제로 샷 학습(ZSL)은 모델이 학습 중에 한 번도 접해보지 않은 수업이나 데이터와 관련된 작업에 대해 정확한 예측을 할 수 있도록 하는 머신 러닝 기법입니다. 이 접근 방식은 보이는 데이터와 보이지 않는 데이터 사이의 기존 지식과 관계를 활용하며, 종종 시맨틱 임베딩 또는 문맥 정보를 사용하여 여러 도메인에 걸쳐 일반화합니다. 모든 대상 클래스에 대해 레이블이 지정된 데이터가 필요한 기존의 지도 학습과 달리 제로 샷 학습은 보이는 클래스와의 의미 관계를 이해함으로써 보이지 않는 클래스 레이블을 추론할 수 있습니다.
제로 샷 학습은 주로 특징 추출과 시맨틱 임베딩이라는 두 가지 구성 요소에 의존합니다. 특징 추출은 이미지나 텍스트와 같은 입력 데이터를 처리하여 의미 있는 표현을 도출하는 것을 포함합니다. 시맨틱 임베딩은 이러한 표현을 더 넓은 지식 기반에 연결하며, 종종 자연어 처리(NLP) 모델이나 미리 정의된 온톨로지를 사용합니다. 널리 사용되는 접근 방식에는 Word2Vec과 같은 단어 벡터나 GPT-4와 같은 고급 모델을 사용하여 레이블 간의 관계를 인코딩하는 것이 포함됩니다.
예를 들어, '개'와 '고양이'와 같은 동물을 인식하도록 훈련된 모델이라면 제로 샷 학습을 통해 이 동물들 간의 의미적 유사성을 활용하여 '여우'와 같은 보이지 않는 클래스를 식별할 수 있습니다.
제로 샷 학습은 다양한 산업 분야에서 혁신적으로 활용되고 있습니다:
헬스케어: 의료 영상 분야에서 ZSL 모델은 모든 질환에 대해 라벨을 붙일 필요 없이 희귀 질환을 식별할 수 있습니다. 의료 분야의 AI와 같은 혁신을 통해 AI가 의료 서비스를 어떻게 변화시키고 있는지 알아보세요.
자연어 처리: GPT-4와 같은 모델은 제로 샷 기능을 사용하여 작업별 교육 없이 감정 분석이나 요약과 같은 작업을 수행할 수 있습니다. 텍스트 요약 및 질문 답변 애플리케이션에 대해 알아보세요.
자율 주행: ZSL을 사용하면 차량이 희귀하거나 새로운 도로 표지판을 알려진 범주와 연결하여 인식하고 반응할 수 있습니다. 자율 주행 애플리케이션에서 AI가 미치는 영향에 대해 알아보세요.
리테일: 이커머스에서는 사용자 행동을 기반으로 새로운 카테고리의 상품을 제안하여 추천 시스템을 개선할 수 있습니다. 리테일 분야의 AI에 대해 자세히 알아보세요.
야생동물 보호: ZSL은 카메라 트랩을 사용하여 알려진 데이터를 활용하여 희귀종이나 미기록종을 식별할 수 있습니다. 야생동물 보호 분야의 실제 AI 적용 사례에 대해 읽어보세요.
제로 샷 학습은 다른 기법과는 크게 다릅니다:
여러 도구와 프레임워크가 개발자와 연구자를 위한 제로 샷 학습을 지원합니다:
AI 모델의 적응력과 효율성이 향상됨에 따라 제로 샷 학습이 각광받고 있습니다. 실시간 물체 감지, 자연어 이해, 멀티모달 작업에서 제로 샷 학습의 적용 범위가 빠르게 확장되고 있습니다. 예를 들어, 다음과 같은 비전 모델의 발전은 Ultralytics YOLO 과 같은 비전 모델의 발전은 컴퓨터 비전의 제로 샷 기능의 경계를 넓히고 있습니다.
라벨링된 데이터에 대한 의존도를 줄임으로써 제로 샷 학습은 확장 가능하고 효율적인 AI 솔루션의 초석이 될 것입니다. Ultralytics HUB를 통해 제로 샷 학습을 프로젝트에 간편하게 통합하는 방법을 살펴보세요.
%25202.png)
%202.png)
