Aprendizagem de tiro zero

O aprendizado zero-shot (também conhecido como aprendizado zero-training ou aprendizado one-shot) é um método de aprendizado de máquina que não usa dados rotulados para treinamento. É usado em aplicações em que não há dados de treinamento disponíveis e pode ser usado para uma variedade de tarefas, desde o reconhecimento visual e o processamento de linguagem natural até a previsão de resultados.

A ideia básica do aprendizado zero-shot é utilizar o conhecimento existente de um modelo (geralmente baseado em um conjunto de exemplos fornecidos) para classificar novos dados sem a necessidade de treiná-lo ainda mais. Assim, o modelo é capaz de reconhecer novas classes ou categorias de dados que não tenha visto antes.

Por exemplo, um sistema de visão computacional pode ser treinado para reconhecer cães e gatos usando um conjunto de fotos rotuladas. Depois que o modelo tiver aprendido a reconhecer cães e gatos, ele poderá ser aplicado a outros animais, como cavalos e camelos, sem treinamento adicional. Isso é possível porque o modelo armazena informações de reconhecimento como uma função de vários recursos, como forma, tamanho, cor da pele e outros recursos que permanecem constantes em todos os animais.

A principal vantagem do aprendizado zero-shot é que ele requer menos dados para fazer previsões precisas e pode aprender rapidamente a reconhecer classes não vistas sem a necessidade de dados adicionais. Isso é especialmente valioso em campos em que os conjuntos de dados são limitados ou difíceis de obter, como imagens médicas ou processamento de linguagem natural. No entanto, o aprendizado de disparo zero ainda pode ser aplicado em uma ampla variedade de configurações.

Esse método tem sido usado com grande sucesso em áreas como visão computacional e processamento de linguagem natural, e foi estendido a tarefas mais complexas, como análise de imagens médicas, reconhecimento facial, análise de sentimentos e classificação de objetos 3D.

O potencial do aprendizado zero-shot o tornou uma ferramenta popular em muitos aplicativos de inteligência artificial. É uma maneira eficaz de usar conjuntos de dados limitados e permitiu que a IA fosse usada em áreas em que os dados podem ser limitados ou difíceis de obter.