Entendiendo el aprendizaje few-shot, zero-shot y por transferencia

Los sistemas de inteligencia artificial (IA) pueden manejar tareas complejas como reconocer rostros, clasificar imágenes y conducir vehículos con una mínima intervención humana. Lo logran estudiando datos, reconociendo patrones y utilizando dichos patrones para realizar predicciones o decisiones. A medida que la IA avanza, somos testigos de formas cada vez más sofisticadas en las que los modelos de IA pueden aprender, adaptarse y realizar tareas con una eficiencia notable.

Por ejemplo, la computer vision es una rama de la IA que se centra en permitir que las máquinas interpreten y comprendan información visual del mundo. El desarrollo tradicional de modelos de computer vision depende en gran medida de datasets grandes y anotados para el entrenamiento. Recopilar y etiquetar dichos datos puede requerir mucho tiempo y resultar costoso.

Para abordar estos desafíos, los investigadores han introducido enfoques innovadores como el aprendizaje de pocos ejemplos (FSL), que aprende a partir de ejemplos limitados; el aprendizaje de cero ejemplos (ZSL), que identifica objetos no vistos previamente; y el aprendizaje por transferencia (TL), que aplica conocimientos de modelos preentrenados a nuevas tareas.

En este artículo, exploraremos cómo funcionan estos paradigmas de aprendizaje, destacaremos sus diferencias clave y veremos aplicaciones del mundo real. ¡Empecemos!

Una visión general de los paradigmas de aprendizaje#

Exploremos qué son el aprendizaje de pocos ejemplos, el aprendizaje de cero ejemplos y el aprendizaje por transferencia en el contexto de la visión artificial y cómo funcionan.

Aprendizaje de pocos ejemplos (few-shot learning)#

El Few-shot learning es un método mediante el cual los sistemas aprenden a reconocer nuevos objetos utilizando solo un número reducido de ejemplos. Por ejemplo, si le muestras a un modelo unas pocas imágenes de un pingüino, un pelícano y un frailecillo (este pequeño grupo se denomina "conjunto de soporte"), aprende cómo son estas aves.

Más tarde, si le muestras al modelo una imagen nueva, como la de un pingüino, este compara la imagen nueva con las de su conjunto de soporte y elige la coincidencia más cercana. Cuando es difícil reunir una gran cantidad de datos, este método resulta beneficioso porque el sistema todavía puede aprender y adaptarse con solo unos pocos ejemplos.

Fig 1. Una visión general de cómo funciona el few-shot learning.

Aprendizaje de cero ejemplos (zero-shot learning)#

El Zero-shot learning es una forma que tienen las máquinas de reconocer cosas que nunca antes habían visto sin necesidad de ejemplos de ellas. Utiliza información semántica, como descripciones, para ayudar a establecer conexiones.

Por ejemplo, si una máquina ha aprendido sobre animales como gatos, leones y caballos al comprender características como "pequeño y peludo", "gran felino salvaje" o "cara alargada", puede usar este conocimiento para identificar un animal nuevo, como un tigre. Incluso si nunca ha visto un tigre antes, puede usar una descripción como "un animal similar a un león con rayas oscuras" para identificarlo correctamente. Esto facilita que las máquinas aprendan y se adapten sin necesidad de muchos ejemplos.

Fig 2. El zero-shot learning identifica nuevos objetos utilizando descripciones.

Aprendizaje por transferencia (transfer learning)#

El Transfer learning es un paradigma de aprendizaje en el que un modelo utiliza lo que ha aprendido en una tarea para ayudar a resolver una nueva tarea similar. Esta técnica es especialmente útil cuando se trata de tareas de computer vision como la detección de objetos, la clasificación de imágenes y el reconocimiento de patrones.

Por ejemplo, en computer vision, un modelo preentrenado puede reconocer objetos generales, como animales, y luego ajustarse mediante el aprendizaje por transferencia para identificar otros específicos, como diferentes razas de perros. Al reutilizar el conocimiento de tareas anteriores, el aprendizaje por transferencia facilita el entrenamiento de computer vision models en conjuntos de datos más pequeños, lo que ahorra tiempo y esfuerzo.

