Comprende el aprendizaje con pocos ejemplos, sin ejemplos y por transferencia

Los sistemas de inteligencia artificial (AI) pueden realizar tareas complejas, como reconocer caras, clasificar imágenes y conducir coches, con una intervención humana mínima. Lo consiguen estudiando datos, reconociendo patrones y utilizándolos para hacer predicciones o tomar decisiones. A medida que avanza la IA, vemos cómo los modelos de IA aprenden, se adaptan y realizan tareas de formas cada vez más sofisticadas y con una eficiencia extraordinaria.

Por ejemplo, la visión artificial es una rama de la IA centrada en permitir que las máquinas interpreten y entiendan la información visual del mundo. El desarrollo tradicional de modelos de visión artificial depende en gran medida de conjuntos de datos grandes y anotados para el entrenamiento. Recopilar y etiquetar estos datos puede llevar mucho tiempo y ser costoso.

Para abordar estos retos, los investigadores han propuesto enfoques innovadores como el aprendizaje con pocos ejemplos (FSL), que aprende a partir de un número limitado de ejemplos; el aprendizaje sin ejemplos (ZSL), que identifica objetos no vistos; y el aprendizaje por transferencia (TL), que aplica a tareas nuevas los conocimientos de modelos preentrenados.

En este artículo, veremos cómo funcionan estos paradigmas de aprendizaje, destacaremos sus principales diferencias y examinaremos aplicaciones reales.

Descripción general de los paradigmas de aprendizaje#

Veamos qué son el aprendizaje con pocos ejemplos, el aprendizaje sin ejemplos y el aprendizaje por transferencia en el contexto de la visión artificial, y cómo funcionan.

Aprendizaje con pocos ejemplos#

El aprendizaje con pocos ejemplos es un método por el que los sistemas aprenden a reconocer objetos nuevos utilizando solo unos pocos ejemplos. Por ejemplo, si muestras a un modelo unas cuantas imágenes de un pingüino, un pelícano y un frailecillo (este pequeño grupo se denomina «conjunto de soporte»), el modelo aprende qué aspecto tienen estas aves.

Más adelante, si muestras al modelo una imagen nueva, por ejemplo, de un pingüino, comparará esa imagen con las del conjunto de soporte y elegirá la más parecida. Este método resulta útil cuando es difícil recopilar muchos datos, porque el sistema puede aprender y adaptarse con solo unos pocos ejemplos.

Fig. 1. Descripción general del funcionamiento del aprendizaje con pocos ejemplos.

Aprendizaje sin ejemplos#

El aprendizaje sin ejemplos permite a las máquinas reconocer cosas que nunca han visto sin necesitar ejemplos. Utiliza información semántica, como descripciones, para establecer relaciones.

Por ejemplo, si una máquina ha aprendido sobre animales como gatos, leones y caballos al comprender características como «pequeño y peludo», «felino salvaje grande» o «cara alargada», puede utilizar esos conocimientos para identificar un animal nuevo, como un tigre. Aunque nunca haya visto un tigre, puede identificarlo correctamente a partir de una descripción como «un animal parecido a un león con rayas oscuras». Esto facilita que las máquinas aprendan y se adapten sin necesitar muchos ejemplos. Los detectores de vocabulario abierto, como YOLOE, aplican la misma idea a la detección de objetos y localizan objetos únicamente a partir de indicaciones de texto.

Fig. 2. El aprendizaje sin ejemplos identifica objetos nuevos a partir de descripciones.

Aprendizaje por transferencia#

El aprendizaje por transferencia es un paradigma de aprendizaje en el que un modelo utiliza lo aprendido en una tarea para resolver otra tarea nueva y similar. Esta técnica resulta especialmente útil para tareas de visión artificial como la detección de objetos, la clasificación de imágenes y el reconocimiento de patrones.

Por ejemplo, en visión artificial, un modelo preentrenado puede reconocer objetos generales, como animales, y después ajustarse mediante aprendizaje por transferencia para identificar otros específicos, como distintas razas de perros. Al reutilizar los conocimientos adquiridos en tareas anteriores, el aprendizaje por transferencia facilita el entrenamiento de modelos de visión artificial con conjuntos de datos más pequeños, lo que ahorra tiempo y esfuerzo.

