Nueva técnica permite que la IA pueda aprender con menos ejemplos

Investigadores desarrollaron la técnica de aprendizaje LO-Shot, que permite entrenar a una IA para que identifique objetos con la menor cantidad de ejemplos posibles.

0
370

Todavía nos encontramos lejos de crear una Inteligencia Artificial que pueda replicar la flexibilidad cognitiva del cerebro humano. Esta flexibilidad nos permite aprender cosas nuevas con pocos y, a veces, sin ningún ejemplo.

Este desafío ha llevado a investigadores de la Universidad de Waterloo, en Ontario, Canadá, a desarrollar una nueva técnica denominada “aprendizaje en menos de un disparo” o aprendizaje LO-Shot.

La premisa del aprendizaje LO-Shot consiste en entrenar un modelo de IA para que pueda realizar una tarea con uno o muy pocos ejemplos. En otras palabras, esta técnica busca que una IA pueda reconocer con precisión más objetos, que la cantidad de ejemplos con los que fue entrenada.

La técnica propuesta por los investigadores se aplica al algoritmo k-NN que se utiliza para tareas de clasificación (determinar la categoría de una entrada) o de regresión (predecir el resultado de una entrada). Este algoritmo básicamente clasifica los datos de entrada comparándolos con sus vecinos más cercanos o similares.

Por ejemplo, si se desea entrenar el algoritmo k-NN para clasificar frutas y que entienda la diferencia entre manzanas y naranjas, primero se debe seleccionar las características para representar cada fruta. 

Se puede elegir el color o peso, luego el algoritmo identifica cada valor como x o y, trazando los datos en un gráfico en 2D dibujando una línea límite centro entre las manzanas y las naranjas. En este punto, la gráfica se divide en dos clases y el algoritmo puede decidir si los nuevos puntos de datos representan uno u otro, en función de qué lado de la línea se encuentran.

Con el aprendizaje LO-Shot los investigadores exploraron la viabilidad de usar etiquetas blandas para generalizar las capacidades del algoritmo k-NN. La propuesta es que los prototipos de etiquetas blandas deberían permitir que el modelo de Aprendizaje Automático pueda clasificar (N) categorías con menos (N) ejemplos etiquetados.

Ejemplos de etiquetas blandas para entrenar un algoritmo k-NN para codificar líneas de límites cada vez más complejas, dividiendo el gráfico en muchas más clases que puntos de datos.

“Para los algoritmos basados ​​en instancias como k-NN, la mejora de la eficiencia del aprendizaje LO-shot es bastante grande, especialmente para conjuntos de datos con una gran cantidad de clases”, dijo Ilia Sucholutsky, estudiante de doctorado en Waterloo y autora principal de la investigación.

“En términos más generales, el aprendizaje LO-shot es útil en cualquier tipo de entorno donde se aplica un algoritmo de clasificación a un conjunto de datos con una gran cantidad de clases, especialmente si hay pocos o ningún ejemplo disponible para algunas clases”, agregó Sucholutsky.

Sucholutsky enfatiza que su investigación aún se encuentra en una etapa temprana, pero está evolucionando cada vez que presenta su artículo a otros investigadores, a pesar de que su reacción inicial es decir que la idea es imposible.

LEAVE A REPLY

Please enter your comment!
Please enter your name here