Качественные ML-модели, или модели машинного обучения, легче создавать на большом объеме данных. Но как быть, если при изучении новых или редких явлений данных нет или их недостаточно, или же на их подготовку нет времени и ресурсов?
Чтобы минимизировать затраты на обучение моделей стал использоваться определенный способ подготовки данных — обобщение множества категорий. Так появились методы машинного обучения, способные распознавать новые классы с помощью или нескольких обучающих примеров (Few-Shot Learning) или одного (One-Shot Learning).
Обучение без примеров, или Zero-shot – это метод, при котором модель учится решать новые задачи без предварительного обучения на конкретных примерах. Вместо этого просто описывается конкретная тематика и дополняется вспомогательной информацией.
Это метод актуален, например, при запуске новых проектов. И если раньше модели обучались на искусственно созданных данных, имитирующих реальность, то с помощью Zero-shot, модели обучаются значительно быстрее, но с тем же качеством.
Так, для создания стартовой версии робота достаточно списка намерений (интентов), с которыми клиенты будут обращаться к голосовому помощнику и их описание. Поэтому запустить первую версию виртуального ассистента можно в кратчайшие сроки и далее обучать уже на реальных данных.
«Метод обучения моделей по методу Zero-shot открывает новые возможности для реализации виртуального ассистента, позволяя ему учиться и адаптироваться к новым ситуациям без предварительной подготовки. Это революционный подход, который обещает изменить наше представление обучения моделей, а также возможных границ обучения. Благодаря этой технологии мы обучаем роботов за часы, а иногда и минуты, а уже после собираем реальные реплики и дообучаем модель до нужного уровня», — рассказал директор U-BSS Пулат Халиулин.