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

Los sistemas de inteligencia artificial (AI) pueden realizar tareas complejas, como reconocer rostros, clasificar imágenes y conducir coches, con una intervención humana mínima. Lo hacen estudiando datos, reconociendo patrones y utilizando esos patrones para realizar predicciones o tomar decisiones. A medida que la AI avanza, estamos siendo testigos de formas cada vez más sofisticadas en las que los modelos de AI pueden aprender, adaptarse y realizar tareas con una eficiencia extraordinaria.

Por ejemplo, la visión artificial es una rama de la AI que se centra en permitir que las máquinas interpreten y comprendan 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 requerir mucho tiempo y resultar costoso.

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

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

Una visión general de los paradigmas de aprendizaje#

Exploremos qué son el aprendizaje con pocos ejemplos, el aprendizaje zero-shot y el aprendizaje por transferencia en relación con la visión artificial, y cómo funcionan.

Aprendizaje con pocos ejemplos#

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

Más tarde, si muestras al modelo una imagen nueva, como la de un pingüino, compara esta imagen con las de su conjunto de soporte y selecciona la coincidencia más cercana. Cuando resulta difícil recopilar una gran cantidad de datos, este método es beneficioso porque el sistema puede seguir aprendiendo y adaptándose con solo unos pocos ejemplos.

Fig. 1. Una visión general de cómo funciona el aprendizaje con pocos ejemplos.

Aprendizaje zero-shot#

El aprendizaje zero-shot permite a las máquinas reconocer cosas que nunca han visto antes sin necesitar 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 peludo», «felino grande y salvaje» o «cara alargada», puede utilizar estos conocimientos para identificar un animal nuevo, como un tigre. Aunque nunca haya visto un tigre, 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 necesitar muchos ejemplos.

Fig. 2. El aprendizaje zero-shot identifica objetos nuevos mediante 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 ayudar a resolver otra tarea nueva 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 de 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. Una visión general de cómo funciona el aprendizaje por transferencia.

Puede que te preguntes qué tipos de modelos admiten el aprendizaje por transferencia. Ultralytics YOLO11 es un excelente ejemplo de un modelo de visión artificial que puede hacerlo. Es un modelo de detección de objetos de última generación que primero se preentrena con un conjunto de datos grande y general. Después, puede ajustarse y entrenarse con datos personalizados en un conjunto de datos más pequeño y especializado para tareas específicas.

Comparación de los paradigmas de aprendizaje#

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

Fig. 4. Diferencias principales entre el aprendizaje con pocos ejemplos, el aprendizaje zero-shot 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 AI aprenda a partir de unos pocos ejemplos. En cambio, el aprendizaje zero-shot no requiere datos etiquetados. En su lugar, utiliza descripciones o contexto para ayudar al sistema a gestionar tareas nuevas. Por su parte, el aprendizaje por transferencia adopta un enfoque diferente al utilizar los conocimientos de modelos preentrenados, lo que les permite adaptarse rápidamente a tareas nuevas con una cantidad mínima de datos adicionales. Cada método tiene sus propias ventajas en función del tipo de datos y de la tarea en la que estés trabajando.

Aplicaciones en el mundo real de distintos paradigmas de aprendizaje#

Estos paradigmas de aprendizaje ya están marcando la diferencia en muchos sectores y resuelven 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 supone un cambio radical para el sector sanitario, especialmente 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 recopilar conjuntos de datos grandes sobre enfermedades raras puede ser complicado.

Por ejemplo, SHEPHERD utiliza el aprendizaje con pocos ejemplos y grafos de conocimiento biomédico para diagnosticar trastornos genéticos raros. Proyecta la información del paciente, como los síntomas y los resultados de las pruebas, sobre una red de genes y enfermedades conocidos. Esto ayuda a determinar la causa genética más 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 zero-shot#

En agricultura, identificar rápidamente las enfermedades de las plantas es esencial, ya que los retrasos en la detección pueden provocar daños generalizados en los cultivos, una reducción del rendimiento y pérdidas económicas importantes. Los métodos tradicionales suelen depender de conjuntos de datos grandes y de conocimientos especializados, que no siempre están disponibles, especialmente en zonas remotas o con recursos limitados. Aquí es donde entran en juego los avances en AI, como el aprendizaje zero-shot.

Supongamos que un agricultor cultiva tomates y patatas y observa síntomas como hojas amarillentas o manchas marrones. El aprendizaje zero-shot puede ayudar a identificar enfermedades como el mildiu tardío sin necesidad de conjuntos de datos grandes. Mediante el uso 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 de 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 zero-shot para identificar enfermedades de las plantas.

Vehículos autónomos y aprendizaje por transferencia#

Los vehículos autónomos a menudo necesitan adaptarse a distintos entornos para desplazarse de forma segura. El aprendizaje por transferencia les ayuda a utilizar conocimientos previos para ajustarse rápidamente a nuevas condiciones sin tener que 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 por distintos terrenos y condiciones meteorológicas, lo que hace que la conducción autónoma sea más eficiente y fiable.

Un buen ejemplo de esto es un sistema de gestión de aparcamientos que utiliza Ultralytics YOLO11 para supervisar las plazas de aparcamiento. YOLO11, un modelo de detección de objetos preentrenado, puede ajustarse mediante aprendizaje por transferencia para identificar plazas libres 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 las plazas libres, ocupadas e incluso reservadas.

Fig. 7. Gestión de aparcamientos mediante Ultralytics YOLO11.

Integrado con otras tecnologías, este sistema puede guiar a los conductores hasta la plaza disponible más cercana, ayudando a reducir el tiempo de búsqueda y la congestión del tráfico. El aprendizaje por transferencia lo hace posible al basarse en las capacidades existentes de detección de objetos de Ultralytics YOLO11, lo que permite adaptarlo 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 del usuario.

Tendencias emergentes en los paradigmas de aprendizaje#

El futuro de los paradigmas de aprendizaje en visión artificial se orienta hacia el desarrollo de sistemas de AI visual más inteligentes y sostenibles. En particular, una tendencia creciente es el uso de enfoques híbridos que combinan el aprendizaje con pocos ejemplos, el aprendizaje zero-shot y el aprendizaje por transferencia. Al combinar las ventajas de estos métodos, los modelos pueden aprender tareas nuevas con datos mínimos y aplicar sus conocimientos en distintas áreas.

Un ejemplo interesante es el uso de embeddings profundos adaptados para ajustar modelos utilizando 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 X-shot está diseñado para gestionar tareas con distintas cantidades de datos. Utiliza supervisión débil, mediante la cual 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 AI a abordar los retos de forma más eficaz.

Conclusiones clave#

El aprendizaje con pocos ejemplos, el aprendizaje zero-shot y el aprendizaje por transferencia abordan retos específicos de la visión artificial, por lo que son adecuados para tareas diferentes. 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 zero-shot es ideal para tratar con clases no vistas o desconocidas.

De cara al futuro, es probable que combinar estos métodos para crear modelos híbridos que integren visión, lenguaje y audio sea una prioridad. Estos avances pretenden hacer que los sistemas de AI sean más flexibles, eficientes y capaces de abordar problemas complejos, abriendo nuevas posibilidades de innovación en este campo.

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