Compreender a aprendizagem com poucos exemplos, sem exemplos e por transferência

Os sistemas de inteligência artificial (IA) conseguem lidar com tarefas complexas, como reconhecer rostos, classificar imagens e dirigir carros, com o mínimo de intervenção humana. Eles fazem isso estudando dados, reconhecendo padrões e usando esses padrões para fazer previsões ou tomar decisões. À medida que a IA avança, vemos formas cada vez mais sofisticadas de os modelos de IA aprenderem, se adaptarem e executarem tarefas com eficiência impressionante.

Por exemplo, a visão computacional é um ramo da IA que busca capacitar as máquinas a interpretar e compreender informações visuais do mundo. O desenvolvimento tradicional de modelos de visão computacional depende muito de grandes conjuntos de dados anotados para o treinamento. Coletar e rotular esses dados pode consumir muito tempo e ser caro.

Para lidar com esses desafios, pesquisadores introduziram abordagens inovadoras como o aprendizado com poucos exemplos (FSL), que aprende com exemplos limitados; o aprendizado sem exemplos (ZSL), que identifica objetos nunca vistos; e o aprendizado por transferência (TL), que aplica o conhecimento de modelos pré-treinados a novas tarefas.

Neste artigo, vamos explorar o funcionamento destes paradigmas de aprendizagem, destacar as suas principais diferenças e analisar aplicações no mundo real.

Visão geral dos paradigmas de aprendizado#

Vamos entender o que são o aprendizado com poucos exemplos, o aprendizado sem exemplos e o aprendizado por transferência no contexto da visão computacional, e como eles funcionam.

Aprendizado com poucos exemplos#

O aprendizado com poucos exemplos é um método em que os sistemas aprendem a reconhecer novos objetos usando apenas alguns exemplos. Por exemplo, se você mostrar a um modelo algumas imagens de um pinguim, um pelicano e um papagaio-do-mar (esse pequeno grupo é chamado de "conjunto de suporte"), ele aprende a aparência dessas aves.

Mais tarde, se você mostrar ao modelo uma nova imagem, como a de um pinguim, ele compara essa nova imagem com as do conjunto de suporte e escolhe a correspondência mais próxima. Esse método é útil quando é difícil reunir uma grande quantidade de dados, pois o sistema ainda consegue aprender e se adaptar com apenas alguns exemplos.

Fig. 1 Visão geral do funcionamento do aprendizado com poucos exemplos.

Aprendizado sem exemplos#

O aprendizado sem exemplos permite que as máquinas reconheçam coisas que nunca viram antes, sem precisar de exemplos. Ele usa informações semânticas, como descrições, para ajudar a estabelecer relações.

Por exemplo, se uma máquina tiver aprendido sobre animais como gatos, leões e cavalos ao compreender características como «pequeno e fofo», «grande felino selvagem» ou «focinho comprido», pode usar esse conhecimento para identificar um novo animal, como um tigre. Mesmo que nunca tenha visto um tigre, pode usar uma descrição como «um animal parecido com um leão, com riscas escuras» para o identificar corretamente. Isto facilita a aprendizagem e a adaptação das máquinas sem que sejam necessários muitos exemplos. Detetores de vocabulário aberto, como o YOLOE, aplicam a mesma ideia à deteção de objetos, localizando-os apenas com base em comandos de texto.

Fig. 2 O aprendizado sem exemplos identifica novos objetos com base em descrições.

Aprendizado por transferência#

O aprendizado por transferência é um paradigma de aprendizado em que um modelo usa o que aprendeu em uma tarefa para ajudar a resolver outra tarefa nova e semelhante. Essa técnica é especialmente útil em tarefas de visão computacional, como detecção de objetos, classificação de imagens e reconhecimento de padrões.

Por exemplo, em visão computacional, um modelo pré-treinado pode reconhecer objetos em geral, como animais, e depois passar por ajuste fino com aprendizado por transferência para identificar objetos específicos, como diferentes raças de cães. Ao reutilizar o conhecimento de tarefas anteriores, o aprendizado por transferência facilita o treinamento de modelos de visão computacional com conjuntos de dados menores, economizando tempo e esforço.

