29 de enero de 2025
Explore las diferencias entre el aprendizaje con pocos ejemplos (few-shot learning), el aprendizaje con cero ejemplos (zero-shot learning) y el aprendizaje por transferencia (transfer learning) en la visión artificial y cómo estos paradigmas dan forma al entrenamiento de modelos de IA.
Los sistemas de inteligencia artificial (IA) pueden manejar tareas complejas como el reconocimiento facial, la clasificación de imágenes y la conducción de automóviles con una mínima intervención humana. Lo hacen estudiando datos, reconociendo patrones y utilizando esos patrones para hacer predicciones o tomar decisiones. A medida que avanza la IA, estamos presenciando 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 visión artificial es una rama de la IA que se centra en permitir que las máquinas interpreten y comprendan la información visual del mundo. El desarrollo tradicional de modelos de visión artificial se basa en gran medida en grandes conjuntos de datos anotados para el entrenamiento. La recopilación y el etiquetado de dichos datos pueden llevar mucho tiempo y ser costosos.
Para abordar estos desafíos, los investigadores han introducido enfoques innovadores como el aprendizaje con pocos ejemplos (FSL), que aprende de ejemplos limitados; el aprendizaje con cero ejemplos (ZSL), que identifica objetos no vistos; y el aprendizaje por transferencia (TL), que aplica el conocimiento de modelos pre-entrenados a nuevas tareas.
En este artículo, exploraremos cómo funcionan estos paradigmas de aprendizaje, destacaremos sus diferencias clave y analizaremos aplicaciones del mundo real. ¡Empecemos!
Exploremos qué son el aprendizaje con pocos ejemplos (few-shot learning), el aprendizaje con cero ejemplos (zero-shot learning) y el aprendizaje por transferencia (transfer learning) con respecto a la visión artificial y cómo funcionan.
El aprendizaje con pocos ejemplos es un método en el que los sistemas aprenden a reconocer nuevos objetos utilizando solo un pequeño número de ejemplos. Por ejemplo, si le muestras a un modelo algunas imágenes de un pingüino, un pelícano y un frailecillo (este pequeño grupo se llama el "conjunto de soporte"), aprende cómo son estos pájaros.
Más tarde, si le muestras al modelo una nueva imagen, como un pingüino, compara esta nueva imagen con las de su conjunto de soporte y elige la coincidencia más cercana. Cuando es difícil reunir una gran cantidad de datos, este método es beneficioso porque el sistema aún puede aprender y adaptarse con solo unos pocos ejemplos.
El aprendizaje zero-shot es una forma de que las máquinas reconozcan cosas que nunca han visto antes 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 comprendiendo características como "pequeño y esponjoso", "gran felino salvaje" o "cara larga", puede utilizar este conocimiento para identificar un nuevo animal, como un tigre. Incluso si nunca ha visto un tigre antes, puede utilizar una descripción como "un animal parecido a un león con rayas oscuras" para identificarlo correctamente. Esto facilita que las máquinas aprendan y se adapten sin necesidad de muchos ejemplos.
El aprendizaje por transferencia es un paradigma de aprendizaje en el que un modelo utiliza lo que ha aprendido de una tarea para ayudar a resolver una tarea nueva similar. Esta técnica es especialmente útil cuando se trata de 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 luego ajustarse mediante el aprendizaje por transferencia para identificar objetos específicos, como diferentes razas de perros. Al reutilizar el conocimiento de tareas anteriores, el aprendizaje por transferencia facilita el entrenamiento de modelos de visión artificial en conjuntos de datos más pequeños, lo que ahorra tiempo y esfuerzo.
Puede que se pregunte qué tipo de modelos admiten el aprendizaje por transferencia. Ultralytics YOLO11 es un gran ejemplo de un modelo de visión artificial que puede hacer esto. Es un modelo de detección de objetos de última generación que primero se pre-entrena en un conjunto de datos grande y general. Después de eso, se puede ajustar y entrenar de forma personalizada en un conjunto de datos más pequeño y especializado para tareas específicas.
Ahora que hemos hablado sobre el aprendizaje con pocos ejemplos (few-shot learning), el aprendizaje con cero ejemplos (zero-shot learning) y el aprendizaje por transferencia (transfer learning), vamos a compararlos para ver en qué se diferencian.
El aprendizaje con pocos ejemplos es útil cuando solo se tiene una pequeña cantidad de datos etiquetados. Permite que un modelo de IA aprenda de solo unos pocos ejemplos. El aprendizaje con cero ejemplos, por otro lado, no requiere ningún dato etiquetado. En cambio, 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 pre-entrenados, lo que les permite adaptarse rápidamente a nuevas tareas con datos adicionales mínimos. Cada método tiene sus propias fortalezas según el tipo de datos y la tarea en la que esté trabajando.
Estos paradigmas de aprendizaje ya están marcando la diferencia en muchos sectores, resolviendo problemas complejos con soluciones innovadoras. Echemos un vistazo más de cerca a cómo se pueden aplicar en el mundo real.
