Zero-Shot Learning
Zero-shot learning é a capacidade de um modelo de aprendizado de máquina lidar corretamente com tarefas ou classificar entradas de categorias que nunca foi mostrado durante o treinamento, aproveitando relações semânticas aprendidas e amplo conhecimento pré-treinado.
Zero-shot learning (ZSL) é um paradigma de aprendizado de máquina no qual um modelo lida com sucesso com tarefas ou classifica itens pertencentes a categorias que nunca encontrou durante o treinamento. Em vez de memorizar exemplos de classe específicos, o modelo explora conhecimento estrutural — descrições semânticas, vetores de atributo ou embeddings de linguagem — para preencher a lacuna entre categorias vistas e não vistas.
Métodos de ZSL tipicamente representam tanto classes de treinamento quanto classes-alvo não vistas como pontos em um espaço de embedding semântico compartilhado. Um classificador visual mapeia uma imagem para este espaço e identifica a representação de classe mais próxima, mesmo se essa classe tinha zero imagens de treinamento. Grandes modelos de linguagem pré-treinados alcançam desempenho zero-shot através de uma rota diferente: pré-treinamento em corpora de texto massivos codifica amplo conhecimento do mundo, e um prompt bem-construído sozinho é suficiente para elicitar comportamento correto em tarefas novas sem nenhum exemplo adicional.
O valor prático de ZSL é substancial em domínios onde dados rotulados são escassos ou caros — imagem médica, identificação de espécies raras ou processamento de linguagem de baixo recurso. Para empresas implantando IA de propósito geral, capacidade zero-shot reduz o custo e tempo necessários para lidar com novos tipos de tarefas eliminando a necessidade de conjuntos de treinamento curados para cada um.
A partir de 2026, modelos de fronteira como GPT-4o (OpenAI), Claude 3.5 e 3.7 (Anthropic) e Gemini 1.5 e 2.0 (Google) exibem forte desempenho zero-shot em uma ampla gama de benchmarks, frequentemente igualando ou superando modelos especializados fine-tuned de apenas alguns anos atrás. Transferência zero-shot multimodal — usando descrições de texto para classificar imagens ou áudio — tornou-se um eixo de avaliação padrão, exemplificado por CLIP (OpenAI, 2021) e seus numerosos sucessores.