Fig. 3. Resumen del funcionamiento del aprendizaje por transferencia.

Quizá te preguntes qué tipos de modelos admiten el aprendizaje por transferencia. Ultralytics YOLO11 (al que ya ha sucedido Ultralytics YOLO26) es un excelente ejemplo de modelo de visión artificial capaz de hacerlo. Es un modelo de detección de objetos de última generación que primero se preentrena con un conjunto de datos general de gran tamaño. Después, se puede ajustar y entrenar con datos personalizados en un conjunto de datos especializado más pequeño para tareas específicas.

Comparación de los paradigmas de aprendizaje#

Ahora que hemos hablado del aprendizaje con pocos ejemplos, el aprendizaje sin ejemplos y el aprendizaje por transferencia, comparémoslos para ver en qué se diferencian.

Fig. 4. Principales diferencias entre el aprendizaje con pocos ejemplos, el aprendizaje sin ejemplos y el aprendizaje por transferencia. Imagen del autor.

El aprendizaje con pocos ejemplos resulta útil cuando solo tienes una pequeña cantidad de datos etiquetados. Permite que un modelo de IA aprenda a partir de unos pocos ejemplos. En cambio, el aprendizaje sin ejemplos no requiere datos etiquetados. En su lugar, utiliza descripciones o contexto para ayudar al sistema a realizar tareas nuevas. Por su parte, el aprendizaje por transferencia sigue un enfoque distinto: aprovecha los conocimientos de modelos preentrenados para que se adapten rápidamente a tareas nuevas con muy pocos datos adicionales. Cada método tiene sus puntos fuertes, según el tipo de datos y la tarea en la que trabajes.

Aplicaciones reales de distintos paradigmas de aprendizaje#

Estos paradigmas de aprendizaje ya están marcando la diferencia en muchos sectores y resolviendo problemas complejos con soluciones innovadoras. Veamos más de cerca cómo pueden aplicarse en el mundo real.

Diagnóstico de enfermedades raras con aprendizaje con pocos ejemplos#

El aprendizaje con pocos ejemplos es especialmente valioso en el sector sanitario, sobre todo en el ámbito de la imagen médica. Puede ayudar a los médicos a diagnosticar enfermedades raras utilizando solo unos pocos ejemplos o incluso descripciones, sin necesitar grandes cantidades de datos. Esto resulta especialmente útil cuando los datos son limitados, algo habitual porque puede ser difícil recopilar conjuntos de datos grandes para enfermedades raras.

Por ejemplo, SHEPHERD utiliza el aprendizaje con pocos ejemplos y grafos de conocimiento biomédico para diagnosticar trastornos genéticos raros. Asocia la información del paciente, como los síntomas y los resultados de las pruebas, a una red de genes y enfermedades conocidos. Esto ayuda a determinar la posible causa genética y a encontrar casos similares, incluso cuando hay pocos datos.

Fig. 5. El modelo SHEPHERD diagnostica enfermedades raras con datos mínimos.

Mejora de la detección de enfermedades de las plantas con aprendizaje sin ejemplos#

En agricultura, identificar rápidamente las enfermedades de las plantas es fundamental, ya que los retrasos en la detección pueden provocar daños generalizados en los cultivos, reducir las cosechas y causar importantes pérdidas económicas. Los métodos tradicionales suelen depender de grandes conjuntos de datos y de conocimientos expertos, que no siempre están al alcance, sobre todo en zonas remotas o con recursos limitados. Aquí es donde entran en juego los avances de la IA, como el aprendizaje sin ejemplos.

Imagina que un agricultor cultiva tomates y patatas y observa síntomas como hojas amarillentas o manchas marrones. El aprendizaje sin ejemplos puede ayudar a identificar enfermedades como el tizón tardío sin necesitar grandes conjuntos de datos. A partir de descripciones de los síntomas, el modelo puede clasificar enfermedades que no ha visto antes. Este enfoque es rápido y escalable, y permite a los agricultores detectar diversos problemas en las plantas. Les ayuda a supervisar la salud de los cultivos de forma más eficiente, actuar a tiempo y reducir las pérdidas.

Fig. 6. Uso del aprendizaje de cero ejemplos para identificar enfermedades de las plantas.

