L'apprendimento zero-shot è una tecnica di apprendimento automatico che consente ai computer di riconoscere e classificare gli oggetti senza fare affidamento su alcuna informazione etichettata. Il termine è spesso usato in modo intercambiabile con l'apprendimento one-shot, un'altra tecnica di apprendimento automatico, sebbene esistano sottili differenze. A differenza dell'apprendimento one-shot, l'apprendimento zero-shot non utilizza dati etichettati per addestrare il modello computerizzato. Utilizza invece informazioni aggiuntive sugli oggetti o sui concetti da apprendere, come le relazioni tra le categorie, per consentire al computer di apprendere i concetti desiderati senza alcuna etichetta.
L’apprendimento zero-shot è un campo relativamente nuovo dell’apprendimento automatico, nato a metà degli anni 2010. Negli ultimi anni molti ricercatori hanno dimostrato che è possibile ottenere prestazioni impressionanti con questa tecnica, sia per quanto riguarda il riconoscimento degli oggetti nelle immagini che nel testo. Ad esempio, la piattaforma di intelligenza artificiale di Google, TensorFlow, include un modulo di apprendimento zero-shot progettato per identificare gli oggetti nelle immagini senza l'uso di dati etichettati.
L’adozione di un approccio di apprendimento zero-shot offre numerosi potenziali vantaggi. Poiché non richiede dati etichettati, può essere utilizzato per attività che altrimenti comporterebbero una grande quantità di etichette o per le quali l'etichettatura non è praticabile. Inoltre, poiché il modello viene addestrato utilizzando le relazioni tra categorie, ciò consente al modello di generalizzare meglio e identificare i collegamenti tra concetti diversi.
Nonostante i suoi potenziali vantaggi, l’apprendimento zero-shot non è privo di inconvenienti. In primo luogo, l'approccio richiede che il computer possieda un certo grado di conoscenza del concetto che si sta apprendendo, spesso sotto forma di rappresentazione gerarchica, rendendo la tecnica difficile da applicare in un'ampia gamma di circostanze. In secondo luogo, non è ancora noto come gli algoritmi di apprendimento zero-shot interagiranno con i dati del mondo reale e i loro risultati non sono ancora ben consolidati. Nonostante questi inconvenienti, si prevede che lo zero-shot learning diventerà sempre più una valida alternativa ai tradizionali approcci di machine learning supervisionato.
