Qu'est-ce que l'apprentissage zéro-shot ?
L'apprentissage zéro-shot désigne la capacité d'un modèle IA à accomplir des tâches pour lesquelles il n'a pas vu d'exemples spécifiques pendant l'entraînement. Le modèle transfère des connaissances générales vers de nouvelles tâches grâce à la compréhension sémantique des descriptions de tâches, des raisonnements par analogie avec des tâches connexes et la capacité à suivre des instructions en langage naturel.
Zéro-Shot vs. Few-Shot
Le prompting zéro-shot ne fournit au modèle que la description de la tâche sans exemples. Le prompting few-shot fournit 1 à 5 exemples de démonstration dans le prompt. One-shot fournit exactement un exemple. Le zéro-shot est plus efficace (moins de tokens), tandis que le few-shot fournit souvent des résultats plus précis. Pour de nombreuses tâches, les LLM modernes disposent de suffisamment de connaissances générales pour une performance zéro-shot au niveau humain.
Applications en entreprise
Les capacités zéro-shot sont fondamentales pour les applications d'entreprise flexibles qui doivent s'adapter rapidement aux nouvelles exigences. Les tâches de classification (sentiment, catégorie, intention), l'extraction d'informations et les sorties structurées peuvent souvent être résolues sans données d'entraînement spécifiques à la tâche via des prompts zéro-shot bien formulés. Cela accélère considérablement le développement de prototypes et réduit les besoins en données pour les projets IA.