One-Shot-Aufgabe

Wenn ein Computerprogramm etwas Neues lernen soll, bekommt es normalerweise sehr viele Beispiele. Für eine Aufgabe wie „erkenne Katzen auf Fotos“ können das hunderttausende Bilder sein. Eine One-Shot-Aufgabe funktioniert anders: Das System sieht genau ein einziges Beispiel und soll danach die passende Lösung liefern. Man zeigt ihm also einmal, wie das Ergebnis aussehen soll, und erwartet, dass es das Muster überträgt. Der Name kommt aus dem Englischen und heißt wörtlich „ein Schuss“, im Sinne von „ein einziger Versuch“. Es gibt auch die Nachbarbegriffe Zero-Shot (gar kein Beispiel, nur eine Beschreibung) und Few-Shot (eine Handvoll Beispiele).

Warum ein einziges Beispiel so viel wert ist

Beispiele zu sammeln kostet Zeit und Geld. Wer ein System darauf trainieren will, Röntgenbilder zu beurteilen, braucht Ärztinnen und Ärzte, die tausende Bilder von Hand beschriften. Für seltene Krankheiten gibt es diese Menge an Bildern schlicht nicht. Genau da wird interessant, ob ein System schon mit einem Beispiel brauchbare Ergebnisse liefert.

Für Menschen ist das übrigens normal. Ein Kind, dem man einmal ein Zebra zeigt, erkennt danach jedes Zebra. Es hat vorher schon gelernt, wie Tiere aussehen, wie Streifen aussehen, wie Größenverhältnisse funktionieren. Das eine Beispiel muss nur noch das Neue hinzufügen. Genau dieses Vorwissen ist der Grund, warum One-Shot bei modernen KI-Systemen überhaupt klappt.

In der Praxis dient die Fähigkeit außerdem als Gütemaßstab. Wenn ein Sprachmodell eine Aufgabe mit einem Beispiel löst, gilt es als flexibler als eines, das zwanzig braucht. Firmen werben deshalb ausdrücklich mit One-Shot- und Zero-Shot-Ergebnissen ihrer Modelle.

Vorwissen plus ein Muster: der Mechanismus dahinter

Der entscheidende Punkt: Bei einer One-Shot-Aufgabe lernt das Modell nicht wirklich neu. Seine internen Werte, die sogenannten Parameter, bleiben unverändert. Das Beispiel steht einfach mit in der Eingabe, also im Text, den man dem Modell schickt. Das Modell erkennt dort ein Muster und setzt es fort.

Ein konkreter Fall: Man schreibt „Berlin – Deutschland“ und fragt dann nach „Rom –“. Das Modell antwortet „Italien“, obwohl niemand die Regel „nenne das Land zur Hauptstadt“ ausgesprochen hat. Das eine Beispiel hat die Aufgabe eindeutig gemacht. Ohne Beispiel hätte das Modell auch die Einwohnerzahl oder die Sprache nennen können.

Ein häufiger Irrtum ist, One-Shot mit Feintuning zu verwechseln. Beim Feintuning wird ein Modell mit zusätzlichen Daten nachtrainiert und behält das Gelernte dauerhaft. Bei One-Shot ist der Effekt weg, sobald das Gespräch endet. Die Fähigkeit steckt vollständig im Vortraining, das Beispiel ist nur der Hinweis, welche dieser Fähigkeiten gerade gefragt ist.

One-Shot im Chatfenster und in Produktmeldungen

Wer einen Chatbot benutzt, wendet die Technik oft unbewusst an. Wenn du schreibst „Fasse das so zusammen“ und ein fertiges Beispiel danebenstellst, ist das eine One-Shot-Aufgabe. Die Antworten werden dadurch spürbar gleichmäßiger, besonders bei Format und Tonfall. Programmierer nutzen das, um saubere Tabellen oder Datensätze zu erzwingen.

Auch außerhalb von Text taucht der Begriff auf. Gesichtserkennung am Handy ist ein klassischer One-Shot-Fall: Ein Foto reicht, danach wird jedes weitere Bild damit verglichen. Ähnlich arbeiten Stimmklon-Dienste, die aus wenigen Sekunden Aufnahme eine Stimme nachbilden.

In Nachrichten über neue Modelle stehen One-Shot-Werte meist in Vergleichstabellen, neben Zero-Shot und Few-Shot. Solche Zahlen sind mit Vorsicht zu lesen. Ein Modell kann bei einer Aufgabe glänzen und bei einer anderen mit demselben einen Beispiel scheitern, weil das Beispiel mehrdeutig war.