Fig. 3 Visão geral do funcionamento da aprendizagem por transferência.

Talvez estejas a perguntar-te que tipos de modelos são compatíveis com a aprendizagem por transferência. O Ultralytics YOLO11 (desde então sucedido pelo Ultralytics YOLO26) é um excelente exemplo de modelo de visão computacional capaz de o fazer. É um modelo de deteção de objetos de última geração, pré-treinado inicialmente num conjunto de dados amplo e geral. Depois, pode ser ajustado e treinado de forma personalizada com um conjunto de dados menor e especializado para tarefas específicas.

Comparação entre paradigmas de aprendizado#

Agora que falamos sobre o aprendizado com poucos exemplos, o aprendizado sem exemplos e o aprendizado por transferência, vamos compará-los para entender as diferenças.

Fig. 4. Principais diferenças entre aprendizado com poucos exemplos, aprendizado sem exemplos e aprendizado por transferência. Imagem do autor.

O aprendizado com poucos exemplos é útil quando você tem apenas uma pequena quantidade de dados rotulados. Ele permite que um modelo de IA aprenda com apenas alguns exemplos. Já o aprendizado sem exemplos não exige dados rotulados. Em vez disso, ele usa descrições ou contexto para ajudar o sistema a lidar com novas tarefas. O aprendizado por transferência, por sua vez, adota uma abordagem diferente: usa o conhecimento de modelos pré-treinados para que eles se adaptem rapidamente a novas tarefas com o mínimo de dados adicionais. Cada método tem seus pontos fortes, dependendo do tipo de dados e da tarefa em que você está trabalhando.

Aplicações reais de diferentes paradigmas de aprendizado#

Esses paradigmas de aprendizado já estão fazendo a diferença em muitos setores, resolvendo problemas complexos com soluções inovadoras. Vamos ver mais de perto como eles podem ser aplicados no mundo real.

Diagnóstico de doenças raras com aprendizado com poucos exemplos#

A aprendizagem com poucos exemplos é especialmente valiosa no setor da saúde, sobretudo na imagética médica. Pode ajudar os médicos a diagnosticar doenças raras usando apenas alguns exemplos ou até descrições, sem precisar de grandes quantidades de dados. Isto é particularmente útil quando há poucos dados disponíveis, o que acontece frequentemente, pois pode ser difícil recolher grandes conjuntos de dados sobre doenças raras.

Por exemplo, o SHEPHERD usa aprendizado com poucos exemplos e grafos de conhecimento biomédico para diagnosticar doenças genéticas raras. Ele mapeia informações dos pacientes, como sintomas e resultados de exames, em uma rede de genes e doenças conhecidos. Isso ajuda a identificar a provável causa genética e encontrar casos semelhantes, mesmo quando há poucos dados disponíveis.

Fig. 5 O modelo SHEPHERD diagnostica doenças raras com dados mínimos.

Melhoria na detecção de doenças em plantas com aprendizado sem exemplos#

Na agricultura, identificar doenças em plantas rapidamente é essencial, pois atrasos na detecção podem causar danos generalizados às plantações, reduzir a produtividade e gerar perdas financeiras significativas. Os métodos tradicionais costumam depender de grandes conjuntos de dados e de conhecimento especializado, que nem sempre estão disponíveis, especialmente em áreas remotas ou com poucos recursos. É aí que os avanços em IA, como o aprendizado sem exemplos, entram em cena.

Imagine que um agricultor esteja cultivando tomates e batatas e note sintomas como folhas amareladas ou manchas marrons. O aprendizado sem exemplos pode ajudar a identificar doenças como a requeima sem exigir grandes conjuntos de dados. Usando descrições dos sintomas, o modelo pode classificar doenças que nunca viu antes. Essa abordagem é rápida, escalável e permite que os agricultores detectem vários problemas nas plantas. Ela os ajuda a monitorar a saúde das plantações com mais eficiência, agir no momento certo e reduzir perdas.

