Few-shot Learning adalah paradigma Machine Learning di mana model dilatih untuk belajar dari sangat sedikit contoh—biasanya hanya 2 hingga 5 contoh per kategori—dan tetap dapat menggeneralisasi dengan baik ke data baru. Ini adalah upaya untuk membuat AI lebih mirip manusia, yang dapat belajar konsep baru dari hanya satu atau dua contoh.
Few-shot learning berbeda dari supervised learning tradisional yang membutuhkan ribuan atau jutaan contoh berlabel. Dalam few-shot learning, model memanfaatkan pengetahuan sebelumnya (prior knowledge) yang diperoleh dari pelatihan pada tugas-tugas serupa, sehingga hanya memerlukan sedikit penyesuaian untuk tugas baru.
Teknik few-shot learning sering menggunakan metric learning—model belajar mengukur kemiripan antara contoh baru dan contoh yang sudah ada, daripada mempelajari aturan klasifikasi eksplisit. Pendekatan lain adalah meta-learning atau "learning to learn", di mana model dilatih pada berbagai tugas sehingga dapat dengan cepat beradaptasi dengan tugas baru.
Few-shot learning sangat berguna dalam skenario di mana data berlabel langka atau mahal. Contohnya: diagnosis penyakit langka (hanya ada beberapa kasus), pengenalan spesies langka, personalisasi untuk pengguna individual (misalnya, mengenali wajah pengguna dari beberapa foto), dan adaptasi cepat ke domain baru.
Few-shot learning terkait erat dengan zero-shot learning (tanpa contoh) dan one-shot learning (satu contoh). Kemampuan few-shot learning sangat penting untuk membuat AI lebih fleksibel dan adaptif—tidak harus dilatih ulang dari awal untuk setiap perubahan kecil dalam tugas.
Tantangan few-shot learning termasuk overfitting (model terlalu bergantung pada contoh yang sedikit) dan variasi (bagaimana menangani contoh yang sangat berbeda dari yang pernah dilihat). Namun, kemajuan dalam meta-learning dan model foundation terus mendorong batas-batas few-shot learning.