【G検定対策】Zero-shot・One-shot・Few-shot学習とは？｜少ない例でもAIが予測できる理由をわかりやすく整理

生成AIがすごいと言われる理由のひとつに、「事前に細かく学習し直さなくても、新しいタスクにある程度対応できる」という特徴があります。

たとえば、翻訳、要約、分類、質問応答など、これまで個別に学習が必要だったことを、少ない指示だけでこなせる場面があります。

ここで重要になるのが Zero-shot、One-shot、Few-shot という考え方です。これは「例を何個見せるか」という違いを表しており、生成AIやLLMの柔軟さを理解する上で欠かせない概念です。

この記事では、それぞれの違いを整理しながら、事前学習（Pre-training）やLLMとの関係もわかりやすく解説します。

Zero-shot・One-shot・Few-shotとは？

これは、AIに「例」をどのくらい見せるか を表す考え方です。

Zero-shot

例を1つも見せずに予測させる方法

例

　「この文章の感情を判定してください」

AIは、事前学習で身につけた知識だけを使って判断します。

One-shot

例を1つだけ見せて予測させる方法

例

　「良い映画だった → ポジティブ」

　「この文章は？」

AIは、1つの例を参考に予測します。

Few-shot

少数（2〜数個）の例を見せて予測させる方法

例

　「良い映画だった → ポジティブ」

　「最悪だった → ネガティブ」

　「この文章は？」

複数の例を見せることで、AIはパターンをつかみやすくなります。

まずは一覧で整理

まとめると下記の表になります。

なぜ少ない例で対応できるのか？

昔のAIでは、新しい仕事をさせるには そのための専用学習 が必要でした。

しかし、LLMは違います。

すでに事前学習で

• 言葉の意味
• 文の流れ
• パターン
• 質問と回答の関係

などを大量に学んでいます。

そのため、「こういう感じで答えてね」という少しの例だけでも、事前に持っている知識を使って推測できる のです。

つまり、少ない例だけで学んでいるのではなく、事前学習の知識を活用している というのが重要なポイントです。

Zero-shot が一番すごいのか？

一見すると「例を見せない Zero-shot が一番すごい」と思うかもしれません。

しかし、実際にはそう単純ではありません。

Zero-shot

手軽だが、意図が伝わりにくいことがある

One-shot

1つ例があるので方向性を伝えやすい

Few-shot

複数例があるので安定しやすい

Zero-shot・One-shot・Few-shot

例が増えるほど、AIが「こういうことね」と理解しやすくなる という傾向があります。

事前学習（Pre-training）との関係

ここがかなり重要です。

Zero-shot・One-shot・Few-shot は、ゼロから学習しているわけではありません。

土台には、事前学習（Pre-training）があります。流れで見ると

というイメージです。

つまり、Zero-shot・One-shot・Few-shot は、事前学習済みAIの使い方の違い と考えるとわかりやすくなります。

ファインチューニングとの違い

ここはよく混同されます。

つまり、Few-shotは「例を見せる」だけ ファインチューニングは「AIそのものを調整する」 という違いがあります。

なぜ生成AIで重要なのか？

ChatGPTのような生成AIが便利なのは、毎回学習し直さなくても

• 翻訳
• 要約
• 分類
• アイデア出し
• コード生成

などに対応できるからです。

この柔軟さの背景にあるのが、Zero-shot・One-shot・Few-shot という考え方です。

特に Few-shot は、「少し例を見せると精度が上がる」という場面が多く、生成AIの使い方としても非常に重要です。

G検定ではどう問われる？

G検定では

• Zero-shot / Few-shot の違い
• 事前学習との関係
• ファインチューニングとの違い
• LLMの特徴との関係

などが問われやすいです。

特に注意したいのは、Few-shot = 再学習ではない という点です。

例を見せているだけで、モデル内部の重みは更新されていません。

この点は選択肢問題でひっかけになりやすいです。

なぜ混同しやすいのか？

混同しやすい理由は

　「例を見せる ＝ 学習している」

ように見えるからです。

しかし実際には

この違いがあります。

また、Zero-shot・One-shot・Few-shot は「学習方法」という言葉が入っていますが、実際には AIの使い方・推論のさせ方 として理解した方がわかりやすいです。

まとめ

Zero-shot・One-shot・Few-shot は、AIにどのくらい例を見せるかの違いを表す考え方です。

ただし重要なのは、これだけで学んでいるのではなく、事前学習で得た知識を活用している という点です。

生成AIが少ない指示でも柔軟に動ける理由を理解するには、この考え方は欠かせません。

また、ファインチューニングとの違いもセットで理解すると、LLMの仕組みがかなり整理しやすくなります。

関連記事・おすすめ記事

事前学習との関係を先に整理したい方はこちらをご覧ください。

関連記事

【G検定対策】事前学習（Pre-training）とは？｜LLMはどうやって大量知識を身につけるのか

AIそのものを調整する仕組みも知りたい方はこちらをご覧ください。

関連記事

【G検定対策】ファインチューニングとは？｜AIはどうやって専門化されるのか

生成AIの土台そのものを理解したい方はこちらをご覧ください。

関連記事

【G検定対策】LLMとは？｜GPTとの違いからわかりやすく整理

1回目不合格でした。不合格だった原因を分析しました。

こちらもおすすめ

【不合格体験談】G検定に落ちた原因｜「成功体験」と「過学習」が落とし穴

公式テキスト

Amazonで確認

Amazonで確認する

楽天市場で確認

楽天市場で確認する

合格時に使用した問題集

Amazonで確認

Amazonで確認する

楽天市場で確認

楽天市場で確認する

運営者

このブログの運営者（文系出身）です。SEO検定1級、ウェブマスター検定1級を取得しました。ブログ運営には「AIの活用は必須」と思いG検定を取得しました。G検定は簡単といわれがちですが1回目は不合格でした。その失敗経験を元に、これから受験する方の助けになればとできるだけわかりやすくG検定対策は解説しています。間違い等あればご指摘いただければ幸いです。