Départ 23/11Cohorte 3 en direct Vibe Coding & Agents IA : 3 semaines, 9 sessions liveCohorte 3 (23/11) →
Techniques et méthodesGlossaire

Apprentissage zéro-shot

L'apprentissage zéro-shot est la capacité d'un modèle d'apprentissage automatique à gérer correctement des tâches ou à classer des entrées de catégories qu'il n'a jamais vues pendant l'entraînement, en exploitant les relations sémantiques apprises et les connaissances préentraînées largement.

Apprentissage zéro-shot
Apprentissage zéro-shot · Techniques et méthodes · Hamidun News

L'apprentissage zéro-shot (ZSL) est un paradigme d'apprentissage automatique dans lequel un modèle gère avec succès des tâches ou classe des éléments appartenant à des catégories qu'il n'a jamais rencontrées pendant l'entraînement. Plutôt que de mémoriser des exemples de classes spécifiques, le modèle exploite les connaissances structurelles — descriptions sémantiques, vecteurs d'attributs ou plongements de langage — pour combler l'écart entre les catégories vues et non vues.

Les méthodes ZSL représentent généralement à la fois les classes d'entraînement et les classes cibles non vues comme des points dans un espace de plongement sémantique partagé. Un classificateur visuel mappe une image à cet espace et identifie la représentation de classe la plus proche, même si cette classe n'avait zéro image d'entraînement. Les grands modèles de langage préentraînés atteignent les performances zéro-shot via une route différente : l'entraînement préalable sur d'énormes corpus de texte code les connaissances générales du monde, et une invite bien formulée suffit à elles seules à éliciter un comportement correct sur des tâches nouvelles sans aucun exemple supplémentaire.

La valeur pratique du ZSL est substantielle dans les domaines où les données étiquetées sont rares ou coûteuses — imagerie médicale, identification des espèces rares ou traitement des langues à faibles ressources. Pour les entreprises déployant une IA à usage général, la capacité zéro-shot réduit le coût et le temps requis pour gérer de nouveaux types de tâches en éliminant le besoin d'ensembles d'entraînement curés pour chacun.

En 2026, les modèles de pointe tels que GPT-4o (OpenAI), Claude 3.5 et 3.7 (Anthropic) et Gemini 1.5 et 2.0 (Google) présentent des performances zéro-shot fortes sur un large éventail de benchmarks, égalant ou surpassant souvent les modèles spécialisés affinés d'il y a seulement quelques années. Le transfert zéro-shot multimodal — utiliser des descriptions de texte pour classer les images ou l'audio — est devenu un axe d'évaluation standard, exemplifié par CLIP (OpenAI, 2021) et ses nombreux successeurs.

Exemple

“Un système de modération de contenu entraîné uniquement sur des catégories telles que 'spam' et 'discours de haine' classe correctement une nouvelle catégorie, 'désinformation médicale', en fournissant une description textuelle de cette catégorie au moment de l'inférence, sans aucun exemple étiqueté supplémentaire requis.
ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent