Zero-Shot Learning

/01Was ist Zero-Shot Learning?

Zero-Shot Learning bezeichnet die Fähigkeit eines KI-Modells, Aufgaben zu lösen, für die es nie explizit trainiert wurde und für die keine Beispiele bereitgestellt werden. Das Modell nutzt ausschließlich sein während des Pre-Trainings erworbenes Allgemeinwissen und die Aufgabenbeschreibung im Prompt. Ein Beispiel: Sie bitten ein Sprachmodell, eine E-Mail ins Formelle umzuformulieren. Obwohl es nie gezielt für diese Aufgabe trainiert wurde, kann es sie dank seines breiten Sprachverständnisses erledigen.

Wie funktioniert Zero-Shot Learning?

Zero-Shot Learning basiert auf der Erkenntnis, dass große, auf umfangreichen Datenmengen vortrainierte Modelle implizit viele Fähigkeiten erwerben. Ein Sprachmodell, das Milliarden von Texten gelesen hat, hat dabei sowohl Faktenwissen als auch Aufgabenmuster internalisiert. Es hat genug Übersetzungen gesehen, um übersetzen zu können, genug Zusammenfassungen gelesen, um zusammenfassen zu können, und genug Klassifikationsaufgaben in Textform gesehen, um klassifizieren zu können.

Der Schlüssel liegt in der Formulierung des Prompts. Bei Zero-Shot wird die Aufgabe ausschließlich durch eine Anweisung beschrieben, ohne jedes Beispiel. „Klassifiziere die folgende Nachricht als positiv, neutral oder negativ" ist ein Zero-Shot-Prompt. Die Qualität des Ergebnisses hängt stark davon ab, wie klar und eindeutig die Aufgabe beschrieben wird. Große Modelle wie GPT-4 oder Claude erreichen bei vielen Standardaufgaben bereits im Zero-Shot-Modus eine beeindruckende Qualität. Für spezialisierte oder ungewöhnliche Aufgaben liefert Few-Shot Learning mit wenigen Beispielen oft deutlich bessere Ergebnisse.

Warum ist Zero-Shot Learning wichtig?

Zero-Shot Learning ist für Unternehmen aus zwei Gründen relevant: Erstens ermöglicht es den sofortigen Einsatz von KI ohne aufwändige Datensammlung und Training. Zweitens ist es extrem flexibel. Neue Aufgaben können ohne technischen Aufwand hinzugefügt werden, einfach durch Änderung des Prompts. Das senkt die Einstiegshürde für KI-Projekte erheblich. Allerdings hat Zero-Shot auch Grenzen: Bei komplexen, domänenspezifischen Aufgaben reicht das Allgemeinwissen oft nicht aus, und Few-Shot oder Fine-Tuning liefern dann bessere Ergebnisse.