Zero-shot

AI概念
約1分で読めます

追加の学習データや例（Few-shot）を使用せず、モデルがあらかじめ学習した知識と自然言語による指示（プロンプト）のみで、新しいタスクを即座に実行する能力です。

別名
Zero-shot Learningゼロショット

詳しい説明

Zero-shotは、AIモデルが特定のタスクに関する具体的な例を参照することなく、ユーザーの意図を把握して成果物を生成する手法です。これは、巨大言語モデル（LLM）が膨大なデータを学習する中で蓄積した、概念間の関係や論理的推論能力に基づいています。ユーザーが翻訳の例を示さずに「この文章を英語に翻訳して」と要求した際にそれを実行できるのが代表的な例です。具体的な例（Shot）が含まれないためトークンの消費量が少なく、応答速度も速いですが、モデルの事前学習範囲を超えた特殊な専門分野や、複雑な出力フォーマットが必要なタスクでは性能が制限されることがあります。

ツール選定において重要な理由

Zero-shotの性能は、そのAIモデルの基礎体力を意味します。Zero-shot性能が優れたモデルを選択すると、例を用意する手間が省け、プロンプトの長さを最小化してAPIコスト（トークン）を削減し、リアルタイムサービスの遅延時間（レイテンシ）を短縮できます。

確認事項

  • 指示文（Instruction）のみで、希望する出力フォーマット（JSONやMarkdownなど）を正確に遵守できるか？
  • モデルが対象ドメインの常識や基本概念を十分に理解しているか？
  • 複雑な推論が必要な場合、Zero-shotの代わりにChain-of-Thought（CoT）手法が必要か？

例

入力: "次の文章の感情を分析して：'今日は天気がとても良くて、散歩するのにぴったりだ。'" 出力: "肯定" （参考：'肯定'という結果に対するいかなる例文も提示していない）

混同しやすい用語

Few-shot

タスクの実行を支援するために、プロンプト内に2〜5個程度の入出力例を含める方式です。

Fine-tuning

プロンプトではなく、モデル自体の重みを特定のデータセットで更新して性能を最適化するプロセスです。

関連用語

Few-shot学習プロンプトエンジニアリング