ゼロショット学習

定義

ゼロショット学習とは、AI モデルが明示的に学習したことも例を与えられたこともないタスクを、事前学習で得た一般的な知識とタスクの明確な説明だけでこなすことです。

別名: ゼロショットプロンプティングゼロショット推論

仕組み

大規模言語モデルでは、「このチケットを請求・技術・アカウントのいずれかに分類してください」のようにタスクを平易な言葉で説明すると、ラベル付きの例を 1 つも与えなくてもモデルが応答します。タスク専用のデータではなく、学習中に吸収したパターンから一般化しているからです。

これは、プロンプトにいくつか例を含めるfew-shot 学習や、あらかじめラベル付きデータセットを必要とする従来の教師あり学習とは対照的です。

現代の AI エージェントが、長い学習プロジェクトなしに初日から役に立つのは、このゼロショットの能力があるからです。自社のチケットに向けるだけで、分類・要約・回答をすぐに任せられます。例示や接地は、精度をさらに上げたいケースのために取っておけます。

ゼロショット学習と few-shot 学習は何が違いますか？

ゼロショットはモデルに例を与えず、タスクの説明だけを渡します。few-shot は、入力と出力の例をいくつかプロンプトに含めてモデルを導きます。難しいタスクや出力形式が決まっているタスクでは、few-shot のほうが精度が上がるのが普通です。

ゼロショット学習はサポートで使える精度がありますか？

多くの分類タスクや回答タスクでは、そのままでも十分に機能します。ニュアンスが問われるもの、専門領域に特化したもの、失敗の代償が大きいものについては、例を加える（few-shot）か自社のコンテンツで接地させると信頼性が上がります。