머신러닝에는 일반적으로 많은 사례가 필요하다. 어떤 인공지능 모델에게 말이라는 동물을 인지하게 하려면, 수천 장에 달하는 말 사진을 보여줘야 한다. 이러한 이유로 머신러닝에는 많은 컴퓨팅 자원이 필요하다. 머신러닝은 사람의 학습과는 상당히 다르다. 어린 아이에게 어떠한 물체를 인지하게 하려면, 물체에 대해서 몇 가지 또는 심지어 하나의 사례만을 보게 하면 된다.

사실, 아이들은 때때로 어떤 것을 식별하기 위해 아무런 예도 필요하지 않다. 말과 코뿔소의 사진을 보여주며 유니콘이 그 사이 어딘가에 있다고 하면, 그림책에서 신화 속의 동물을 처음 본다 하더라도 아이들은 알아볼 수 있다.

캐나다 온타리오 워털루대에서 발표한 신규 논문에서 인공지능 모델도 LO샷을 할 수 있어야 한다고 제안한다. 이 과정은 연구원들이 “하나보다 적은” 즉, LO샷 학습이라고 부르는 과정이다. 인공지능 모델이 훈련받은 사례 개수보다 더 많은 물체를 정확하게 인식할 수 있어야 한다는 얘기다. 이는 사용된 데이터 세트가 더 커짐에 따라 점점 더 비싸지고 접근하기 어려워진 분야로서는 큰 문제가 될 수 있다.

LO샷 학습의 작동 방식

연구원들은 MNIST라고 알려진 대중적인 컴퓨터 비전 데이터 세트를 실험하면서 LO샷 개념을 처음 입증했다. 0부터 9까지 6만 개의 손으로 쓴 숫자 훈련 이미지가 담긴 MNIST는 현장에서 새로운 아이디어를 시연하는 데 자주 활용된다.