Atualizado em 20/10/2026: texto refeito: definição direta de aprendizado zero-shot, como funciona (informação auxiliar e embeddings), diferença para one-shot e few-shot, exemplos com fonte (CLIP e classificação zero-shot no Hugging Face) e limites; saíram frases genéricas sem fonte. Como conferimos os dados
Aprendizado zero-shot (zero-shot learning) é quando um modelo de IA reconhece ou classifica algo de uma categoria da qual ele não viu nenhum exemplo rotulado no treinamento. Em vez de exemplos, ele usa uma informação extra sobre a categoria: uma descrição em texto, uma lista de atributos ou o próprio nome dela. Não é um algoritmo específico, e sim um jeito de montar o problema.
Como funciona
- Informação auxiliar: cada categoria nova vem descrita por texto ou atributos (por exemplo, “listrado”, “amarelo”, “voa”).
- Embeddings: a entrada (uma imagem ou um texto) e as categorias viram vetores num mesmo espaço; o modelo escolhe a categoria cujo vetor está mais perto, por medidas como similaridade de cosseno.
- Modelo pré-treinado: quase sempre parte de um modelo grande já treinado, que aprendeu representações gerais e as reaproveita.
Um exemplo didático: um modelo que aprendeu “listras” vendo tigres e zebras e “amarelo” vendo canários pode reconhecer uma abelha se receber a descrição “inseto voador, listrado e amarelo”, mesmo sem nunca ter visto uma foto de abelha rotulada.
Zero-shot, one-shot e few-shot
- Zero-shot: nenhum exemplo rotulado da categoria ou tarefa.
- One-shot: um exemplo só.
- Few-shot: poucos exemplos.
Em chatbots, a ideia aparece como prompt zero-shot: você descreve a tarefa (“classifique o sentimento deste texto como positivo, negativo ou neutro”) sem dar exemplos de respostas. Num prompt few-shot, você inclui alguns exemplos antes do pedido.
Exemplos reais
- CLIP (OpenAI): treinado com mais de 400 milhões de pares de imagem e legenda, classifica imagens comparando-as com textos dos nomes das categorias, sem ajuste fino para cada conjunto de dados.
- Classificação zero-shot no Hugging Face: você passa um texto e uma lista de rótulos candidatos (por exemplo, “urgente, não urgente, celular, computador”) e o modelo devolve uma pontuação para cada rótulo, sem ter sido treinado com esses rótulos.
Limites
- O resultado depende da qualidade da descrição ou dos atributos: descrição ruim, resposta ruim.
- Quando a categoria nova aparece misturada com as conhecidas, o modelo tende a puxar para as que já viu no treinamento.
- Descrever atributos à mão pode dar quase tanto trabalho quanto rotular exemplos.
Termos relacionados
Fontes (conferidas em 08/10/2026): IBM: o que é o aprendizado zero-shot? · Hugging Face: zero-shot classification