जीरो-शॉट लर्निंग

जीरो-शॉट लर्निंग (जिसे जीरो-ट्रेनिंग लर्निंग या वन-शॉट लर्निंग के रूप में भी जाना जाता है) एक मशीन लर्निंग पद्धति है जो प्रशिक्षण के लिए किसी लेबल वाले डेटा का उपयोग नहीं करती है। इसका उपयोग उन अनुप्रयोगों में किया जाता है जहां कोई प्रशिक्षण डेटा उपलब्ध नहीं है और इसका उपयोग दृश्य पहचान और प्राकृतिक भाषा प्रसंस्करण से लेकर परिणामों की भविष्यवाणी करने तक विभिन्न कार्यों के लिए किया जा सकता है।

शून्य-शॉट सीखने का मूल विचार एक मॉडल के मौजूदा ज्ञान (आमतौर पर प्रदान किए गए उदाहरणों के एक सेट के आधार पर) का उपयोग करके नए डेटा को वर्गीकृत करने के लिए इसे और अधिक प्रशिक्षित करने की आवश्यकता के बिना करना है। मॉडल तब डेटा की नई कक्षाओं या श्रेणियों को पहचानने में सक्षम होता है जो उसने पहले नहीं देखी हैं।

उदाहरण के लिए, एक कंप्यूटर विज़न सिस्टम को लेबल वाली तस्वीरों के एक सेट का उपयोग करके बिल्लियों और कुत्तों को पहचानने के लिए प्रशिक्षित किया जा सकता है। जब मॉडल बिल्लियों और कुत्तों को पहचानना सीख लेता है, तो इसे अतिरिक्त प्रशिक्षण के बिना घोड़ों और ऊंटों जैसे अन्य जानवरों पर लागू किया जा सकता है। यह कई विशेषताओं, जैसे आकार, आकार, फर का रंग और अन्य विशेषताएं जो जानवरों में स्थिर रहती हैं, के आधार पर मॉडल स्टोर की पहचान की जानकारी होने से संभव हुआ है।

जीरो-शॉट लर्निंग का मुख्य लाभ यह है कि सटीक भविष्यवाणियां करने के लिए कम डेटा की आवश्यकता होती है और अतिरिक्त डेटा की आवश्यकता के बिना अनदेखी कक्षाओं को तुरंत पहचानना सीख सकते हैं। यह उन क्षेत्रों में विशेष रूप से मूल्यवान है जहां डेटा सेट सीमित हैं या मिलना मुश्किल है, जैसे मेडिकल इमेजिंग या प्राकृतिक भाषा प्रसंस्करण। हालाँकि, जीरो-शॉट लर्निंग को अभी भी सेटिंग्स की एक विस्तृत श्रृंखला में लागू किया जा सकता है।

इस पद्धति का उपयोग कंप्यूटर दृष्टि और प्राकृतिक भाषा प्रसंस्करण जैसे क्षेत्रों में बड़ी सफलता के लिए किया गया है, और इसे चिकित्सा छवि विश्लेषण, चेहरे की पहचान, भावना विश्लेषण और 3 डी ऑब्जेक्ट वर्गीकरण जैसे अधिक जटिल कार्यों तक बढ़ाया गया है।

शून्य-शॉट सीखने की क्षमता ने इसे कई कृत्रिम बुद्धिमत्ता अनुप्रयोगों में एक लोकप्रिय उपकरण बना दिया है। यह सीमित डेटा सेट का उपयोग करने का एक प्रभावी तरीका है और इसने एआई को उन क्षेत्रों में उपयोग करने में सक्षम बनाया है जहां डेटा सीमित या मुश्किल हो सकता है।