Zero-Shot Learning

Wat is zero-shot learning?

Zero-shot learning is het vermogen van een AI-model om een taak uit te voeren of iets te herkennen zonder dat het daar tijdens de training voorbeelden van heeft gezien. Het model leunt op algemene kennis en op beschrijvingen van het nieuwe: een beeldherkenningsmodel dat nooit een zebra zag, kan er toch een herkennen als het weet dat een zebra “een paardachtige met strepen” is.

Hoe werkt het?

De kern is dat het model tijdens de training niet alleen voorbeelden leert, maar ook de betekenis erachter, vaak via tekstbeschrijvingen of kenmerken die als vectoren worden vastgelegd. Komt er een nieuwe categorie voorbij, dan vergelijkt het model die beschrijving met wat het al kent en generaliseert het. Bij grote taalmodellen heeft de term een praktische draai gekregen: zero-shot prompting betekent dat je het model een taak geeft zonder voorbeelden mee te sturen, gewoon met een duidelijke instructie. Vraag je “vat deze klachtenmail samen en geef de toon weer”, dan doet een modern taalmodel dat zonder ooit specifiek op jouw klachtenmails getraind te zijn. Geef je wel een paar voorbeelden mee, dan heet het few-shot.

Wat heb je eraan als bedrijf?

Zero-shot is de reden dat je met AI-tools direct aan de slag kunt zonder eigen trainingsdata. Teksten classificeren, mails sorteren op urgentie, reviews labelen op sentiment: een taalmodel doet het meteen redelijk goed op basis van alleen een instructie. Dat scheelt de kosten en doorlooptijd van het verzamelen en labelen van data. Pas als zero-shot tekortschiet, loont het om voorbeelden toe te voegen of een model bij te trainen.

Gerelateerde begrippen

Zero-shot learning is een vorm van machine learning die sterk leunt op embeddings. Het hangt nauw samen met transfer learning en is een van de opvallendste eigenschappen van large language models.