今天來試Zero-Shot Classification，它的厲害之處在於，它不需要額外訓練，就能直接幫文字分到指定的類別。

舉例來說，在醫院或護理系統裡的AI客服，病人可能會輸入各種問題：
「我要怎麼預約掛號？」
「這個藥要飯前還是飯後吃？」
「我現在有點頭暈，該怎麼辦？」
這些問題的主題都不一樣，但如果透過Zero-Shot Classification，就可以即時幫它們歸類：
行政相關（掛號、病房探視時間）
用藥資訊（服藥方法、副作用）
臨床症狀（需要醫護評估的情況）

這樣一來，AI客服就能先做初步的分流：簡單的問題直接回覆，複雜或危險的情況則立刻轉給真人護理師處理。

實際操作
使用zero-shot-classification pipeline在Colab輸入程式碼

from transformers import pipeline

classifier = pipeline("zero-shot-classification", model="facebook/bart-large-mnli")

# 病人常見問題
questions = [
    "我要怎麼預約掛號？",
    "這個藥要飯前還是飯後吃？",
    "我現在有點頭暈，該怎麼辦？"
]

# 我預設的類別
labels = ["行政相關", "用藥資訊", "臨床症狀"]

# 逐一分類
for q in questions:
    result = classifier(q, candidate_labels=labels)
    print(f"問題：{q}")
    print("分類結果：", result["labels"][0], "\n")

得出的結果為

這邊發現一個很嚴重的問題，所有問題都被分到同一個類別，完全沒有分流的效果。
後來仔細查了一下，才發現問題出在模型上。我當時使用的facebook/bart-large-mnli 是英文專用的NLI模型，拿來做中文分類時，模型其實看不懂中文內容，加上預設的假設模板（This example is {}）是英文，等於要模型用英文邏輯判斷中文標籤，難怪會亂掉。

對於這個錯誤，有兩種改正方式:

1. 維持中文，但改成多語 NLI 模型，並把假設模板也改成中文。

from transformers import pipeline

classifier = pipeline(
    "zero-shot-classification",
    model="joeddav/xlm-roberta-large-xnli"   # 多語模型
)

questions = [
    "我要怎麼預約掛號？",
    "這個藥要飯前還是飯後吃？",
    "我現在有點頭暈，該怎麼辦？"
]

labels = ["行政相關", "用藥資訊", "臨床症狀"]
template = "這句話的主題是 {}。"

for q in questions:
    result = classifier(q, candidate_labels=labels,
                        hypothesis_template=template,
                        multi_label=False)
    print(f"問題：{q}")
    print("分類結果：", result["labels"][0], "\n")

得出的結果如圖所示，雖然不像第一次跑的程式碼完全沒有分類。但發現第一個問題「我要怎麼預約掛號？」被錯誤分類到臨床症狀。會出現這個情況的原因可能是，一開始的標籤只有三個名詞（行政相關／用藥資訊／臨床症狀），語意太抽象；模型看到問句或帶有「怎麼辦」這類求助語氣時，容易被「臨床症狀」這個詞吸走。這部分未來還可以再精進。

2. 全部改英文，把問題、標籤、模板全英文化。

from transformers import pipeline

classifier = pipeline("zero-shot-classification", model="facebook/bart-large-mnli")

questions = [
    "How can I make an appointment?",
    "Should I take this medicine before or after meals?",
    "I'm feeling dizzy now. What should I do?"
]

labels = ["administrative", "medication", "clinical symptom"]
template = "The topic of this sentence is {}."

for q in questions:
    result = classifier(q, candidate_labels=labels,
                        hypothesis_template=template,
                        multi_label=False)
    print(f"Question: {q}")
    print("Predicted:", result["labels"][0], "\n")

發現這個方法更加穩定和正確。但對於在台灣使用的系統不可能全部都是英文，因此針對今天的文字分類功能，我還有需要學習的地方。