Apprentissage zero-shot

Définition

L'apprentissage zero-shot désigne le fait qu'un modèle d'IA accomplisse une tâche pour laquelle il n'a jamais été explicitement entraîné ni reçu d'exemples, en s'appuyant sur les connaissances générales acquises pendant le pré-entraînement et sur une description claire de la tâche.

Aussi connu sous : prompting zero-shotinférence zero-shot

Comment cela fonctionne

Avec un grand modèle de langage, vous décrivez la tâche en langage courant — « classe ce ticket comme facturation, technique ou compte » — et le modèle répond sans que vous ayez fourni le moindre exemple étiqueté. Il généralise à partir des schémas absorbés pendant l'entraînement plutôt qu'à partir de données propres à la tâche.

Cela contraste avec le few-shot learning, où vous incluez une poignée d'exemples dans le prompt, et avec l'entraînement supervisé classique, qui exige un jeu de données étiqueté au préalable.

Pourquoi c'est important pour le support

C'est la capacité zero-shot qui rend les agents IA modernes utiles dès le premier jour, sans long projet d'entraînement. Vous pouvez en pointer un sur vos tickets et le faire classer, résumer ou répondre immédiatement — en réservant les exemples ou l'ancrage aux cas où la précision doit être renforcée.

Questions fréquentes

Quelle est la différence entre l'apprentissage zero-shot et few-shot ?

Le zero-shot ne donne au modèle aucun exemple, seulement une description de la tâche. Le few-shot inclut dans le prompt quelques paires exemple d'entrée / sortie attendue pour guider le modèle. Le few-shot améliore généralement la précision sur les tâches délicates ou aux formats contraints.

L'apprentissage zero-shot est-il assez précis pour le support ?

Pour de nombreuses tâches de classification et de réponse, il fonctionne bien d'emblée. Pour les cas nuancés, très spécifiques à un domaine ou à fort enjeu, ajouter des exemples (few-shot) ou un ancrage dans vos propres contenus améliore généralement la fiabilité.

Termes liés

Apprentissage few-shot

L'apprentissage few-shot consiste à guider un modèle d'IA vers une tâche en plaçant un petit nombre d'exemples dans le prompt, pour qu'il reproduise le schéma montré sans le moindre réentraînement..

Grand modèle de langage (LLM)

Un grand modèle de langage (LLM) est un réseau de neurones entraîné sur d'immenses volumes de texte pour prédire et générer du langage, ce qui lui permet de comprendre des questions, de résumer, de classer et de rédiger des réponses proches de l'écriture humaine..

Prompt engineering

Le prompt engineering est la pratique consistant à concevoir et affiner les instructions données à un modèle de langage pour obtenir des résultats exacts, pertinents et fiables sur une tâche précise..

Classification de texte

La classification de texte est la tâche consistant à attribuer automatiquement une catégorie ou une étiquette à un texte — par exemple taguer un ticket de support par sujet, par langue ou par priorité..

Modèle de fondation

Un modèle de fondation est un grand modèle d'IA entraîné à grande échelle sur des données larges et généralistes, que l'on peut adapter à de nombreuses tâches en aval — par prompting, par recherche documentaire ou par fine-tuning — au lieu d'être conçu pour une seule tâche étroite..

Passez à l'action

Macha est une couche d'agents IA qui se pose sur le help desk que vous utilisez déjà, Zendesk, Freshdesk, Front, Intercom ou Gorgias.

Démarrer l'essai