Was ist Zero-Shot-Learning und wie funktioniert es?

Zero-Shot-Learning bezeichnet die Fähigkeit eines KI-Modells, Aufgaben zu erledigen, für die es keine spezifischen Trainingsbeispiele gesehen hat. “Zero” bezieht sich auf die Anzahl der Beispiele für genau diese Aufgabe: null.

Das klingt unmöglich, aber es gibt zwei verschiedene Kontexte, in denen das funktioniert.

Zero-Shot-Learning im klassischen ML

Im traditionellen Machine Learning bezeichnet Zero-Shot-Learning Methoden, bei denen das Modell neue Klassen klassifizieren kann, die es nicht explizit gesehen hat, indem es semantische Beschreibungen der Klassen nutzt. Ein Bildklassifikationsmodell hat keine Zebras gesehen, weiß aber: “Zebra = pferdeähnliches Tier mit Streifen”. Über diese Beschreibung kann es Zebras erkennen, auch ohne Trainingsbilder.

Die Grundlage: Das Modell nutzt den semantischen Raum (Textbeschreibungen, Attribute) als Brücke zu unbekannten Klassen.

Zero-Shot in modernen Sprachmodellen

Bei LLMs wie GPT-4 oder Claude meint Zero-Shot etwas einfacheres und praktisch Wichtigeres: Du beschreibst die Aufgabe im Prompt, ohne Beispiele zu geben. “Klassifiziere den folgenden Text als: Beschwerde, Lob, oder Anfrage.” Das Modell erledigt das, obwohl es nie speziell dafür trainiert wurde.

Das funktioniert, weil diese Modelle durch ihr breites Vortraining umfangreiches Weltwissen und Verständnis für Aufgabenbeschreibungen entwickelt haben.

Zero-Shot vs. Few-Shot

Zero-Shot: Keine Beispiele, nur eine Beschreibung. Einfacher, manchmal weniger zuverlässig. Few-Shot: Einige Beispiele im Prompt. Aufwändiger zu formulieren, oft bessere Ergebnisse bei spezifischen Aufgaben.

Die Empfehlung: Starte mit Zero-Shot. Wenn die Ergebnisqualität nicht reicht, gehe zu Few-Shot über. Das spart Aufwand und hilft zu verstehen, wie viel Anleitung das Modell braucht.

Zero-Shot-Ansätze sind ideal, um schnell zu testen, ob ein KI-Modell für eine Aufgabe geeignet ist. In einer KI-Beratung entwickeln wir daraus strukturierte Implementierungen.