Aprender com poucos exemplos só faz sentido porque o modelo não começa do zero. Ele já acumulou padrões gerais em um treinamento anterior e os usa como ponto de partida. Aprender uma tarefa nova vira, então, um ajuste fino sobre esse conhecimento já existente.
O que cada forma exige
Com rótulos
- Exige muitos exemplos já classificados
- Sinal de aprendizado direto e confiável
- Bom quando a resposta é bem definida
Sem rótulos
- Exige apenas as entradas
- Revela grupos sem nomear
- Bom para explorar estrutura escondida
Por recompensa
- Exige muitas tentativas
- Sinal vem da consequência
- Bom quando não há resposta única
Com poucos exemplos
- Reaproveita treinamento anterior
- Exige poucos casos novos
- Bom quando rotular é caro ou inviável
Poucos exemplos não fazem milagre: funcionam quando a tarefa nova é próxima do que o modelo já aprendeu. Tarefas muito distantes ainda exigem mais dados.