수개월을 들여 주석을 지정한 레이블된 데이터가 정말로 필요하지 않다면 어떨까요? Google의 "Towards Zero-Label Language Learning"은 이 문제 제기를 강하게 진행하며, 대규모 언어 모델이 작업 설명과 몇 가지 맥락 내 예제만으로 자신의 합성 학습 세트를 생성할 수 있음을 보여줍니다. 결과는 모델이 스스로 발명한 데이터에 대해 더 작은 학생 모델을 가르치는 파이프라인이며, 학생은 SuperGLUE에서 완전히 감독된 기준선과 견줄 수 있습니다.

고급의 하지만 작은 레이블된 코퍼스를 보유하고 있는 음성 AI 팀의 경우, 그 함의는 직접적입니다: 비지도 데이터 합성이 NLU에 대해 이 정도로 잘 작동한다면, 유사한 트릭은 새로운 주석 계약 없이 의도 분류기, 슬롯 필러, 또는 ASR 후처리를 위한 도메인 적응을 부트스트랩할 수 있습니다. 이 짧은 리뷰는 프롬프트 기반 데이터 생성 루프, 증류 설정, 그리고 주장을 신뢰할 수 있게 하는 숫자들을 풀어냅니다. 영점 레이블 데이터 파이프라인이 당신의 로드맵에 있다면 빠르게 한 바퀴를 둘러보세요.