Fig. 6 Utilização da aprendizagem sem exemplos para identificar doenças das plantas.

Veículos autônomos e aprendizado por transferência#

Os veículos autônomos geralmente precisam se adaptar a diferentes ambientes para navegar com segurança. O aprendizado por transferência permite que eles usem conhecimentos prévios para se ajustarem rapidamente a novas condições, sem começar o treinamento do zero. Combinadas com a visão computacional, que ajuda os veículos a interpretar informações visuais, essas tecnologias permitem uma navegação mais fluida em diferentes terrenos e condições climáticas, tornando a condução autônoma mais eficiente e confiável.

Um bom exemplo dessa aplicação é um sistema de gerenciamento de estacionamento que usa Ultralytics YOLO11 para monitorar vagas. O YOLO11, um modelo de detecção de objetos pré-treinado, pode passar por ajuste fino com aprendizado por transferência para identificar vagas livres e ocupadas em tempo real. Ao treinar o modelo com um conjunto de dados menor de imagens de estacionamentos, ele aprende a detectar com precisão vagas livres, ocupadas e até mesmo reservadas.

Fig. 7 Gestão de estacionamento com o Ultralytics YOLO11.

Integrado a outras tecnologias, esse sistema pode orientar os motoristas até a vaga disponível mais próxima, ajudando a reduzir o tempo de procura e o congestionamento. O aprendizado por transferência torna isso possível ao aproveitar os recursos existentes de detecção de objetos do Ultralytics YOLO11, permitindo que ele se adapte às necessidades específicas da gestão de estacionamentos sem começar do zero. Essa abordagem economiza tempo e recursos e, ao mesmo tempo, cria uma solução altamente eficiente e escalável que aprimora as operações de estacionamento e melhora a experiência geral do usuário.

Tendências emergentes nos paradigmas de aprendizado#

O futuro dos paradigmas de aprendizado em visão computacional aponta para o desenvolvimento de sistemas de IA visual mais inteligentes e sustentáveis. Em particular, uma tendência crescente é o uso de abordagens híbridas que combinam aprendizado com poucos exemplos, aprendizado sem exemplos e aprendizado por transferência. Ao combinar os pontos fortes desses métodos, os modelos podem aprender novas tarefas com o mínimo de dados e aplicar seus conhecimentos em diferentes áreas.

Um exemplo interessante é usar embeddings profundos adaptados para ajustar modelos com base no conhecimento de tarefas anteriores e em uma pequena quantidade de novos dados, facilitando o trabalho com conjuntos de dados limitados.

Da mesma forma, o aprendizado X-shot foi criado para lidar com tarefas que têm quantidades diferentes de dados. Ele usa supervisão fraca, na qual os modelos aprendem com rótulos limitados ou ruidosos, além de instruções claras para ajudá-los a se adaptar rapidamente, mesmo com poucos ou nenhum exemplo anterior disponível. Essas abordagens híbridas mostram como integrar diferentes métodos de aprendizado pode ajudar os sistemas de IA a enfrentar desafios com mais eficácia.

Principais conclusões#

O aprendizado com poucos exemplos, o aprendizado sem exemplos e o aprendizado por transferência abordam desafios específicos da visão computacional, sendo adequados para diferentes tarefas. A abordagem certa depende da aplicação específica e da quantidade de dados disponível. Por exemplo, o aprendizado com poucos exemplos funciona bem com dados limitados, enquanto o aprendizado sem exemplos é ótimo para lidar com classes inéditas ou desconhecidas.

Daqui para a frente, é provável que combinar esses métodos para criar modelos híbridos que integrem visão, linguagem e áudio seja um dos principais focos. Esses avanços buscam tornar os sistemas de IA mais flexíveis, eficientes e capazes de resolver problemas complexos, abrindo novas possibilidades de inovação na área.

Explora mais sobre IA juntando-te à nossa comunidade e consultando o nosso repositório no GitHub. Aprende como a IA em carros autónomos e a visão computacional na agricultura estão a transformar o futuro. Consulta as opções de licenciamento do YOLO para começar!