Daha önce hiç zebra görmemiş bir çocuk, zebranın çizgili bir ata benzediği söylendiğinde yine de onu tanıyabilir. Sıfır atışlı öğrenme, makinelerden benzer bir şey yapmalarını ister: özellik açıklamaları veya anlamsal ilişkiler gibi yardımcı bilgiler kullanarak, daha önce hiç eğitilmedikleri sınıfları veya görevleri ele almalarını.

Görüntü sınıflandırmasında, sıfır atışlı bir model kedi ve köpekler üzerinde eğitilebilir ancak bir kurt tanımlaması istenebilir. Model "kürk sahibi", "sivri kulaklı" ve "sürü halinde yaşar" gibi nitelikleri öğrenmişse, bir kurtu hiç görmeden bu nitelikleri bir araya getirerek bir kurt temsili oluşturabilir. Görülen ve görülmeyen sınıflar arasındaki köprü genellikle metin açıklamalarından veya bilgi grafiklerinden oluşturulan ortak bir anlamsal alandır.

Neden önemli?

• Sürekli yeni kategoriler ortaya çıkıyor ve bunları etiketlemek yavaş ilerliyor.
• Bazı sınıflar nadirdir veya büyük ölçekte toplanması imkansızdır.
• Büyük dil modelleri artık birçok görevi yalnızca komut isteminden yola çıkarak sıfır atışla gerçekleştiriyor.
• Bu, bir modelin yeni alanlara dağıtılmasının maliyetini düşürür.

Sıfır atışlı modelin performansı, çoğu kıyaslama testinde denetimli öğrenmenin gerisinde kalmaya devam ediyor. Yardımcı tanımlamalar zengin olduğunda ve görünmeyen sınıflar eğitim dağılımına yakın olduğunda bu fark daralıyor. Bunlar birbirinden çok uzak olduğunda ise model kötü ve çoğu zaman kendinden emin bir şekilde tahminlerde bulunuyor.