Zero-shot Learning adalah kemampuan model AI untuk mengenali atau mengklasifikasikan konsep yang belum pernah dilihatnya sama sekali selama pelatihan. Model dapat melakukan ini dengan memanfaatkan pengetahuan semantik tentang hubungan antar konsep.
Bagaimana mungkin model mengenali sesuatu yang belum pernah dilihat? Zero-shot learning menggunakan representasi semantik—misalnya, deskripsi tekstual atau atribut—untuk menghubungkan konsep yang dikenal dengan konsep yang tidak dikenal. Jika model tahu apa itu "kuda" dan "zebra", dan diberi tahu bahwa "okapi" adalah hewan yang mirip zebra tetapi dengan tubuh seperti jerapah, model dapat mengenali okapi meskipun belum pernah melihatnya.
Zero-shot learning sering digunakan dalam klasifikasi gambar di mana jumlah kategori sangat besar dan tidak mungkin menyediakan contoh untuk semuanya. Misalnya, model yang dilatih pada ribuan spesies hewan dapat mengenali spesies baru berdasarkan deskripsi tekstual.
Aplikasi zero-shot learning meliputi: pengenalan objek untuk kategori baru, terjemahan mesin antar bahasa yang tidak memiliki data paralel, answer generation untuk pertanyaan tentang topik yang tidak ada dalam data pelatihan, dan sistem rekomendasi untuk item baru yang belum memiliki riwayat interaksi.
Zero-shot learning sangat terkait dengan multimodal AI—model yang dapat menghubungkan teks dan gambar, seperti CLIP, yang dapat mengenali gambar berdasarkan deskripsi teks meskipun belum pernah melihat gambar spesifik tersebut selama pelatihan.
Kemampuan zero-shot adalah langkah penting menuju AGI karena menunjukkan bahwa AI dapat bernalar secara abstrak dan membuat koneksi antara konsep-konsep yang berbeda, bukan hanya menghafal pola.