Fig 3. Una visión general de cómo funciona el transfer learning.

Quizás te preguntes qué tipo de modelos admiten el aprendizaje por transferencia. Ultralytics YOLO11 es un gran ejemplo de modelo de computer vision capaz de hacer esto. Es un modelo de detección de objetos de última generación que primero se preentrena en un dataset grande y general. Después, se puede ajustar y custom-trained en un dataset más pequeño y especializado para tareas específicas.

Comparación de los paradigmas de aprendizaje#

Ahora que hemos hablado sobre el aprendizaje de pocos ejemplos, el aprendizaje de cero ejemplos y el aprendizaje por transferencia, comparémoslos para ver en qué se diferencian.

Fig 4. Diferencias clave entre el aprendizaje de pocos ejemplos, de cero ejemplos y por transferencia. Imagen del autor.

El aprendizaje de pocos ejemplos es útil cuando tienes solo una pequeña cantidad de datos etiquetados. Hace posible que un modelo de IA aprenda a partir de solo unos pocos ejemplos. Por otro lado, el aprendizaje de cero ejemplos no requiere ningún dato etiquetado. En su lugar, utiliza descripciones o contexto para ayudar al sistema a manejar nuevas tareas. Mientras tanto, el aprendizaje por transferencia adopta un enfoque diferente al utilizar el conocimiento de modelos preentrenados, lo que les permite adaptarse rápidamente a nuevas tareas con una mínima cantidad de datos adicionales. Cada método tiene sus propias fortalezas dependiendo del tipo de datos y la tarea en la que estés trabajando.

Aplicaciones en el mundo real de varios paradigmas de aprendizaje#

Estos paradigmas de aprendizaje ya están marcando una diferencia en muchos sectores, resolviendo problemas complejos con soluciones innovadoras. Echemos un vistazo más de cerca a cómo pueden aplicarse en el mundo real.

Diagnóstico de enfermedades raras con aprendizaje de pocos ejemplos#

El aprendizaje con pocos ejemplares (few-shot learning) supone una revolución para el sector sanitario, especialmente en medical imaging. Puede ayudar a los médicos a diagnosticar enfermedades raras utilizando solo unos pocos ejemplos o incluso descripciones, sin necesidad de grandes cantidades de datos. Esto resulta especialmente útil cuando los datos son limitados, algo que ocurre a menudo porque recopilar grandes datasets para afecciones raras puede ser complicado.

Por ejemplo, SHEPHERD utiliza el few-shot learning y grafos de conocimiento biomédico para diagnosticar trastornos genéticos raros. Asocia la información de los pacientes, como los síntomas y los resultados de las pruebas, a una red de genes y enfermedades conocidos. Esto ayuda a identificar la causa genética probable y a encontrar casos similares, incluso cuando los datos son limitados.

Fig 5. El modelo Shepherd diagnostica enfermedades raras utilizando datos mínimos.

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

En la agricultura, identificar rápidamente las enfermedades de las plantas es esencial porque los retrasos en la detección pueden provocar daños generalizados en los cultivos, una reducción de los rendimientos y pérdidas financieras significativas. Los métodos tradicionales a menudo dependen de grandes datasets y del conocimiento de expertos, que no siempre pueden estar disponibles, especialmente en áreas remotas o con recursos limitados. Aquí es donde entran en juego los avances en IA, como el aprendizaje de cero ejemplos.

Supongamos que un agricultor cultiva tomates y patatas y nota síntomas como hojas amarillentas o manchas marrones. El aprendizaje de cero ejemplos puede ayudar a identificar enfermedades como el tizón tardío sin requerir grandes datasets. Al usar descripciones de los síntomas, el modelo puede clasificar enfermedades que no ha visto antes. Este enfoque es rápido, escalable y permite a los agricultores detectar una variedad de problemas en las plantas. Ayuda a monitorear la salud de los cultivos de manera más eficiente, a tomar medidas oportunas y a reducir las pérdidas.

