---
id: P-REINFORCE-AUTO-FSLR-001
category: "[[10_Wiki/💡 Topics/AI]]"
confidence_score: 0.97
tags: [auto-reinforced, few-shot-learning, llm, prompt-engineering, in-context-learning, meta-learning]
last_reinforced: 2026-04-20
---

# [[Few-Shot-Learning]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "예시 몇 개로 끝내기: 수천만 개의 데이터로 수개월간 학습하는 대신, 이미 거대한 지식을 가진 모델에게 단 몇 개의 입출력 예시(Short examples)만 보여줌으로써 새로운 작업의 맥락을 즉시 파악하게 만드는 효율적인 지능 가동법."

## 📖 구조화된 지식 (Synthesized Content)
퓨샷 러닝(Few-Shot-Learning)은 아주 적은 수의 데이터 샘플을 통해 대상에 대한 학습을 수행하는 기법입니다.

1.  **주요 방식 (In-Context Learning)**:
    *   **Zero-Shot**: 예시 없이 명령만 수행.
    *   **One-Shot**: 예시를 딱 하나 보여줌.
    *   **Few-Shot**: 2~5개 정도의 예시를 프롬프트에 포함하여 패턴을 인지시킴.
2.  **왜 중요한가?**:
    *   데이터 확보가 어려운 특수 도메인에서 AI를 즉각 활용 가능하게 하며, 프롬프트 엔지니어링의 핵심 도구임.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 파라미터를 직접 업데이트하는 '파인튜닝(Fine-tuning) 정책'이 필수였으나, 현대 정책은 거대 모델의 문맥 파악 능력 정책을 활용한 '인컨텍스트 러닝 정책'으로 충분한 성능을 낼 수 있음을 입증함(RL Update).
- **정책 변화(RL Update)**: 단순히 예시를 보여주는 수준을 넘어, 모델이 예시들로부터 스스로 특징을 추출하고 메타적으로 학습하는 '검색 증강 퓨샷 정책' 등으로 고도화 중임.

## 🔗 지식 연결 (Graph)
- [[Gen-AI]], [[Prompt-Engineering]], [[Transfer-Learning]], [[Efficiency]], [[Cognitive Biases]]
- **Modern Tech/Tools**: OpenAI API (System message examples), Anthropic Claude prompts, LangChain (Few-shot templates).
---