ゼロショット学習とは、AIモデルが学習時に一度も見たことのないデータやタスクに対して、事前の追加学習なしで適切に応答や推論を行う機械学習の手法です。事前の知識や文脈の汎用的な理解をベースにして未知の課題を解決します。
ゼロショット学習とは
一言でいうとゼロショット学習とは、訓練データに含まれていない未知のタスクやカテゴリであっても、言葉の意味やこれまでの知識を応用して直接正解を導き出すAIの能力です。
詳しく解説
ゼロショット学習は、事前学習済みの巨大なAIモデルにおいて広く活用されています。従来の機械学習では、特定のタスクをこなすために必ずそのタスク専用の訓練データを用いた追加学習が必要でした。しかし、近年の大規模言語モデルやマルチモーダルモデルは、単語や概念同士の関連性を多次元の空間で高度に理解しているため、指示文やプロンプトによって未知の作業を直接指示されても対応できます。これにより、個別のタスクごとにモデルを作り直すコストが大幅に削減され、AIの汎用性が劇的に向上しました。
具体例・使われ方
具体的な利用例としては、一度も日本語からフランス語への翻訳タスク専用の訓練を受けていない大規模言語モデルに対し、「以下の日本語をフランス語に翻訳してください」という指示（プロンプト）を与えるだけで、正確に翻訳を出力するケースがあります。また、画像認識の分野では、見たことのない動物の写真を見せた際、その動物に関するテキスト情報や特徴の説明をあらかじめモデルが知っていれば、画像を正しく分類できる事例などがあります。
似た用語との違い
ファインチューニングやフューショット学習との違いとして、ゼロショット学習は未知のタスクに対して追加のパラメータ更新や学習用サンプルを一切与えずに実行する点が異なります。これに対し、フューショット学習は少数の例題を提示してモデルにその場で学習させ、ファインチューニングは専用のデータセットを使ってモデルの重みを再調整します。
注意点
注意点として、ゼロショット学習は万能ではなく、モデルが学習時に得た知識の範囲やプロンプトの記述方法に性能が大きく左右されるという限界があります。専門的すぎる知識や極端に複雑な推論を必要とする場合、追加学習を行わなければ誤った回答やもっともらしい嘘を出力するハルシネーションが発生しやすくなるため注意が必要です。