El aprendizaje con pocos ejemplos cambia las reglas del juego para el sector de la salud, especialmente en imágenes médicas. 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 es especialmente útil cuando los datos son limitados, lo que suele ser el caso porque la recopilación de grandes conjuntos de datos para afecciones raras puede ser un desafío.
Por ejemplo, SHEPHERD utiliza el aprendizaje con pocos ejemplos y grafos de conocimiento biomédico para diagnosticar trastornos genéticos raros. Mapea la información del paciente, como los síntomas y los resultados de las pruebas, en 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.
En agricultura, la identificación rápida de enfermedades en las plantas es esencial porque los retrasos en la detección pueden provocar daños generalizados en los cultivos, la reducción de los rendimientos y pérdidas financieras significativas. Los métodos tradicionales a menudo se basan en grandes conjuntos de datos y conocimientos especializados, que no siempre son accesibles, especialmente en áreas remotas o con recursos limitados. Aquí es donde entran en juego los avances en IA, como el aprendizaje zero-shot.
Digamos que un agricultor está cultivando tomates y patatas y observa síntomas como hojas amarillentas o manchas marrones. El aprendizaje con cero ejemplos puede ayudar a identificar enfermedades como el tizón tardío sin necesidad de grandes conjuntos de datos. Mediante el uso de 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 de las plantas. Les ayuda a supervisar la salud de los cultivos de forma más eficiente, a tomar medidas oportunas y a reducir las pérdidas.
Los vehículos autónomos a menudo necesitan adaptarse a diferentes entornos para navegar de forma segura. El aprendizaje por transferencia les ayuda a utilizar el conocimiento previo para adaptarse rápidamente a nuevas condiciones sin comenzar su entrenamiento desde cero. Combinadas con la visión artificial, que ayuda a los vehículos a interpretar la información visual, estas tecnologías permiten una navegación más fluida en diferentes terrenos y condiciones climáticas, lo que hace que la conducción autónoma sea más eficiente y fiable.
Un buen ejemplo de esto en acción es un sistema de gestión de aparcamientos que utiliza Ultralytics YOLO11 para monitorizar las plazas de aparcamiento. YOLO11, un modelo de detección de objetos pre-entrenado, puede ser ajustado mediante el aprendizaje por transferencia para identificar plazas de aparcamiento vacías y ocupadas en tiempo real. Al entrenar el modelo con un conjunto de datos más pequeño de imágenes de aparcamientos, aprende a detectar con precisión los espacios libres, las plazas llenas e incluso las zonas reservadas.
Integrado con otras tecnologías, este sistema puede guiar a los conductores al lugar disponible más cercano, ayudando a reducir el tiempo de búsqueda y la congestión del tráfico. El aprendizaje por transferencia hace esto posible al aprovechar las capacidades existentes de detección de objetos de YOLO11, lo que le permite adaptarse a las necesidades específicas de la gestión de estacionamiento 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 estacionamiento y mejora la experiencia general del usuario.
El futuro de los paradigmas de aprendizaje en la visión artificial se inclina hacia el desarrollo de sistemas de Visión Artificial más inteligentes y sostenibles. En particular, una tendencia creciente es el uso de enfoques híbridos que combinan el aprendizaje con pocos ejemplos (few-shot learning), el aprendizaje con cero ejemplos (zero-shot learning) y el aprendizaje por transferencia (transfer learning). Al combinar las fortalezas 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 embeddings profundos adaptados para ajustar modelos utilizando el conocimiento de tareas anteriores y una pequeña cantidad de datos nuevos, lo que facilita el trabajo con conjuntos de datos limitados.
De forma similar, el aprendizaje X-shot está diseñado para gestionar tareas con diferentes cantidades de datos. Utiliza la supervisión débil, donde los modelos aprenden de etiquetas limitadas o ruidosas, e instrucciones claras para ayudarles a adaptarse rápidamente, incluso con pocos o ningún ejemplo previo disponible. Estos enfoques híbridos muestran cómo la integración de diferentes métodos de aprendizaje puede ayudar a los sistemas de IA a afrontar los retos con mayor eficacia.
El aprendizaje con pocos ejemplos, el aprendizaje con cero ejemplos y el aprendizaje por transferencia abordan desafíos específicos en la visión artificial, lo que los hace adecuados para diferentes tareas. El enfoque correcto depende de la aplicación específica y de la cantidad de datos disponibles. Por ejemplo, el aprendizaje con pocos ejemplos funciona bien con datos limitados, mientras que el aprendizaje con cero ejemplos es excelente para lidiar con clases no vistas o desconocidas.
De cara al 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 pretenden hacer que los sistemas de IA sean más flexibles, eficientes y capaces de abordar problemas complejos, abriendo nuevas posibilidades de innovación en el campo.
Explore más sobre la IA uniéndose a nuestra comunidad y consultando nuestro repositorio de GitHub. Descubra cómo la IA en los coches autónomos y la visión artificial en la agricultura están transformando el futuro. ¡Consulte las opciones disponibles de la licencia YOLO para empezar!
