Zero-Shot-Learning
Was ist Zero-Shot-Learning?
Zero-Shot-Learning bezeichnet ein Verfahren des maschinellen Lernens, bei dem ein Modell Aufgaben oder Klassen bearbeitet, für die es keine gekennzeichneten Trainingsbeispiele erhalten hat. Statt aus konkreten Beispielen abzuleiten, nutzt das Modell Beschreibungen, Merkmale, Sprachwissen oder semantische Beziehungen, um unbekannte Eingaben einer passenden Kategorie zuzuordnen.
Zero-Shot-Learning bedeutet auf Deutsch Lernen ohne Beispiele. Das Verfahren soll Wissen aus bekannten Aufgaben auf neue Klassen oder Anweisungen übertragen, ohne das Modell für jeden neuen Fall erneut mit gelabelten Beispielen zu trainieren.
Wie funktioniert Zero-Shot-Learning?
Zero-Shot-Learning benötigt eine Verbindung zwischen bekannten Trainingsdaten und den später auftretenden, unbekannten Klassen. Diese Verbindung entsteht häufig durch Klassenbeschreibungen, Attribute oder Textrepräsentationen. Ein Bildmodell könnte beispielsweise sichtbare Eigenschaften wie Fell, Streifen oder Körperform verwenden. Ein Sprachmodell nutzt dagegen Begriffe, Anweisungen und semantische Zusammenhänge.
Die klassische Aufgabenstellung lässt sich über zwei getrennte Klassenmengen beschreiben. Die Menge S enthält die im Training gesehenen Klassen, die Menge U die unbekannten Zielklassen. Für echtes Zero-Shot-Learning gilt S ∩ U = ∅: Keine Zielklasse aus U darf bereits als gelabeltes Trainingsbeispiel in S enthalten sein.
Bei der Vorhersage bildet das Modell sowohl die Eingabe als auch die möglichen Klassen in einem gemeinsamen semantischen Raum ab. Anschließend berechnet es, welche Klassenbeschreibung am besten zur Eingabe passt. Vereinfacht lautet die Auswahlregel:
ŷ = argmax c∈U sim(f(x), g(c)). Dabei repräsentiert f(x) die Eingabe, g(c) die Beschreibung einer Zielklasse und sim ihre semantische Ähnlichkeit. Ein Beispiel aus dem Marketing
Ein Marketing-Team möchte 10.000 Suchanfragen nach ihrer Absicht sortieren. Die Kategorien heißen informational, transaktional, navigational und lokal. Liegen keine manuell kategorisierten Beispiele vor, kann ein Sprachmodell allein anhand der Kategorienamen und einer klaren Aufgabenbeschreibung eine erste Zuordnung erstellen.
Die Suchanfrage „Laufschuhe für breite Füße kaufen“ würde wahrscheinlich als transaktional eingeordnet. „Wie reinigt man Laufschuhe?“ gehört eher zur informationalen Kategorie. Das Modell leitet die Entscheidung aus seinem vorhandenen Sprachwissen ab, obwohl das Team keine Beispielanfragen im Prompt bereitgestellt hat.
Dieses Vorgehen unterstützt eine erste SEO-Keyword-Recherche, ersetzt aber keine fachliche Prüfung. Besonders mehrdeutige Suchanfragen benötigen Kontext. Die Anfrage „Apple Support“ kann beispielsweise navigational sein, zugleich aber eine konkrete Serviceabsicht enthalten.
Zero-Shot bei Sprachmodellen
Bei großen Sprachmodellen wird der Begriff breiter verwendet als in der klassischen Bilderkennung. Ein Zero-Shot-Prompt enthält eine Aufgabe und die notwendigen Regeln, aber kein vollständig ausgearbeitetes Eingabe-Ausgabe-Beispiel. Die Anweisung „Ordne jede Suchanfrage einer Suchintention zu“ ist ein solcher Prompt, sofern keine Musterlösung mitgeliefert wird.
