Zero-shot Learning
Modelin hiç örnek görmeden yeni bir görevi yerine getirebilmesi.
Sıfır atışlı öğrenme (zero-shot learning), bir modelin, eğitim sırasında o spesifik görev türüne dair hiçbir doğrudan örnek görmeden, yalnızca doğal dilde verilen bir talimata dayanarak yeni bir görevi yerine getirebilmesi yeteneğidir. Örneğin bir büyük dil modeline hiç örnek vermeden "Bu müşteri yorumunun duygu tonunu olumlu, olumsuz veya nötr olarak sınıflandır" denildiğinde, model daha önce bu spesifik formatta hiç eğitilmemiş olsa bile, ön eğitim sırasında öğrendiği genel dil ve dünya bilgisini kullanarak makul bir cevap üretebilir. Bu yetenek klasik makine öğrenmesi modellerinde neredeyse hiç yoktu; her yeni görev için ayrı, etiketli eğitim verisi gerekiyordu.
Zero-shot öğrenme, büyük dil modellerinin ölçek büyüdükçe ortaya çıkan ("emergent") yeteneklerinden biri olarak kabul edilir ve modelin gerçekten genelleme yapıp yapamadığının önemli bir göstergesidir. Pratik açıdan büyük değer taşır: yeni bir görev için pahalı ve zaman alıcı veri etiketleme ve model eğitimi süreçlerine gerek kalmadan, doğrudan bir talimatla sonuç almak mümkün hale gelir. Ancak zero-shot performansı her zaman en yüksek doğruluğu vermeyebilir; karmaşık veya alışılmadık görevlerde, modele birkaç örnek gösteren few-shot öğrenme veya modeli o göreve özel eğiten fine-tuning genellikle daha güvenilir sonuçlar sağlar.
Zero-shot öğrenme, büyük dil modellerinin ölçek büyüdükçe ortaya çıkan ("emergent") yeteneklerinden biri olarak kabul edilir ve modelin gerçekten genelleme yapıp yapamadığının önemli bir göstergesidir. Pratik açıdan büyük değer taşır: yeni bir görev için pahalı ve zaman alıcı veri etiketleme ve model eğitimi süreçlerine gerek kalmadan, doğrudan bir talimatla sonuç almak mümkün hale gelir. Ancak zero-shot performansı her zaman en yüksek doğruluğu vermeyebilir; karmaşık veya alışılmadık görevlerde, modele birkaç örnek gösteren few-shot öğrenme veya modeli o göreve özel eğiten fine-tuning genellikle daha güvenilir sonuçlar sağlar.