제로 샷 학습이 어떻게 AI가 레이블이 지정된 데이터 없이도 보이지 않는 사물과 개념을 식별하여 의료 서비스에서 자율 주행에 이르기까지 다양한 분야에 혁신을 가져오는지 살펴보세요.
제로 샷 학습(ZSL)은 머신 러닝의 고급 개념으로, 모델이 학습 단계에서 한 번도 접해보지 못한 사물, 개념 또는 작업을 식별하도록 학습하는 것입니다. 각 카테고리에 대해 광범위한 레이블이 지정된 데이터가 필요한 기존 모델과 달리 제로 샷 학습을 사용하면 보이는 클래스에서 보이지 않는 클래스로 일반화할 수 있습니다.
제로 샷 학습은 시맨틱 임베딩을 활용하여 알려진 클래스와 알려지지 않은 클래스를 연결합니다. 이러한 임베딩은 종종 알려진 클래스와 알려지지 않은 클래스 사이의 간극을 메우는 텍스트 설명이나 속성과 같은 보조 정보에서 파생됩니다. 모델은 학습 중에 이러한 시맨틱 임베딩을 시각적 특징과 연관시키는 방법을 학습합니다.
제로샷 학습은 수집과 주석 달기에 리소스 집약적일 수 있는 방대한 양의 라벨링된 데이터에 대한 필요성을 해결할 수 있다는 점에서 중요합니다. 희귀종 탐지나 특이한 이벤트 분류와 같이 가능한 모든 카테고리에 대해 라벨링된 데이터를 수집하는 것이 비현실적인 분야의 문제를 해결합니다.
헬스케어: 의료 영상 분야에서 제로 샷 학습을 적용하면 제한된 의료 기록이나 영상 데이터에서 희귀 질환을 감지할 수 있어 광범위한 데이터 세트의 필요성을 줄일 수 있습니다. 의료 분야의 AI에 대해 자세히 알아보세요.
자율 주행: 자율 주행 차량은 학습 데이터 세트에 없었던 새로운 교통 표지판이나 장애물을 식별하여 안전과 내비게이션을 향상시킴으로써 제로 샷 학습의 이점을 누릴 수 있습니다. 자율 주행 애플리케이션의 AI에 대해 알아보세요.
제로 샷 학습은 훈련 단계에서 완전히 보이지 않는 클래스를 다루는 반면, 소수 샷 학습은 소수의 레이블이 지정된 예제가 필요합니다. 제로 샷 학습은 전적으로 시맨틱 설명자에 의존하는 반면, 소수 샷 학습은 새로운 클래스의 레이블이 지정된 샘플이 몇 개 있을 때 특히 효과적일 수 있습니다.
전이 학습은 새로운 데이터에 대한 추가 학습을 통해 사전 학습된 모델을 새로운 작업에 적용하는 것입니다. 반면 제로 샷 학습은 추가 훈련 없이 새로운 수업에 지식을 직접 적용하는 것을 목표로 합니다. 전이 학습에 대해 자세히 알아보세요.
Ultralytics 는 다음과 같은 고급 AI 모델의 배포를 간소화하기 위해 Ultralytics HUB와 같은 최첨단 솔루션과 도구를 제공합니다. Ultralytics YOLOv8. Ultralytics HUB는 효율적인 실제 애플리케이션을 위해 제로 샷 학습 기법을 활용하여 모델의 통합 및 배포를 용이하게 합니다.
문장-대-이미지 모델: DALL-E와 같은 모델을 활용하여 시스템은 학습 중에 보이지 않는 물체에 대한 텍스트 설명을 기반으로 이미지를 생성하여 제로 샷 기능을 보여줄 수 있습니다. 제너레이티브 AI의 영향력에 대해 알아보세요.
메타의 세그먼트 애니씽 모델 (SAM): 이 모델은 이미지와 동영상 모두에서 실시간 프롬프트 가능한 세그먼테이션을 지원하며, 모델 학습 중에 객체를 식별할 수 없는 시나리오에 탁월합니다. SAM 의 기능을 살펴보세요.
제로 샷 학습은 다양하고 역동적인 환경을 처리하는 AI 능력의 비약적인 발전을 의미하며, 여러 산업 분야의 미래 혁신을 위한 중요한 도구가 될 것입니다.