जीरो-शॉट लर्निंग (सरल तरीके से समझाया गया)

जीरो-शॉट लर्निंग (ZSL) क्या है?

जीरो-शॉट लर्निंग (ZSL) यह एक मशीन लर्निंग दृष्टिकोण है जो मॉडलों को उनके पास मौजूद चीजों को पहचानने और वर्गीकृत करने में सक्षम बनाता है पहले कभी नहीं देखा प्रशिक्षण के दौरान उन नई चीज़ों के किसी भी लेबल वाले उदाहरण की आवश्यकता के बिना। पर्यवेक्षित शिक्षण के विपरीत, जिसके लिए बहुत सारे लेबल वाले डेटा की आवश्यकता होती है, जिसे स्पष्ट रूप से वर्गीकृत किया जाना चाहिए, ZSL सहायक जानकारी का उपयोग करता है जैसे कि अर्थगत एम्बेडिंग (जो शब्दों या अवधारणाओं के अर्थ का संख्यात्मक निरूपण हैं) या गुण (वर्णनात्मक विशेषताएँ जैसे रंग, आकार या श्रेणी)।

जीरो-शॉट लर्निंग कैसे काम करती है?

जैसा कि हमने पहले कहा है, ZSL जो उसने देखा है ("देखी गई कक्षाएं") और जो उसने नहीं देखा है ("अनदेखी कक्षाएं") के बीच के अंतर को भरने के लिए सहायक जानकारी का उपयोग करता है, यहां इसका विवरण दिया गया है:

• देखी गई कक्षाएं: मॉडल को प्रशिक्षित करने के लिए श्रेणियाँ, लेबलयुक्त उदाहरणों के साथ।
• अदृश्य कक्षाएं: नई श्रेणियाँ जिन्हें मॉडल ने प्रशिक्षण के दौरान कभी नहीं देखा।
• सहायक जानकारी: वर्णन, विशेषताएँ या अर्थ सम्बन्ध जो देखे और अनदेखे दोनों वर्गों का वर्णन करते हैं (उदाहरण के लिए, “ज़ेबरा घोड़े जैसा होता है लेकिन उस पर धारियाँ होती हैं”)

उदाहरण: मान लीजिए कि आपने अपने मॉडल को घोड़ों और बिल्लियों को पहचानने के लिए प्रशिक्षित किया है, लेकिन आप उसे कभी ज़ेबरा नहीं दिखाते। फिर, आप यह वर्णन करना शुरू करते हैं कि ज़ेबरा कैसा होता है, उदाहरण के लिए आप कह सकते हैं कि ज़ेबरा एक "धारीदार घोड़ा" है, मॉडल घोड़ों के बारे में जो कुछ भी जानता है और धारियों के बारे में नई जानकारी का उपयोग ज़ेबरा की पहचान करने के लिए कर सकता है, भले ही उसने पहले कभी ज़ेबरा न देखा हो।

इसकी प्रक्रिया क्या है?

जीरो-शॉट लर्निंग में आमतौर पर शामिल होता है दो मुख्य चरण:

1. प्रशिक्षण: मॉडल को लेबल किए गए डेटा से सीखने के लिए तैयार करना ताकि वह पहचान सके कि उसे किस पर प्रशिक्षित किया गया है।
2. निष्कर्ष: जब मॉडल को कुछ ऐसा दिखाया जाता है जिसे उसने पहले नहीं देखा है, तो वह समानताओं के आधार पर भविष्यवाणी करने के लिए पिछले चरण और नए उदाहरण से प्राप्त सहायक जानकारी का उपयोग करता है।

यह महत्वपूर्ण क्यों है?

1. समय और संसाधन की बचत: हर संभावित श्रेणी के लिए विशाल डेटासेट एकत्रित करने और लेबल करने की आवश्यकता नहीं है।
2. दुर्लभ या नये मामलों को संभालता है: मॉडल बिना पुनः प्रशिक्षण के ही नए, दुर्लभ या उभरते वर्गों को पहचान सकते हैं।
3. वास्तविक दुनिया का लचीलापन: उन क्षेत्रों में उपयोगी है जहां नई श्रेणियां अक्सर दिखाई देती हैं या लेबल किए गए डेटा को प्राप्त करना कठिन होता है, जैसे कि मेडिकल इमेजिंग, भाषा प्रसंस्करण, या वन्यजीव निगरानी

जीरो-शॉट लर्निंग के अनुप्रयोग

• छवि वर्गीकरण: बिना लेबल वाली छवियों के नए प्रकार के जानवरों या वस्तुओं को पहचानना।
• प्राकृतिक भाषा प्रसंस्करण: स्पष्ट उदाहरणों के बिना पाठ में नये विषयों या उद्देश्यों को समझना।
• चिकित्सा निदान: ज्ञात स्थितियों के साथ विवरण और संबंधों का उपयोग करके दुर्लभ रोगों की पहचान करना।
• स्वचालित ग्रेडिंग: समान कार्यों के ज्ञान का उपयोग करके नए प्रकार के असाइनमेंट के लिए फीडबैक तैयार करना।

ZSL की चुनौतियाँ

• सहायक सूचना की गुणवत्ता: मॉडल की सफलता इस बात पर निर्भर करती है कि विशेषताएँ या विवरण, वर्गों के बीच अंतर को कितनी अच्छी तरह दर्शाते हैं।
• सामान्यीकरण सीमाएँ: यदि अदृश्य वर्ग, दृश्य वर्गों से बहुत भिन्न हैं, तो मॉडल को सटीक भविष्यवाणियां करने में कठिनाई हो सकती है।

सारांश

जीरो-शॉट लर्निंग एआई सिस्टम को रिश्तों, विवरणों और विशेषताओं का लाभ उठाकर अज्ञात को समझने में सक्षम बनाता है-जिससे उन्हें पहले कभी देखे बिना नई चीजों को पहचानने की अनुमति मिलती है। यह एआई को ऐसी दुनिया में अधिक अनुकूलनीय, कुशल और उपयोगी बनाता है जहां नए डेटा और श्रेणियां लगातार उभर रही हैं।

जीरो-शॉट लर्निंग के बारे में अधिक जानें

आईबीएम: https://www.ibm.com/think/topics/zero-shot-learning
व्याकरण: https://www.grammarly.com/blog/ai/what-is-zero-shot-learning/
वी7लैब्स: https://www.v7labs.com/blog/zero-shot-learning-guide
एनकॉर्ड: https://encord.com/blog/zero-shot-learning-explained/