนกข้อมูลใหม่ได้จากตัวอย่างเพียงไม่กี่ชุด โดยไม่ต้องฝึกใหม่ทั้งหมด ทำให้ AI มีความยืดหยุ่น และสามารถนำไปใช้ในงานที่มีข้อมูลจำกัด

ด้วยความก้าวหน้าของงานวิจัยในปัจจุบัน Few-Shot Learning กำลังพัฒนาไปสู่จุดที่สามารถแข่งขัน หรือเหนือกว่าวิธีการเรียนรู้แบบ Supervised Learning ดั้งเดิมในบางกรณี และเทคนิคที่ซับซ้อนกว่า เช่น One-Shot Learning และ Zero-Shot Learning ก็กำลังถูกศึกษาอย่างจริงจังเพื่อทำให้ AI มีความสามารถใกล้เคียงกับมนุษย์มากขึ้น

ในอนาคต Few-Shot Learning จะมีบทบาทสำคัญในการทำให้ AI ฉลาดขึ้น, ปรับตัวได้ดีขึ้น และสามารถเรียนรู้ได้อย่างมีประสิทธิภาพมากขึ้น เราจะได้เห็นเทคนิคนี้ถูกนำไปใช้ฝึก AI อย่างแพร่หลาย เปลี่ยนแปลงทั้งวิธีการพัฒนาเทคโนโลยี และวิธีที่ AI โต้ตอบกับโลกใบนี้

ที่มา : www.digitalocean.com , www.ibm.com