Zero-shot обучение позволяет моделям находить решения в условиях малых или отсутствующих данных, обучаясь на базе аналогий и векторных представлений. 1 В отличие от традиционного машинного обучения, где модели учатся на размеченных примерах, zero-shot обучение базируется на знаниях, полученных из предыдущих задач, и переносит их на новые ситуации. 1

Некоторые преимущества zero-shot обучения:

• Работа с недостатком данных. 1 Zero-shot подход помогает преодолевать недостаток данных, особенно при работе с редкими объектами или языками. 1
• Гибкость. 1 Модель не привязана к конкретным примерам и может адаптироваться к новым задачам. 1
• Снижение затрат на вычисления. 5 Zero-shot подходит, когда нужно избежать дорогостоящего дообучения, нет времени на подготовку данных или модель развёрнута в облаке, где дообучение недоступно. 5

Некоторые недостатки zero-shot обучения:

• Неточность. 1 Zero-shot подход может страдать от неточности из-за отсутствия прямого опыта с объектами или языками, что влияет на качество работы модели. 1
• Сложность преодоления «разрыва между доменами». 1 Когда знания из одной области должны быть использованы для решения задач в другой области, это остаётся сложной задачей для zero-shot подходов. 1
• Ограниченная способность понимать специфические домены. 5 Без дообучения модель может не знать узкие термины. 5