Zero-Shot-Learning

Zero-Shot-Learning (ZSL) ist eine ML-Methode, bei der ein Modell Aufgaben lösen kann, für die es nie explizit trainiert wurde. Es nutzt allgemeine Prinzipien, semantische Ähnlichkeiten und vorhandenes Vorwissen, um neue Herausforderungen zu bewältigen.

Funktionsweise: semantische Ähnlichkeit (Verbindungen zwischen bekannten und neuen Konzepten), Embeddings (mathematische Darstellung von Konzepten), vortrainierte Modelle (GPT, BERT). Beispiel: Modell erkennt Löwen, obwohl nur mit Hunden und Katzen trainiert – durch Verallgemeinerung über „Säugetier mit Fell".

Vorteile: kein Trainingsaufwand, sofort einsetzbar, skalierbar. Herausforderungen: eingeschränkte Präzision gegenüber spezifisch trainierten Modellen, Abhängigkeit von der Qualität des Vortrainings. Anwendungsbereiche: NLP (Übersetzung in neue Sprachen), Bilderkennung (neue Objekte), Gesundheitswesen (seltene Krankheiten), Kundensupport.