零樣本學習

零樣本學習（Zero-shot Learning, ZSL）是一種機器學習技術，使模型能夠解決它從未明確訓練過的任務。傳統監督式學習需要大量標記好的數據範例，而零樣本學習則是利用模型在大量通用數據中學到的廣泛知識，透過自然語言指令（提示）來理解並執行新任務。此技術的核心在於模型的泛化能力，使其能將既有知識應用於未知場景。在風險管理框架中，零樣本學習的不可預測性是關鍵考量點。例如，美國國家標準暨技術研究院的《AI風險管理框架》（NIST AI RMF 1.0）強調治理與測量AI系統的可靠性，而零樣本學習的輸出穩定性即為測量重點。同樣地，ISO/IEC 23894:2023《人工智慧—風險管理》也要求組織識別與評估由AI系統（包含使用ZSL技術的系統）產生的風險。相較於需要少量範例的「少樣本學習」（Few-shot Learning），零樣本學習在數據稀缺或新興風險浮現的初期，提供了更敏捷的分析能力。

在企業風險管理（ERM）中，零樣本學習可自動化處理大量非結構化數據，實現高效的初步風險篩選。導入步驟如下： 1. **定義風險場景與模型選擇**：首先，確定分析目標，例如從全球新聞中識別供應鏈中斷風險，或從客戶投訴中分類潛在的產品安全問題。接著，選擇具備強大零樣本學習能力的大型語言模型（LLM）。 2. **設計提示工程與驗證**：撰寫清晰、具體的指令（Prompt）來引導模型執行分類或摘要任務。例如：「請將以下報告歸類為作業風險、合規風險或聲譽風險，並說明理由。」接著，使用一小部分由專家標記的數據來驗證模型的準確性與一致性。 3. **整合工作流程與持續監控**：將驗證後的模型API整合至既有的治理、風險與合規（GRC）平台。依據ISO/IEC TR 24028:2020對AI可信賴性的建議，建立持續監控機制，追蹤模型表現，並設置「人在迴路」（Human-in-the-loop）流程，由風險分析師複核高風險判斷。某跨國金融機構即採用此技術，對海量財經新聞進行零樣本情感分析與主題分類，以即時偵測市場情緒轉變，將潛在聲譽風險的識別時間從數小時縮短至數分鐘，分析覆蓋率提升超過300%。

台灣企業導入零樣本學習主要面臨三大挑戰： 1. **繁體中文與在地脈絡的理解偏差**：許多頂尖模型主要以英文語料庫訓練，對台灣特有的商業術語、法規或文化俚語可能產生誤解。**對策**：優先選擇對繁體中文支援度高的模型，並在提示中加入明確的台灣在地情境描述。在正式部署前，必須使用企業內部的真實中文數據進行小規模概念驗證（PoC），以評估其準確性。 2. **資料隱私與法規遵循**：將含有個人或敏感商業資訊的數據傳送至外部雲端AI服務，可能觸犯《個人資料保護法》或營業秘密規範。**對策**：導入前務必執行資料保護衝擊評估（DPIA）。應優先採用資料匿名化或假名化技術處理數據，或考慮部署可在私有雲或本地端運行的模型，確保數據不離開企業邊界。 3. **輸出的可靠性與可解釋性不足**：零樣本學習的結果可能不穩定或出現「幻覺」（無中生有），難以直接作為重大風險決策的依據，這也是NIST AI RMF關注的核心風險。**對策**：建立分級信任機制，將零樣本學習定位於「初步篩選」或「風險預警」，而非最終決策。要求模型在輸出結果時一併提供判斷依據或引用來源，並設計由人類專家進行最終審核的流程。建議從非核心業務的小型專案開始，逐步建立信任與導入經驗，預計3-6個月完成初步評估與導入。