【G検定対策】ディープラーニングの応用例とは？｜画像認識・自然言語処理・生成AIを整理
seo-webmaster
G検定対策ブログ
【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
seo-webmaster
プロモーションが含まれています
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。
ジャンプするもくじ
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。
| 学習方法 | 見せる例 | 特徴 |
|---|---|---|
| Zero-shot | 0個 | 事前学習の知識だけで対応 |
| One-shot | 1個 | 1つの例を参考に予測 |
| Few-shot | 少数 | 複数例からパターンをつかむ |
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
事前学習
↓
指示を与える
↓
少ない例で対応
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。
| 項目 | Zero・One・Few-shot | ファインチューニング |
|---|---|---|
| 重み更新 | しない | する |
| 例の使い方 | 入力時に見せる | 学習に使う |
| モデル内部 | 変わらない | 変わる |
| 目的 | その場で対応 | 専門化 |
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
Few-shot
→
入力の中で例を見せているだけ
ファインチューニング
→
モデル内部を学習して変えている
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。
Zero-shot
→
例なし
One-shot
→
1例
Few-shot
→
少数例
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
Zero-shot・One-shot・Few-shot学習を理解するには、事前学習、ファインチューニング、LLMとの関係をあわせて整理しておくと理解しやすくなります。
| 読む記事 | 確認できる内容 |
|---|---|
| 事前学習とは？ | 大量データでの学習／LLMの土台／Few-shotとの関係 |
| ファインチューニングとは？ | 追加学習／専門化／Few-shotとの違い |
| LLMとは？ | 大規模言語モデル／GPTとの違い／生成AIとの関係 |
重要用語・混同しやすい用語チェックシート
G検定で重要な用語をチェックシートとしてまとめました。
G検定で混同しやすい用語をチェックシートとしてまとめました。
公式テキスト・おすすめ問題集
公式テキスト
Amazonで確認
楽天市場で確認
合格時に使用した問題集
Amazonで確認
楽天市場で確認
※：1回目の受験の際、定番と言われている黒い問題集も購入しましたが、本番とは乖離している印象でした。
書いている人
このブログの運営者です。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。
