Zero-Shot Learning ist die Fähigkeit eines Modells, eine Aufgabe oder eine Kategorie zu behandeln, für die es keine Trainingsbeispiele gesehen hat. Möglich wird das über eine Beschreibung: Das Modell kennt die Kategorie nicht aus Beispielen, aber aus Worten.
- Zero-Shot Learning
Die Fähigkeit eines Modells, eine Aufgabe zu lösen, für die es keine Trainingsbeispiele gesehen hat.
Beispiel: „Per Zero-Shot Learning ordnete das Modell Produktfotos einer Kategorie zu, die im Training nicht vorkam.“Wie es funktioniert: Bild und Beschreibung liegen im selben Zahlenraum, siehe Embedding. Dann genügt der Vergleich, welche Beschreibung am nächsten liegt.
Abgrenzung zum Zero-Shot-Prompting: Das meint eine Anweisung ohne Beispiel im Prompt. Hier geht es um die Fähigkeit des Modells selbst, auch ohne Training in dieser Sache.
Warum das praktisch so viel wert ist
Weil es den teuersten Schritt überspringt. Eine Einordnung in neue Kategorien, ohne Beispiele sammeln und beschriften zu müssen, verändert die Rechnung für kleine Projekte vollständig: Statt tausend beschrifteter Bilder braucht es eine Liste mit Kategorienamen. Die Treffsicherheit liegt unter der eines eigens trainierten Modells und für viele Zwecke hoch genug.
Wo die Grenze liegt
Bei allem, was nicht gut benennbar ist. Kategorien aus einem Fach mit eigener Sprache, feine Unterschiede zwischen ähnlichen Dingen, betriebsinterne Einteilungen: Dort versteht das Modell die Beschreibung nicht so, wie sie gemeint ist. Dann helfen einige Beispiele mehr als jede Verfeinerung der Beschreibung.
Was in der Benennung durcheinandergeht
Die Begriffe werden synonym benutzt, obwohl sie Verschiedenes meinen: einmal die Fähigkeit eines Modells, einmal die Form eines Prompts. In Gesprächen lohnt die Rückfrage, was gemeint ist, weil davon abhängt, ob es um die Auswahl eines Modells oder um die Gestaltung einer Anweisung geht.
Wie wir es einsetzen
Als ersten Versuch bei jeder Einordnungsaufgabe. Kategorien in Worten beschreiben, an fünfzig echten Fällen messen, und erst wenn die Quote nicht reicht, über Beispiele oder eine Anpassung nachdenken. In mehreren Projekten war nach diesem ersten Versuch Schluss, weil das Ergebnis genügte.