Der Begriff darf dabei nicht mit einem vollständig untrainierten Modell verwechselt werden. ChatGPT, Claude, Gemini und andere Sprachmodelle wurden vor ihrer Nutzung mit großen Datenmengen vortrainiert. Zero-Shot beschreibt deshalb meistens die konkrete Anwendungssituation: Das Modell erhält im aktuellen Prompt keine Beispiele für die neue Aufgabe.
Abgrenzung zu ähnlichen Lernformen
| Methode | Beispiele für die neue Aufgabe | Typischer Einsatz |
|---|---|---|
| Zero-Shot-Learning | Keine gekennzeichneten Beispiele | Schnelle Klassifikation neuer Klassen oder Aufgaben |
| One-Shot-Learning | Ein Beispiel je Klasse oder Aufgabe | Erkennen eines Musters mit sehr wenig Ausgangsmaterial |
| Few-Shot-Learning | Wenige Beispiele | Anpassung von Format, Tonalität oder Grenzfällen |
| Supervised Learning | Viele gekennzeichnete Trainingsdaten | Spezialisierte Modelle mit klar definierten Zielklassen |
| Transfer Learning | Abhängig von der Anpassung | Weiterverwendung eines vortrainierten Modells für eine neue Aufgabe |
Der Unterschied zwischen Zero-Shot-Learning und Few-Shot-Learning liegt in der Zahl der bereitgestellten Beispiele. Bereits ein einziges demonstriertes Beispiel macht aus einem Zero-Shot-Prompt einen One-Shot-Prompt. Mehrere Beispiele ergeben einen Few-Shot-Prompt, auch wenn das zugrunde liegende Sprachmodell unverändert bleibt.
Transfer Learning beschreibt dagegen den übergeordneten Wissenstransfer von einer Ausgangsaufgabe auf eine Zielaufgabe. Zero-Shot-Learning kann eine Form dieses Transfers sein. Beim klassischen Transfer Learning wird das Modell jedoch häufig mit zusätzlichen Daten angepasst, während eine Zero-Shot-Anwendung ohne gelabelte Beispiele der Zielklassen auskommt.
Nutzen für SEO, SEA und GEO
Im SEO kann Zero-Shot-Learning Suchanfragen klassifizieren, Themen erkennen, Entitäten extrahieren oder Content-Gaps vorsortieren. Ein Modell kann beispielsweise mehrere tausend Keywords anhand definierter Beschreibungen den Phasen Information, Vergleich und Kauf zuordnen. Vor einer automatisierten Umsetzung sollte ein SEO-Manager eine Stichprobe je Klasse prüfen und unklare Kategorien präzisieren.
Im SEA unterstützt Zero-Shot-Learning bei der Einordnung neuer Suchbegriffe, der Erkennung möglicher Ausschlussbegriffe und der thematischen Gruppierung von Anzeigenanfragen. Die resultierenden Kategorien sollten mit Kampagnendaten abgeglichen werden, weil sprachliche Ähnlichkeit allein weder Conversion-Wahrscheinlichkeit noch wirtschaftlichen Wert einer Suchanfrage bestimmt. Weitere Zusammenhänge erklärt der Leitfaden zu SEO- und SEA-Synergien.
Für GEO, also Generative Engine Optimization, kann Zero-Shot-Learning Fragen nach Themen, Marken, Produkten oder Empfehlungsabsichten gruppieren. Das erleichtert die Analyse, welche Inhalte KI-Systeme für unterschiedliche Fragestellungen benötigen. Zero-Shot-Learning ist jedoch kein Ranking-Faktor und führt nicht automatisch dazu, dass eine Marke in KI-Antworten erscheint.
Qualität richtig messen
Messbar ist Zero-Shot-Learning mit einem Testdatensatz, dessen Zielklassen während des eigentlichen Modelltrainings nicht als gelabelte Klassen vorkamen. Bei ausgeglichenen Klassen liefert die Accuracy einen ersten Überblick. Bei ungleich verteilten Klassen sind Precision, Recall und Macro-F1 aussagekräftiger, weil eine große Klasse das Gesamtergebnis sonst überdecken kann.