Vehículos autónomos y aprendizaje por transferencia#

Los vehículos autónomos suelen tener que adaptarse a distintos entornos para circular con seguridad. El aprendizaje por transferencia les permite utilizar conocimientos previos para adaptarse rápidamente a nuevas condiciones sin empezar su entrenamiento desde cero. Combinadas con la visión artificial, que ayuda a los vehículos a interpretar la información visual, estas tecnologías permiten circular con mayor fluidez por distintos terrenos y en diferentes condiciones meteorológicas, lo que hace que la conducción autónoma sea más eficiente y fiable.

Un buen ejemplo de esta aplicación es un sistema de gestión de aparcamientos que utiliza Ultralytics YOLO11 para supervisar las plazas. YOLO11, un modelo de detección de objetos preentrenado, puede ajustarse mediante aprendizaje por transferencia para identificar en tiempo real las plazas libres y ocupadas. Al entrenar el modelo con un conjunto de datos más pequeño de imágenes de aparcamientos, aprende a detectar con precisión las plazas libres, las ocupadas e incluso las reservadas.

Fig. 7. Gestión de aparcamientos con Ultralytics YOLO11.

Integrado con otras tecnologías, este sistema puede guiar a los conductores hasta la plaza disponible más cercana, lo que ayuda a reducir el tiempo de búsqueda y la congestión del tráfico. El aprendizaje por transferencia lo hace posible al aprovechar las capacidades existentes de Ultralytics YOLO11 para la detección de objetos, lo que permite adaptarlas a las necesidades específicas de la gestión de aparcamientos sin empezar desde cero. Este enfoque ahorra tiempo y recursos, a la vez que crea una solución muy eficiente y escalable que mejora las operaciones de aparcamiento y la experiencia general de los usuarios.

Tendencias emergentes en los paradigmas de aprendizaje#

El futuro de los paradigmas de aprendizaje en visión artificial apunta al desarrollo de sistemas de IA visual más inteligentes y sostenibles. En concreto, una tendencia creciente es el uso de enfoques híbridos que combinan el aprendizaje con pocos ejemplos, el aprendizaje sin ejemplos y el aprendizaje por transferencia. Al combinar los puntos fuertes de estos métodos, los modelos pueden aprender nuevas tareas con datos mínimos y aplicar sus conocimientos en distintos ámbitos.

Un ejemplo interesante es utilizar embeddings profundos adaptados para ajustar modelos aprovechando los conocimientos de tareas anteriores y una pequeña cantidad de datos nuevos, lo que facilita el trabajo con conjuntos de datos limitados.

Del mismo modo, el aprendizaje con X ejemplos está diseñado para abordar tareas con distintas cantidades de datos. Utiliza supervisión débil, en la que los modelos aprenden a partir de etiquetas limitadas o ruidosas, e instrucciones claras para ayudarles a adaptarse rápidamente, incluso cuando hay pocos ejemplos previos o ninguno. Estos enfoques híbridos muestran cómo integrar distintos métodos de aprendizaje puede ayudar a los sistemas de IA a afrontar los retos con mayor eficacia.

Conclusiones clave#

El aprendizaje con pocos ejemplos, el aprendizaje sin ejemplos y el aprendizaje por transferencia abordan retos específicos de la visión artificial, por lo que son adecuados para distintas tareas. El enfoque adecuado depende de la aplicación concreta y de la cantidad de datos disponible. Por ejemplo, el aprendizaje con pocos ejemplos funciona bien con datos limitados, mientras que el aprendizaje sin ejemplos es ideal para tratar con clases desconocidas o no vistas.

De cara al futuro, es probable que combinar estos métodos para crear modelos híbridos que integren visión, lenguaje y audio sea uno de los principales focos de atención. Estos avances buscan que los sistemas de IA sean más flexibles, eficientes y capaces de resolver problemas complejos, lo que abre nuevas posibilidades de innovación en este campo.

Descubre más sobre IA uniéndote a nuestra comunidad y consultando nuestro repositorio de GitHub. Descubre cómo la IA en los coches autónomos y la visión artificial en la agricultura están transformando el futuro. ¡Consulta las opciones de licencia de YOLO para empezar!