Zero-Shot Learning to koncepcja w uczeniu maszynowym i sztucznej inteligencji, kt贸ra odnosi si臋 do zdolno艣ci modelu do poprawnego wykonania zadania, na kt贸rym nie by艂 bezpo艣rednio trenowany. W tradycyjnych metodach uczenia maszynowego, model jest trenowany na specyficznych danych, a jego wydajno艣膰 jest testowana na podobnych, ale niewidzianych wcze艣niej danych. W przeciwie艅stwie do tego, zero-shot learning pozwala modelowi na rozwi膮zywanie zada艅 bez wcze艣niejszego treningu na danych specyficznych dla tego zadania. Kluczem do zero-shot learning jest zdolno艣膰 modelu do generalizacji wiedzy nabytej podczas treningu na r贸偶nych danych do nowych, nieznanych sytuacji. Na przyk艂ad, model wytrenowany na rozpoznawaniu obiekt贸w na zdj臋ciach, kt贸ry potrafi rozpozna膰 zwierz臋ta, kt贸rych zdj臋膰 nigdy wcze艣niej nie widzia艂, wykorzystuj膮c wiedz臋 og贸ln膮 o cechach r贸偶nych zwierz膮t. Zero-shot learning jest szczeg贸lnie wa偶ny w sytuacjach, gdzie gromadzenie danych treningowych dla ka偶dego mo偶liwego zadania jest niepraktyczne lub niemo偶liwe. Metoda ta znajduje zastosowanie w rozmaitych dziedzinach AI, w tym w przetwarzaniu j臋zyka naturalnego, rozpoznawaniu obraz贸w i innych.