Sade anlatım
İşi tarif edersiniz, model de eğitimde öğrendiklerine dayanarak yapar. “Bunu Almancaya çevir.” “Bu yorum olumlu mu, olumsuz mu?” Örnek yok, gösterim yok. İşe yarar, çünkü güncel modeller o kadar çok görev görmüştür ki sıradan işlerin çoğu tanıtım gerektirmez.
Neden önemli
Zero-shot, insanların yapay zekayı kullanmasının varsayılan biçimidir; gücü de yapay zekanın geniş çapta işe yarar hale gelmesinin nedenidir: eğitim verisi yok, kurulum yok, sonuç saniyeler içinde. Nerede tükendiğini bilmek pratik bir bilgidir. Görevin kurum içi bir üslubu, alışılmadık kategorileri ya da katı bir biçimi varsa talimat tek başına çok şeyi tahmine bırakır ve örnek gerekir.
Örnek
Bir pazarlama ekibi, modelden gelen müşteri adaylarını şirket tanımına bakarak “kurumsal”, “orta ölçekli” ya da “küçük işletme” olarak etiketlemesini istiyor. Zero-shot çoğunu doğru yapıyor. Holdinglerde ve franchise'larda ise tökezliyor; çünkü ekibin kendi kuralı, modelin tahmin edebileceği bir şey değil.
Bununla en çok karıştırılan kavram
Zero-shot Prompting ve Few-shot Prompting arasındaki fark
“Shot”, örnek demektir. Zero-shot hiç örnek vermez ve tarife güvenir; few-shot ise modelin kalıbı kopyalayabilmesi için birkaç girdi-çıktı çifti ekler. En basiti olduğu için zero-shot ile başlayın; çıktı hedefe yakın ama tutarsızsa örnek ekleyin.
Teknik katman
Zero-shot başarımı, görevin ne kadar net tarif edildiğine ve eğitimde ne kadar yaygın olduğuna bağlıdır. Örnek vermeden güçlendirme yolları: amacı ve hedef kitleyi belirtmek, her kategoriyi ya da ölçütü tanımlamak, çıktı biçimini tam olarak tarif etmek ve son yanıttan önce akıl yürütmeye izin vermek (zero-shot chain of thought). Akıl yürüten modeller birçok görevde few-shot ile arayı kapatır. Terim makine öğrenmesi araştırmalarından gelir; orada eğitimde hiç görülmemiş sınıfları ele almak anlamındaydı. İstem yazımında ise yalnızca istemde örnek olmaması demektir.