Waarom is dit belangrijk?
Organisaties hoeven niet voor elke nieuwe taak van tevoren een grote set gelabelde voorbeelden te bouwen. In de zorg onderzoeken teams zero-shot learning op dit moment bij medische beelden, omdat voor veel medische taken nog weinig data beschikbaar is. De uitkomsten blijven daarbij vaak minder betrouwbaar dan methoden met enkele voorbeelden, dus een arts moet elke conclusie van het model nog zorgvuldig controleren.
Zo werkt het in de praktijk
Studies in de industrie onderzoeken zero-shot learning bij storingen en bij fouten aan een oppervlak. Een tekst over de storing vormt de brug naar bekende categorieën. OpenAI deelt met CLIP in de ICT beelden in via de klassenaam, ook bij video.
De Zhejiang-universiteit onderzoekt hoe een tekst een storing aanwijst zonder voorbeelden van die klasse. Wikipedia beschrijft een verwante vraag in taalverwerking. Een model deelt dan één tekst in via de betekenis van het label.
Wikipedia noemt zero-shot learning een uiterste vorm van domeinaanpassing. Kennis uit een bekend gebied gaat dan naar een nieuw gebied. Het overzichtsartikel noemt daarbij ook transfer learning, het overdragen van kennis naar een andere taak.




