زیرو شاٹ لرننگ

زیرو شاٹ لرننگ (زیرو-ٹریننگ لرننگ یا ون شاٹ لرننگ کے نام سے بھی جانا جاتا ہے) ایک مشین لرننگ طریقہ ہے جو تربیت کے لیے کوئی لیبل لگا ڈیٹا استعمال نہیں کرتا ہے۔ یہ ان ایپلی کیشنز میں استعمال ہوتا ہے جہاں کوئی تربیتی ڈیٹا دستیاب نہیں ہوتا ہے اور اسے مختلف کاموں کے لیے استعمال کیا جا سکتا ہے، جس میں بصری شناخت اور قدرتی زبان کی کارروائی سے لے کر نتائج کی پیشین گوئی تک شامل ہیں۔

زیرو شاٹ لرننگ کا بنیادی خیال یہ ہے کہ ماڈل کے موجودہ علم (عام طور پر فراہم کردہ مثالوں کے سیٹ پر مبنی) کو استعمال کرتے ہوئے نئے ڈیٹا کی درجہ بندی کی جائے بغیر اسے مزید تربیت دینے کی ضرورت ہے۔ اس کے بعد ماڈل نئی کلاسز یا ڈیٹا کی کیٹیگریز کو پہچاننے کے قابل ہو جاتا ہے جو اس نے پہلے نہیں دیکھا۔

مثال کے طور پر، کمپیوٹر وژن سسٹم کو لیبل لگی تصاویر کے سیٹ کا استعمال کرتے ہوئے بلیوں اور کتوں کو پہچاننے کی تربیت دی جا سکتی ہے۔ ماڈل نے بلیوں اور کتوں کو پہچاننا سیکھنے کے بعد، پھر اسے دوسرے جانوروں جیسے گھوڑوں اور اونٹوں پر بغیر کسی اضافی تربیت کے لاگو کیا جا سکتا ہے۔ یہ ماڈل سٹور کی شناخت کی معلومات کو کئی خصوصیات، جیسے شکل، سائز، کھال کا رنگ اور دیگر خصوصیات کے ایک فنکشن کے طور پر رکھنے سے ممکن ہوا ہے جو جانوروں میں مستقل رہتی ہیں۔

زیرو شاٹ لرننگ کا بنیادی فائدہ یہ ہے کہ اسے درست پیشین گوئیاں کرنے کے لیے کم ڈیٹا کی ضرورت ہوتی ہے اور یہ اضافی ڈیٹا کی ضرورت کے بغیر جلدی سے غیر دیکھے ہوئے کلاسوں کو پہچاننا سیکھ سکتا ہے۔ یہ خاص طور پر ان شعبوں میں قابل قدر ہے جہاں ڈیٹا سیٹ محدود یا مشکل ہو، جیسے میڈیکل امیجنگ یا قدرتی زبان کی پروسیسنگ۔ تاہم، زیرو شاٹ لرننگ کو اب بھی سیٹنگز کی ایک وسیع رینج میں لاگو کیا جا سکتا ہے۔

اس طریقہ کو کمپیوٹر ویژن اور قدرتی زبان کی پروسیسنگ جیسے شعبوں میں بڑی کامیابی کے لیے استعمال کیا گیا ہے، اور اسے مزید پیچیدہ کاموں تک بڑھایا گیا ہے، جیسے کہ طبی تصویر کا تجزیہ، چہرے کی شناخت، جذبات کا تجزیہ، اور 3D آبجیکٹ کی درجہ بندی۔

زیرو شاٹ لرننگ کی صلاحیت نے اسے مصنوعی ذہانت کے بہت سے ایپلی کیشنز میں ایک مقبول ٹول بنا دیا ہے۔ یہ محدود ڈیٹا سیٹس کا استعمال کرنے کا ایک مؤثر طریقہ ہے اور اس نے AI کو ان علاقوں میں استعمال کرنے کے قابل بنایا ہے جہاں ڈیٹا محدود یا مشکل ہو سکتا ہے۔