ゼロショット学習
Zero-shot Learning
ゼロショット学習とは、タスクの具体例を一切提示せずに、タスクの説明だけでAIに処理を実行させる手法。LLMの事前学習で獲得した汎用的な言語理解能力に依拠する。
ゼロショット学習の定義
ゼロショット学習（Zero-shot Learning）とは、モデルに対して具体的な入出力の例示を一切与えず、タスクの指示文だけで処理を実行させるアプローチである。例えば「以下のテキストをポジティブ・ネガティブに分類してください」という指示だけで、感情分析を実行させる。LLMは大規模なテキストコーパスで事前学習されており、指示の意図を自然言語の理解力で把握してタスクを遂行する。単純な分類、要約、翻訳などのタスクではゼロショットでも高い精度が得られることが多い。
あなたのAI協働設計力は偏差値いくつ？
AI偏差値テストで6つの能力を10分で無料診断できます。
ゼロショットとFew-shotの使い分け
ゼロショットはタスクが一般的で明確な場合に有効だが、ドメイン固有のルールや出力形式が厳密な場合はFew-shot（数例提示）の方が適している。例えば「メールの文体を統一する」場合、望ましい文体の例を2〜3個示すFew-shotの方が精度が高い。コスト面では、ゼロショットはプロンプトが短く済むためトークン消費が少ない。実務ではまずゼロショットを試し、精度が不足した場合にFew-shotへ移行するステップアップ戦略が推奨される。
この用語を知っているあなたは、AI活用力が高いかもしれません
10分の無料テストで、あなたのAI偏差値を測定しませんか？
ゼロショット学習の限界と発展
ゼロショット学習の限界は、モデルの事前学習データに含まれない知識やパターンには対応できない点にある。また、出力のフォーマットが不安定になりやすく、一貫性が求められる業務ではFew-shotやファインチューニングが必要になる場合がある。一方で、最新のLLMはInstruction Tuningにより、ゼロショット性能が大幅に向上している。GPT-4、Claude 3、Geminiなどのモデルでは、多くの一般的なビジネスタスクをゼロショットで十分な品質でこなせるようになっている。
AI偏差値テストとの関連
この概念は、AI偏差値テストの以下の測定次元と関連しています。
この知識が特に重要な職種
よくある質問
Q.ゼロショット学習はどのようなタスクに適している？
テキスト分類、要約、翻訳、感情分析、質問応答など、一般的に定義されたタスクに適しています。逆に、企業独自のフォーマットやルールがあるタスク、専門的な判断が必要なタスクでは精度が不足する場合があります。
Q.ゼロショットの精度を上げるコツは？
タスクの指示を具体的かつ明確に記述することが最も重要です。「分類してください」ではなく「以下の基準に従って3カテゴリに分類してください」のように、期待する出力の形式や条件を詳細に指定するとゼロショットでも精度が向上します。
SalesNow で働く
データとAIで「働く」を変える仲間を募集中
1,400万件の企業データベース × AI。データAIカンパニーで新しいキャリアを。
あなたのAI偏差値を測ってみませんか？
OECD/WEF準拠の6次元フレームワークで、あなたのAI活用力を10分で診断。