Zero-Shot Learning

# Zero-Shot Learning 예제: 다양한 NLP 작업
from openai import OpenAI

client = OpenAI(api_key="your-api-key")

# Zero-Shot 감정 분석 (예시 없이 작업 수행)
def zero_shot_sentiment(text: str) -> str:
    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "당신은 텍스트 감정 분석 전문가입니다."},
            {"role": "user", "content": f"""
다음 텍스트의 감정을 분석하세요.
긍정(positive), 부정(negative), 중립(neutral) 중 하나로 답하세요.

텍스트: {text}

감정:"""}
        ],
        max_tokens=10,
        temperature=0
    )
    return response.choices[0].message.content.strip()

# Zero-Shot 텍스트 분류 (커스텀 카테고리)
def zero_shot_classification(text: str, categories: list) -> str:
    category_str = ", ".join(categories)
    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "user", "content": f"""
다음 텍스트를 아래 카테고리 중 가장 적합한 것으로 분류하세요.
카테고리: {category_str}

텍스트: {text}

선택한 카테고리 하나만 출력하세요:"""}
        ],
        max_tokens=20,
        temperature=0
    )
    return response.choices[0].message.content.strip()

# Hugging Face 모델을 활용한 Zero-Shot Classification
from transformers import pipeline

def zero_shot_with_huggingface(text: str, candidate_labels: list) -> dict:
    """
    Hugging Face의 zero-shot-classification 파이프라인 사용
    모델: facebook/bart-large-mnli (NLI 기반 분류)
    """
    classifier = pipeline(
        "zero-shot-classification",
        model="facebook/bart-large-mnli"
    )

    result = classifier(
        text,
        candidate_labels=candidate_labels,
        multi_label=False  # 단일 레이블 분류
    )

    return {
        "text": text,
        "predicted_label": result["labels"][0],
        "confidence": result["scores"][0],
        "all_scores": dict(zip(result["labels"], result["scores"]))
    }

# Zero-Shot vs Few-Shot 비교 함수
def compare_zero_few_shot(text: str, examples: list = None) -> dict:
    """
    Zero-Shot과 Few-Shot 결과를 비교합니다.
    examples: [{"text": "...", "label": "..."}] 형식의 예시 리스트
    """
    # Zero-Shot
    zero_shot_result = zero_shot_sentiment(text)

    # Few-Shot (예시가 있는 경우)
    if examples:
        example_str = "\n".join([
            f"텍스트: {e['text']}\n감정: {e['label']}"
            for e in examples
        ])

        response = client.chat.completions.create(
            model="gpt-4",
            messages=[
                {"role": "user", "content": f"""
텍스트의 감정을 분석하세요.

예시:
{example_str}

텍스트: {text}
감정:"""}
            ],
            max_tokens=10,
            temperature=0
        )
        few_shot_result = response.choices[0].message.content.strip()
    else:
        few_shot_result = None

    return {
        "text": text,
        "zero_shot": zero_shot_result,
        "few_shot": few_shot_result,
        "examples_count": len(examples) if examples else 0
    }

# 실행 예제
if __name__ == "__main__":
    # Zero-Shot 감정 분석
    result = zero_shot_sentiment("이 제품 정말 마음에 들어요! 배송도 빨랐어요.")
    print(f"감정: {result}")  # positive

    # Zero-Shot 커스텀 분류
    categories = ["기술", "스포츠", "정치", "연예", "경제"]
    text = "애플이 새로운 아이폰 발표회를 열었습니다."
    result = zero_shot_classification(text, categories)
    print(f"분류: {result}")  # 기술

    # Hugging Face Zero-Shot
    result = zero_shot_with_huggingface(
        "The stock market reached an all-time high today.",
        ["finance", "sports", "technology", "politics"]
    )
    print(f"HF 분류: {result['predicted_label']} ({result['confidence']:.2%})")