女性向けエンジニアスクール
3秒でわかる
お手本の例を一切見せずに、やってほしいことの説明だけでAIに作業させる指示の出し方。まず試して、精度が足りないときに例を足す出発点になります。
30秒図解
もう少し詳しく
どういうものか
Zero-shot は、生成 AI に対して手本となる入出力例を与えず、指示文だけで作業させるやり方です。「この文章を三行で要約して」と書いて投げるのがまさにこれにあたります。例を一つ添えるのが one-shot、複数添えるのが few-shot で、Zero-shot はその出発点に位置します。
例が無くても成立するのは、モデルが学習の段階で要約や翻訳、分類といった典型的な作業の形をすでに身につけているためです。したがって、よくある作業ほど Zero-shot で十分な結果になり、その組織固有の書式や判断基準が絡むほど例が必要になります。
なぜ必要か
例を用意するには手間がかかり、プロンプトも長くなって費用と応答時間が増えます。まず Zero-shot で試し、期待に届かない部分だけ例で補うと、無駄な作り込みを避けられます。実務でも、いきなり十件の例を並べる前に、出力形式の指定を足すだけで解決することは珍しくありません。
具体例
あなたは飲食店の口コミを分類する担当です。
次の口コミを、肯定・否定・どちらでもない、のいずれか1語だけで答えてください。
口コミ「席は狭かったが、料理は文句なしにおいしかった」例は無くても、役割と選択肢と出力形式を書き切っている点が要点です。ここに次のような例を一つ足すと few-shot になります。
例
口コミ「値段の割に量が少ない」 → 否定
口コミ「席は狭かったが、料理は文句なしにおいしかった」 →似た用語との違い
| 呼び名 | 与える例 | 向いている場面 |
|---|---|---|
| Zero-shot | 0件 | 一般的な作業、まず試すとき |
| Few-shot | 数件 | 独自の書式や判断基準を守らせたいとき |
| ファインチューニング | 数百件以上で再学習 | 大量に繰り返す定型業務 |
つまずきやすいところ
Zero-shot で結果が揺れるとき、例を足す前に見直すべきなのは指示の側です。出力の形式（何語で、何行で、どのキーを含む JSON か）を書いていない指示は、毎回違う形で返ってきます。逆に、精度が出ないからと例を大量に貼ると、例に引きずられて例と似た答えばかり返す偏りが出ます。まず指示を具体化し、それでも足りないときに例を二、三件足す順序が扱いやすくなります。
覚え方
「例を見せずに、やることだけ伝える」が Zero-shot です。人に仕事を頼む場面に置き換えると、口頭で説明だけして任せるのが Zero-shot、過去の成果物を一部見せて渡すのが few-shot、その仕事専任の担当者を育てるのがファインチューニングにあたります。頼む相手が新人でも分かる説明になっているか、という基準で指示文を読み直すと、足りない条件が見つかります。
