Zero-shot learning (ZSL) 是一种机器学习方法，允许模型执行任务，而无需针对这些任务的特定数据进行明确训练。在多语言任务的上下文中，ZSL使模型能够理解和处理新的语言或方言，而无需对这些语言进行额外的培训。这在某些语言的标记训练数据稀缺或不可用的情况下特别有用。例如，主要基于英语数据训练的模型可以利用其对概念和语义的理解来解释和翻译不太常见的语言的句子，而不需要特定的多语言训练阶段。
零射击学习如何应用于多语言任务的一个实际例子是翻译服务。想象一下这样一个场景: 模型可以将内容从英语翻译成多种语言，包括法语、西班牙语和日语，而无需对每种语言进行明确的训练。相反，模型基于在训练数据中发现的共享词汇和语法规则来学习理解语言之间的关系。通过这样做，它可以将其翻译技能推广到以前从未遇到过的语言，使用户能够快速访问翻译的内容，并扩大他们在不同语言群体中的覆盖范围。
此外，零射击学习可以增强自然语言处理任务，如多语言环境中的情感分析和实体识别。例如，开发者可以创建情感分析系统，其中已经用主要用英语的情感数据训练了模型。使用零射击学习，相同的模型可以依靠对训练中收集的单词和短语的理解来分析用德语或意大利语撰写的评论中的情绪。这大大减少了与为每种语言构建单独模型相关的时间和成本，同时允许开发人员构建满足全球受众需求的多功能应用程序。