Zero-shot Leren

Zero-shot learning (ook wel zero-training learning of one-shot learning genoemd) is een machine learning-methode die geen gelabelde gegevens gebruikt voor training. Het wordt gebruikt in toepassingen waarvoor geen trainingsgegevens beschikbaar zijn en kan worden gebruikt voor een verscheidenheid aan taken, variërend van visuele herkenning en natuurlijke taalverwerking tot het voorspellen van resultaten.

Het basisidee van zero-shot learning is om de bestaande kennis van een model te gebruiken (meestal gebaseerd op een reeks aangeleverde voorbeelden) om nieuwe gegevens te classificeren zonder dat deze verder hoeven te worden getraind. Het model kan vervolgens nieuwe klassen of categorieën gegevens herkennen die het nog niet eerder heeft gezien.

Een computervisiesysteem kan bijvoorbeeld worden getraind om katten en honden te herkennen aan de hand van een reeks gelabelde foto's. Nadat het model katten en honden heeft leren herkennen, kan het zonder aanvullende training worden toegepast op andere dieren zoals paarden en kamelen. Dit wordt mogelijk gemaakt doordat het model herkenningsinformatie opslaat als een functie van verschillende kenmerken, zoals vorm, grootte, vachtkleur en andere kenmerken die bij alle dieren constant blijven.

Het belangrijkste voordeel van Zero-shot learning is dat er minder gegevens nodig zijn om nauwkeurige voorspellingen te doen en dat het snel kan leren onzichtbare klassen te herkennen zonder dat er aanvullende gegevens nodig zijn. Dit is vooral waardevol op gebieden waar datasets beperkt of moeilijk verkrijgbaar zijn, zoals medische beeldvorming of natuurlijke taalverwerking. Zero-shot learning kan echter nog steeds in een breed scala aan omgevingen worden toegepast.

Deze methode is met groot succes gebruikt op gebieden als computervisie en natuurlijke taalverwerking, en is uitgebreid naar complexere taken, zoals medische beeldanalyse, gezichtsherkenning, sentimentanalyse en 3D-objectclassificatie.

Het potentieel van Zero-shot learning heeft het tot een populair hulpmiddel gemaakt in veel toepassingen van kunstmatige intelligentie. Het is een effectieve manier om gebruik te maken van beperkte datasets en heeft ervoor gezorgd dat AI kan worden gebruikt op gebieden waar gegevens beperkt of moeilijk verkrijgbaar zijn.