Tanım
In-Context Learning, bir yapay zekâ modelinin ek eğitimden geçirilmeden, yalnızca prompt içinde verilen bağlam, örnekler ve talimatlar üzerinden görevi anlaması ve uygun çıktı üretmesi yaklaşımıdır. Türkçede bağlam içinde öğrenme olarak açıklanabilir.
Bu yaklaşımda modelin ağırlıkları değişmez. Model, çalışma anında kendisine verilen örneklerden veya açıklamalardan istenen kalıbı çıkarır. Few-shot learning ve zero-shot learning uygulamaları in-context learning ile yakından ilişkilidir.
Örneğin modele üç örnek müşteri yorum sınıflandırması verilip dördüncü yorumun aynı kurala göre sınıflandırılması istenirse, model prompt içindeki örneklerden görevi anlayabilir.
Kökeni
In-Context Learning, büyük dil modellerinin geniş ön eğitimden sonra yeni görevleri bağlam üzerinden anlayabilme kapasitesiyle önem kazanmıştır. Geleneksel makine öğrenimi yaklaşımında yeni görev için çoğu zaman model eğitimi veya fine-tuning gerekir.
Büyük modeller, dil ve görev örüntülerini geniş ölçekte öğrendiği için bazı görevlerde yalnızca talimat ve örneklerle uyum sağlayabilir. Bu durum prompt engineering disiplininin gelişmesini hızlandırmıştır.
In-context learning, AI sistemlerinin hızlı prototipleme ve esnek kullanım senaryolarında değerli hale gelmesini sağlamıştır. Ancak performans, verilen bağlamın kalitesine ve modelin kapasitesine bağlıdır.
Nerelerde Kullanılır?
In-Context Learning, metin sınıflandırma, içerik formatlama, özetleme, veri çıkarımı, müşteri mesajı etiketleme, e-posta taslağı üretme, SEO brief hazırlama ve rapor yorumlama gibi görevlerde kullanılabilir.
Dijital pazarlama ekipleri, modele örnek marka dili metinleri vererek benzer tonda yeni taslaklar üretebilir. Veri analitiği ekipleri, örnek tablo yorumları vererek modelden aynı formatta içgörü isteyebilir.
RAG sistemlerinde getirilen doküman parçaları da modele bağlam sağlar. Model bu bağlamı kullanarak yanıt üretir; ancak bu her zaman klasik anlamda öğrenme değil, bağlamdan yararlanma sürecidir.
Örnek Kullanım
Bir kullanıcı modele üç örnek ürün açıklaması ve bunların hedef kitle etiketlerini verir. Ardından yeni bir açıklama için hedef kitle tahmini ister. Model örneklerden kalıbı çıkararak yanıt verir.
Bir AI uzmanı, “Bu görev için fine-tuning yapmadan önce in-context learning ile few-shot prompt deneyelim” diyebilir.
Karıştırılan Kavramlar
- In-Context Learning ve Fine-Tuning: Fine-tuning modelin eğitimle güncellenmesidir. In-context learning model ağırlıklarını değiştirmeden bağlamdan yararlanır.
- In-Context Learning ve Few-Shot Learning: Few-shot learning birkaç örnekle yönlendirmedir. In-context learning bu örnekleri prompt bağlamında kullanma kapasitesidir.
- In-Context Learning ve Prompt Engineering: Prompt Engineering talimat ve bağlam tasarlama disiplinidir. In-context learning modelin bu bağlamdan görev öğrenmesiyle ilgilidir.
- In-Context Learning ve Training Data: Training data model eğitimi için kullanılır. In-context örnekler çalışma anında modele verilen geçici bağlamdır.
İlgili Terimler
- Few-Shot Learning
- Zero-Shot Learning
- Prompt Engineering
- Fine-Tuning
- LLM
- Context Window
- RAG
- Instruction Tuning
- AI Assistant
Büyüme Mimarisi Notu
In-Context Learning, büyüme mimarisinde AI sistemlerini hızlı ve esnek kullanmayı sağlar. Ekipler her yeni görev için model eğitmeden, iyi örnekler ve bağlamla kaliteli çıktılar alabilir.
Bu yaklaşımın başarısı bağlam kalitesine bağlıdır. Net talimat, doğru örnek, sınırlı ama yeterli bilgi ve beklenen çıktı formatı, AI iş akışlarında güvenilirliği artırır.