Fig 6. Uso del zero-shot learning para identificar enfermedades en las plantas.

Vehículos autónomos y aprendizaje por transferencia#

Los vehículos autónomos a menudo necesitan adaptarse a diferentes entornos para conducir de forma segura. El aprendizaje por transferencia les ayuda a utilizar conocimientos previos para ajustarse rápidamente a nuevas condiciones sin comenzar su entrenamiento desde cero. Combinado con la visión artificial, que ayuda a los vehículos a interpretar información visual, estas tecnologías permiten una navegación más fluida a través de diferentes terrenos y condiciones climáticas, haciendo que la conducción autónoma sea más eficiente y fiable.

Un buen ejemplo de esto en la práctica es un parking management system que utiliza Ultralytics YOLO11 para supervisar las plazas de aparcamiento. YOLO11, un modelo de detección de objetos preentrenado, se puede ajustar mediante el aprendizaje por transferencia para identificar plazas libres y ocupadas en tiempo real. Al entrenar el modelo con un dataset más pequeño de imágenes de aparcamientos, aprende a detectar con precisión los espacios abiertos, los sitios llenos e incluso las zonas reservadas.

Fig 7. Gestión de aparcamientos con Ultralytics YOLO11.

Integrado con otras tecnologías, este sistema puede guiar a los conductores hasta la plaza libre más cercana, lo que ayuda a reducir el tiempo de búsqueda y la congestión del tráfico. El aprendizaje por transferencia hace esto posible aprovechando las capacidades existentes de object detection de Ultralytics YOLO11, lo que le permite adaptarse a las necesidades específicas de la gestión de aparcamientos sin empezar desde cero. Este enfoque ahorra tiempo y recursos al tiempo que crea una solución altamente eficiente y escalable que mejora las operaciones de aparcamiento y optimiza la experiencia general del usuario.

Tendencias emergentes en los paradigmas de aprendizaje#

El futuro de los paradigmas de aprendizaje en computer vision apunta hacia el desarrollo de sistemas de IA visual más inteligentes y sostenibles. En concreto, una tendencia al alza es el uso de hybrid approaches que combinan few-shot learning, zero-shot learning y 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 diferentes áreas.

Un ejemplo interesante es el uso de adapted deep embeddings para ajustar modelos utilizando conocimientos de tareas anteriores y una pequeña cantidad de datos nuevos, lo que facilita trabajar con datasets limitados.

De igual modo, el X-shot learning está diseñado para gestionar tareas con diferentes cantidades de datos. Utiliza una 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 se dispone de pocos o ningún ejemplo previo. Estos enfoques híbridos muestran cómo la integración de diferentes métodos de aprendizaje puede ayudar a los sistemas de IA a abordar los desafíos de manera más eficaz.

Conclusiones clave#

El aprendizaje de pocos ejemplos, el aprendizaje de cero ejemplos y el aprendizaje por transferencia abordan desafíos específicos en la visión artificial, haciéndolos adecuados para diferentes tareas. El enfoque correcto depende de la aplicación específica y de cuántos datos estén disponibles. Por ejemplo, el aprendizaje de pocos ejemplos funciona bien con datos limitados, mientras que el aprendizaje de cero ejemplos es excelente para tratar con clases no vistas o desconocidas.

Mirando hacia el futuro, es probable que la combinación de estos métodos para crear modelos híbridos que integren visión, lenguaje y audio sea un enfoque clave. Estos avances tienen como objetivo hacer que los sistemas de IA sean más flexibles, eficientes y capaces de abordar problemas complejos, abriendo nuevas posibilidades para la innovación en el campo.

Explora más sobre la IA uniéndote a nuestra comunidad y consultando nuestro repositorio de GitHub. Descubre cómo la IA en los coches autónomos y la computer vision en la agricultura están redefiniendo el futuro. ¡Consulta las opciones disponibles de la YOLO license para empezar!