Zero-Shot Learning: Definition & Erklärung — Glossar

Was ist Zero-Shot Learning?

Zero-Shot Learning (ZSL) bezeichnet die Fähigkeit eines KI-Modells, Aufgaben oder Kategorien korrekt zu klassifizieren, für die es während des Trainings keine einzigen Beispiele gesehen hat. Das Modell überträgt dabei erlerntes Wissen über bekannte Konzepte auf unbekannte — ähnlich wie ein Mensch, der einen Schnabeligel beschreiben kann, ohne je einen gesehen zu haben, weil er die Attribute “schnabelartig” und “igelartig” kennt.

Wie funktioniert es?

Zero-Shot Learning nutzt semantische Beschreibungen (Attribute, Texte, Wissensgraphen) als Brücke zwischen bekannten und unbekannten Klassen. Wenn ein Modell weiß, dass “Schnee-Leopard: weiß, gefleckt, felinartig, berglebend” und separate Modelle für diese Attribute trainiert hat, kann es einen Schnee-Leoparden auch ohne Trainingsbilder korrekt klassifizieren. In LLMs ist Zero-Shot-Prompting die Aufforderung, eine Aufgabe zu lösen, ohne Beispiele im Prompt zu geben.

Zero-Shot vs. Few-Shot vs. Fine-Tuning

Zero-Shot: Keine Beispiele im Prompt — maximale Flexibilität, geringste Kontrolle. Few-Shot: 1–10 Beispiele im Prompt demonstrieren das gewünschte Format und die Aufgabe — deutlich bessere Ergebnisse für spezifische Aufgaben. Fine-Tuning: Modell wird auf Trainingsdaten für die spezifische Aufgabe angepasst — höchste Qualität, aber benötigt Daten und Rechenaufwand. Die Wahl hängt von verfügbaren Daten, benötigter Qualität und Deployment-Kosten ab.

Unternehmensrelevanz

Zero-Shot-Fähigkeiten moderner LLMs (GPT-4, Claude, Gemini) ermöglichen deren Einsatz für neue Aufgaben ohne aufwändiges Fine-Tuning. Textklassifikation, Stimmungsanalyse, Zusammenfassung, Übersetzung und Informationsextraktion — in vielen Fällen liefern Zero-Shot-Anfragen ausreichend gute Ergebnisse für produktiven Einsatz. Systematic Prompt Engineering ist der erste Schritt vor einem aufwändigeren Fine-Tuning-Projekt.