[2편] Few-Shot · One-Shot · Transfer Learning – 데이터가 부족해도 똑똑하게 배우는 법

AI 모델은 데이터가 많을수록 잘 배웁니다.
하지만 현실에서 “라벨 데이터”는 늘 부족하죠. 🥲
저도 현업에서 가장 많이 들었던 말이 “데이터 라벨링 예산이 없다”, “데이터 수집은 다음 분기에나 가능하다”였습니다.
그래서 오늘은 적은 데이터로도 모델을 똑똑하게 만드는 방법을 알려드리려 합니다.

---

데이터 부족은 왜 문제일까?

Few-shot vs One-shot vs Transfer learning

 

 

딥러닝 모델은 수천, 수만 장의 라벨 데이터를 먹여야 제대로 학습됩니다.
하지만 실무에서는

• 라벨링 비용이 너무 비싸거나
• 데이터가 극도로 희귀하거나
• 빠른 프로토타입이 필요한 상황

같은 이유로 충분한 데이터를 확보하기 어렵습니다.
저도 한 번은 CCTV에서 휠체어만 인식하는 모델을 만들 때, 라벨링된 휠체어 데이터는 500장밖에 없었습니다.
그럼에도 불구하고 모델을 돌려야 했죠.
이런 상황에서 Few-Shot Learning, Transfer Learning 같은 접근법이 구세주가 됩니다.

---

Few-Shot / One-Shot / Zero-Shot Learning

Few-Shot Learning은 모델이 소수의 예시만 보고 학습하는 방법입니다.
예를 들어 GPT 프롬프트에 예시 몇 개만 넣어주고 원하는 형태로 답을 생성하게 하는 것이 바로 Few-Shot입니다.

• One-Shot Learning : 예시 1개로 학습
• Few-Shot Learning : 예시 몇 개(10개 이내)로 학습
• Zero-Shot Learning : 예시 없이도 일반화

💡 실생활 예시

• 얼굴 인식 시스템 : 특정 사람 얼굴 한두 장만 학습해도 인식
• GPT 프롬프트 : "아래처럼 요약해줘" + 예시 2~3개 → 원하는 포맷으로 답변 생성
• 이미지 분류 : 10장 미만의 샘플로 새로운 클래스 학습

제가 해본 One-Shot 사례는 반려견 종 분류 모델입니다.
새로운 강아지 종을 추가할 때 데이터가 3장밖에 없었는데, 기존 모델의 임베딩 공간만 업데이트해도 꽤 잘 맞추더군요.

---

Transfer Learning – 사전학습의 힘

Transfer Learning은 이미 학습된 모델을 가져와 내 문제에 맞게 다시 학습(Fine-tuning)하는 방법입니다.
마치 영어 잘하는 친구에게 “이제부터 불어 공부 좀 같이 하자”라고 하는 느낌입니다.

• Pretrained 모델 불러오기 → ResNet, EfficientNet, BERT 등
• 마지막 레이어만 교체 → 내 데이터에 맞는 클래스 수로 변경
• 짧게 Fine-tuning → 적은 데이터로도 빠른 수렴

💡 실무 활용

• ImageNet으로 학습된 모델 → 공장 불량 탐지 모델로 전환
• 대규모 텍스트로 학습된 BERT → 의료 논문 분류 모델로 전환

저는 공장 불량 탐지 프로젝트에서 Transfer Learning을 적극 활용했습니다.
처음부터 모델을 학습시키면 수십만 장의 데이터가 필요했지만,
사전학습된 모델을 가져와 Fine-tuning하니 1만 장 데이터로도 높은 성능을 얻을 수 있었어요.

---

Meta Learning – 학습하는 법을 학습하기

Meta Learning은 모델이 “배우는 방법” 자체를 학습하는 방식입니다.
새로운 데이터셋이 들어와도 빠르게 적응하도록 학습시키는 거죠.
대표적인 알고리즘으로 MAML(Model-Agnostic Meta-Learning)이 있습니다.

이 방식은 의료 AI처럼 클래스가 자주 바뀌는 상황에서 매우 유용합니다.
저도 의료 영상에서 새로운 병변 클래스가 추가될 때,
Meta Learning을 적용해 모델이 빠르게 적응하도록 실험한 적이 있습니다.

---

데이터 부족 해결 전략 한눈에 정리

• Few-Shot/One-Shot : 소량의 예시로 새로운 태스크 해결
• Zero-Shot : 예시 없이도 일반화된 답 생성
• Transfer Learning : 사전학습 모델을 가져와 내 데이터로 Fine-tuning
• Meta Learning : 새로운 데이터에 빠르게 적응하는 학습법 학습

---

📌 스토리로 다시 정리

데이터가 부족하다고 프로젝트를 포기할 필요는 없습니다.
Few-Shot과 Transfer Learning은 제가 현업에서 가장 많이 쓴 전략입니다.
라벨링 비용을 줄이고도 빠른 프로토타입을 만들 수 있고,
초기 PoC 단계에서 의사결정자 설득에도 큰 도움이 됩니다.

---

결론 – 데이터 부족은 더 이상 변명이 아니다

오늘은 데이터가 부족할 때 쓰는 Few-Shot / Transfer Learning과
Meta Learning, Zero-Shot Learning까지 살펴봤습니다.
이 전략들을 잘 활용하면 라벨이 적어도 강력한 모델을 만들 수 있습니다. 🔥

다음 편에서는 Domain Adaptation, Continual Learning을 다뤄
환경이 달라져도 끄떡없는 AI 모델 만드는 법을 이야기하겠습니다.

여러분은 Few-Shot이나 Transfer Learning을 실무에서 써본 경험이 있나요?
댓글로 공유해 주시면 다음 글에서 함께 소개할 수도 있어요.👇

 

 

다음편은 아래에 있습니다!

https://machineindeep.tistory.com/115

[3편] Domain Adaptation · Generalization · Continual Learning – 환경이 바뀌어도 끄떡없는 AI 만들기