Единичный подход (Single-instance approach)

В контексте ИИ и ML единичный подход противопоставляется методам, ориентированным на работу с массивами данных, паттернами и статистическими закономерностями. Суть в том, что модель фокусируется на обработке одного образца за раз — как будто рассматривает его под микроскопом, не отвлекаясь на «соседние» данные.

Представьте, что вы учите ребёнка различать фрукты. При единичном подходе вы показываете ему по одному фрукту (сначала яблоко, потом банан, затем апельсин), подробно объясняя особенности каждого, не сравнивая их между собой и не выстраивая общую картину «мира фруктов». Ребёнок запоминает каждый фрукт изолированно.

Исторический контекст

• В ранних системах ИИ (1950–1970‑е гг.) часто применялся именно единичный подход: экспертные системы работали с отдельными правилами и фактами, не учитывая статистические закономерности.
• С развитием машинного обучения (особенно с 1990‑х гг.) на первый план вышли методы, работающие с большими выборками (например, деревья решений, SVM, позже — глубокие нейросети). Единичный подход стал восприниматься как ограниченный, но сохранил свою нишу.
• В последние годы интерес к единичному подходу возродился в контексте few-shot learning и zero-shot learning — задач, где модель должна сделать вывод на основе минимального числа примеров.

Смежные понятия и различия

• Пакетный подход (batch processing) — противоположный метод, при котором модель обучается на группах (пакетах) данных одновременно. Позволяет эффективнее использовать вычислительные ресурсы и лучше улавливать статистические закономерности.
• Онлайн-обучение (online learning) — модель обновляется после каждого отдельного примера, но при этом «помнит» предыдущие данные и адаптируется к ним. В отличие от единичного подхода, здесь есть накопление знаний.
• One-shot learning — частный случай единичного подхода, где модель должна распознать класс объекта по одному примеру. Более строгая формулировка, фокусирующаяся на задаче классификации.

Примеры использования

• One-shot learning в компьютерном зрении: модели, обученные распознавать новые объекты по одному изображению (например, системы идентификации лиц в условиях ограниченного набора данных).
• Обработка естественного языка (NLP): модели, способные понять значение редкого слова или термина на основе единственного контекста (например, в задачах машинного перевода или генерации текста).
• Диагностика в медицине: системы, анализирующие единичный медицинский снимок (МРТ, рентген) для выявления патологии, не сравнивая его с другими снимками того же пациента.
• Ансамблевые методы: иногда отдельные «слабые» модели в ансамбле обучаются на единичных подвыборках данных (например, в бэггинге), хотя итоговая система работает с агрегированными результатами.