تا چند سال پیش، مدل‌ها فقط چیزهایی رو می‌فهمیدن که براشون مثال دیده بودن.
اما یه نقطه‌ای، دانشمندا فهمیدن میشه کاری کرد که مدل حتی برای چیزی که هیچ‌وقت ندیده هم پیش‌بینی کنه! 😮
💡 ایده از کجا اومد؟
ایده از تلاش برای کاهش هزینه‌ی برچسب‌گذاری داده‌ها (Labeling) اومد.⚙️ چطور کار می‌کنه؟
محقق‌ها گفتن: «اگه مدل بتونه مفهوم “سگ” و “حیوان” رو بفهمه، چرا نتونه با دیدن “گربه” هم خودش حدس بزنه از همون دسته‌ست؟»
اینجوری یادگیری از مفاهیم زبانی (Semantic Learning) شکل گرفت.
در Zero-Shot Learning، مدل به جای یادگیری از نمونه‌های خاص، از فضای معناشناختی (Semantic Space) استفاده می‌کنه,📊 نتیجه؟
یعنی بین متن، تصویر و مفهوم، یه پل می‌سازه.
مثلاً وقتی به مدل بگی:
> «یه حیوان چهارپا که دم داره و میومیو می‌کنه»
حتی اگه هیچ‌وقت تصویر گربه رو ندیده باشه، باز می‌تونه درست تشخیصش بده.
مدل‌های امروزی مثل GPT یا CLIP با همین ایده ساخته شدن,📌 مرجع تخصصی هوش مصنوعی و علم داده
دیگه لازم نیست برای هر وظیفه جدا آموزش ببینن، چون معنا رو درک می‌کنن، نه فقط داده رو.
🤖 دیتایاد / datayad@