Pembelajaran Zero-shot

Pembelajaran sifar pukulan (juga dikenali sebagai pembelajaran latihan sifar atau pembelajaran satu pukulan) ialah kaedah pembelajaran mesin yang tidak menggunakan data berlabel untuk latihan. Ia digunakan dalam aplikasi yang tiada data latihan tersedia dan boleh digunakan untuk pelbagai tugas, daripada pengecaman visual dan pemprosesan bahasa semula jadi kepada meramalkan hasil.

Idea asas pembelajaran sifar pukulan adalah untuk menggunakan pengetahuan sedia ada model (biasanya berdasarkan set contoh yang disediakan) untuk mengklasifikasikan data baharu tanpa perlu melatihnya lagi. Model itu kemudiannya dapat mengenali kelas atau kategori baharu data yang tidak pernah dilihatnya sebelum ini.

Sebagai contoh, sistem penglihatan komputer boleh dilatih untuk mengenali kucing dan anjing menggunakan set foto berlabel. Selepas model itu belajar mengenali kucing dan anjing, ia kemudiannya boleh digunakan untuk haiwan lain seperti kuda dan unta tanpa latihan tambahan. Ini dimungkinkan dengan model menyimpan maklumat pengecaman sebagai fungsi beberapa ciri, seperti bentuk, saiz, warna bulu dan ciri lain yang kekal malar merentas haiwan.

Kelebihan utama pembelajaran zero-shot ialah ia memerlukan lebih sedikit data untuk membuat ramalan yang tepat dan boleh belajar dengan cepat untuk mengenali kelas yang tidak kelihatan tanpa memerlukan data tambahan. Ini amat berharga dalam bidang yang set data terhad atau sukar diperoleh, seperti pengimejan perubatan atau pemprosesan bahasa semula jadi. Walau bagaimanapun, pembelajaran sifar pukulan masih boleh digunakan dalam pelbagai tetapan.

Kaedah ini telah digunakan untuk mencapai kejayaan besar dalam bidang seperti penglihatan komputer dan pemprosesan bahasa semula jadi, dan telah diperluaskan kepada tugas yang lebih kompleks, seperti analisis imej perubatan, pengecaman muka, analisis sentimen dan klasifikasi objek 3D.

Potensi pembelajaran zero-shot telah menjadikannya alat yang popular dalam banyak aplikasi kecerdasan buatan. Ia merupakan cara yang berkesan untuk menggunakan set data terhad dan telah membolehkan AI digunakan di kawasan yang data mungkin terhad atau sukar diperoleh.