En zero-shot model kan med andre ord udføre flere forskellige opgaver uden at have været udsat for specifikke eksempler på hver af dem under træningen.
ANNONCER
Denne evne opnås gennem transfer learning-teknikker, hvor modellen trænes i en bred, generel opgave, der omfatter flere informationer og sammenhænge. Denne brede opgave er designet til at sætte modellen i stand til at lære mere abstrakte mønstre og repræsentationer af sproget.
Når en nulskudsmodel anvendes på en specifik opgave, kan den bruge denne forhåndsviden til at udlede svaret eller udføre opgaven uden at være blevet trænet i direkte eksempler på den pågældende opgave. Denne funktion er yderst nyttig, da den reducerer behovet for intensiv træning og menneskelig indsats for at mærke store mængder data for hver enkelt opgave.
Generelt er zero-shot-modeller i stand til at udføre opgaver såsom tekstklassificering, oversættelse, generering af svar og mange andre, uden at have behov for specifik træning for hver af dem. GPT-3, en tidligere version af denne model baseret på GPT-3.5-arkitekturen, har også evnen til at udføre nul-skudsopgaver, hvilket demonstrerer dens fleksibilitet og generalitet.
ANNONCER
Referencer:
- Radford, A., Wu, J., Child, R., Luan, D., Amodi, D., & Sutskever, I. (2019). Sprogmodeller er uovervågede multitask-lærere. OpenAI.
- Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., … & Amodei, D. (2020). Sprogmodeller er få-skudte elever. OpenAI.
*Teksten til denne artikel er delvist genereret af ChatGPT, en kunstig intelligens-baseret sprogmodel udviklet af OpenAI. Tekstindtastninger blev oprettet af Curto Nyheder og svar er bevidst gengivet i sin helhed. Svarene fra ChatGPT genereres automatisk og repræsenterer ikke meninger fra OpenAI eller personer tilknyttet modellen. Alt ansvar for publiceret indhold påhviler Curto Nyheder.
Ved også:
