Few-shot Learningとは？

詳しい解説

Few-shot Learning は、プロンプト内に数件 (典型的には 2〜5 件) の入力例と望ましい出力例を含めることで、LLM に対するタスクの形式や期待出力を学習させる手法です。

例えば「文章 → 感情ラベル」を判定させたい場合、3 件の (文章, ラベル) 組をプロンプトに先に提示してから本番のクエリを与えると、出力フォーマットや判定基準が安定します。

例を 1 件だけ提示する One-shot、例を提示しない Zero-shot と対比される概念で、ファインチューニングを行わずに精度を上げる主要なプロンプト技法のひとつです。

実務での使いどころ

出力の形式を揃えたいときに効果が高い手法です。分類作業、データ抽出、決まったフォーマットでの文章生成などで、期待する入出力の例を2〜5組示すだけで精度が大きく変わります。

長い指示文を書くより、良い例を1つ見せる方が早いことが多く、プロンプトを短くする手段としても有効です。

混同しやすい用語との違い

ゼロショットは例を示さず指示だけで実行させる方法、Few-shot は例を数個示す方法です。またファインチューニングと違い、Few-shot はモデルを変更せずプロンプト内で完結するため、その場で試して調整できます。