Zero-shot Learning – rozpoznawanie kategorii, których model nigdy nie widział.

Technika umożliwiająca modelom sztucznej inteligencji rozpoznawanie i klasyfikowanie danych należących do kategorii, które nie były bezpośrednio dostępne podczas procesu uczenia. W przeciwieństwie do tradycyjnego podejścia, gdzie model uczy się na podstawie przykładów wszystkich możliwych klas, w tym przypadku system wykorzystuje posiadaną wiedzę ogólną lub reprezentacje cech, aby dokonać przyporządkowania nowych, wcześniej nieznanych kategorii. Dzięki temu możliwe jest rozszerzenie zakresu działania modeli bez konieczności ich ponownego trenowania na ogromnych zestawach danych.

W praktyce zero-shot learning opiera się na mechanizmach transferu wiedzy, często poprzez reprezentacje semantyczne, takie jak wektory osadzeń (embeddingi) słów czy opisów tekstowych, które łączą znane modele z nowymi kategoriami. Metoda ta znajduje zastosowanie m.in. w przetwarzaniu języka naturalnego, rozpoznawaniu obrazów czy systemach rekomendacji, gdzie liczba potencjalnych klas jest zbyt duża lub zmienia się dynamicznie. Technologia ta pozwala na znaczne zwiększenie elastyczności i adaptacyjności systemów AI, umożliwiając efektywne działanie w warunkach z ograniczonym dostępem do danych treningowych dla nowych zadań.