Eine belastbare Prüfung vergleicht mindestens zwei Varianten: eine Zero-Shot-Konfiguration und eine Few-Shot-Konfiguration mit wenigen geprüften Beispielen. Zusätzlich sollte die Auswertung Ergebnisse je Klasse ausweisen. Ein guter Gesamtwert kann verbergen, dass das Modell seltene oder ähnlich beschriebene Kategorien regelmäßig verwechselt.
Typische Fehler beim Zero-Shot-Learning
Die häufigste Fehlannahme lautet, dass ein präzise klingendes Ergebnis automatisch korrekt sei. Zero-Shot-Learning erzeugt immer eine Zuordnung auf Basis vorhandener Repräsentationen. Fehlen relevante Informationen oder überschneiden sich die Klassen, entscheidet das Modell trotzdem. Eine erzwungene Auswahl kann daher Sicherheit vortäuschen, obwohl keine Kategorie wirklich passt.
Unpräzise Klassenbeschreibungen verschlechtern die Ergebnisse ebenfalls. Kategorien wie „interessiert“, „relevant“ oder „hochwertig“ enthalten keine überprüfbaren Kriterien. Besser sind Beschreibungen mit klaren Bedingungen, etwa „Die Suchanfrage nennt eine Kaufabsicht, einen Preisvergleich oder einen konkreten Anbieter“. Wer KI-Texte und KI-Workflows einsetzt, sollte solche Regeln schriftlich dokumentieren.
Häufige Fragen zu Zero-Shot-Learning
Braucht Zero-Shot-Learning wirklich keine Trainingsdaten?
Zero-Shot-Learning benötigt keine gekennzeichneten Trainingsbeispiele für die konkrete Zielklasse oder Aufgabe. Das zugrunde liegende Modell wurde jedoch zuvor mit anderen Daten trainiert und nutzt daraus erworbenes Wissen.
Ist Zero-Shot-Learning dasselbe wie ein Zero-Shot-Prompt?
Ein Zero-Shot-Prompt ist eine Anwendung des Grundprinzips bei Sprachmodellen. Der Prompt beschreibt eine Aufgabe ohne Musterlösung, während Zero-Shot-Learning auch Klassifikationsverfahren für Bilder, Texte und andere Daten umfasst.
Wann lohnt sich Few-Shot statt Zero-Shot?
Few-Shot eignet sich, wenn Klassen ähnlich sind, ein bestimmtes Ausgabeformat eingehalten werden muss oder erste Zero-Shot-Tests wiederkehrende Fehler zeigen. Wenige sorgfältig ausgewählte Beispiele können Grenzfälle deutlicher machen.
Kann Zero-Shot-Learning falsche Ergebnisse liefern?
Ja. Unklare Anweisungen, überlappende Kategorien, fehlender Kontext und ungeeignetes Vorwissen können falsche Zuordnungen verursachen. Ergebnisse sollten deshalb mit unabhängigen Testfällen und einer manuellen Stichprobe geprüft werden.
Welche Daten eignen sich für einen Zero-Shot-Test?
Geeignet sind realistische Eingaben mit geprüften Zielwerten, die nicht zur Anpassung des Modells oder zur Entwicklung des Prompts verwendet wurden. Die Testmenge sollte einfache Fälle, Grenzfälle und nicht zuordenbare Eingaben enthalten.
Kann Zero-Shot-Learning menschliche Prüfung ersetzen?
Bei risikoarmen und klar definierten Aufgaben kann Zero-Shot-Learning große Datenmengen vorsortieren. Bei rechtlichen, medizinischen, finanziellen oder geschäftskritischen Entscheidungen bleibt eine fachliche Kontrolle erforderlich.
Wenn du KI-Auswertungen mit eigenen SEO-, SEA- und GEO-Daten testen möchtest, kannst du einen kostenlosen Zugang anlegen.
Sie haben noch Fragen?
