Comprendere l'apprendimento a pochi colpi, a zero colpi e a trasferimento

I sistemi di intelligenza artificiale (AI) sono in grado di svolgere compiti complessi come il riconoscimento di volti, la classificazione di immagini e la guida di automobili con un minimo di input umano. Lo fanno studiando i dati, riconoscendo gli schemi e utilizzandoli per fare previsioni o prendere decisioni. Con il progredire dell'IA, stiamo assistendo a modi sempre più sofisticati in cui i modelli di IA possono apprendere, adattarsi ed eseguire compiti con notevole efficienza.

Ad esempio, la computer vision è una branca dell'IA che si occupa di consentire alle macchine di interpretare e comprendere le informazioni visive del mondo. Lo sviluppo tradizionale di modelli di computer vision si basa molto su grandi set di dati annotati per l'addestramento. La raccolta e l'etichettatura di tali dati può richiedere molto tempo e costi elevati. 

Per affrontare queste sfide, i ricercatori hanno introdotto approcci innovativi come il few-shot learning (FSL), che impara da esempi limitati; lo zero-shot learning (ZSL), che identifica oggetti non visti; e il transfer learning (TL), che applica le conoscenze dei modelli pre-addestrati a nuovi compiti.

In questo articolo esploreremo il funzionamento di questi paradigmi di apprendimento, evidenzieremo le loro principali differenze e vedremo le applicazioni reali. Iniziamo!

Una panoramica dei paradigmi di apprendimento

Vediamo cosa sono l'apprendimento a pochi colpi, l'apprendimento a zero colpi e l'apprendimento per trasferimento nell'ambito della computer vision e come funzionano. 

Apprendimento con pochi colpi

L'apprendimento a pochi scatti è un metodo in cui i sistemi imparano a riconoscere nuovi oggetti utilizzando solo un piccolo numero di esempi. Ad esempio, se si mostrano a un modello alcune immagini di pinguini, pellicani e pulcinelle di mare (questo piccolo gruppo è chiamato "set di supporto"), il modello impara a riconoscere l'aspetto di questi uccelli. 

In seguito, se mostri al modello una nuova immagine, ad esempio un pinguino, il modello confronta questa nuova immagine con quelle presenti nel suo set di supporto e sceglie la corrispondenza più vicina. Quando è difficile raccogliere una grande quantità di dati, questo metodo è vantaggioso perché il sistema può comunque imparare e adattarsi con pochi esempi.

‍

Apprendimento a colpo zero

L'apprendimento a colpo zero è un modo in cui le macchine riconoscono cose che non hanno mai visto prima senza aver bisogno di esempi. Utilizza informazioni semantiche, come le descrizioni, per creare collegamenti.

Ad esempio, se una macchina ha imparato a conoscere animali come gatti, leoni e cavalli comprendendo caratteristiche come "piccolo e soffice", "grande gatto selvatico" o "muso lungo", può utilizzare queste conoscenze per identificare un nuovo animale, come una tigre. Anche se non ha mai visto una tigre, può usare una descrizione come "un animale simile a un leone con strisce scure" per identificarla correttamente. In questo modo è più facile per le macchine imparare e adattarsi senza bisogno di molti esempi.

‍

Apprendimento per trasferimento

L'apprendimento per trasferimento è un paradigma di apprendimento in cui un modello utilizza ciò che ha imparato da un compito per aiutare a risolvere un nuovo compito simile. Questa tecnica è particolarmente utile quando si tratta di compiti di computer vision come il rilevamento di oggetti, la classificazione di immagini e il riconoscimento di modelli. 

Ad esempio, nella computer vision, un modello pre-addestrato può riconoscere oggetti generici, come gli animali, e poi essere perfezionato attraverso l'apprendimento per trasferimento per identificare oggetti specifici, come le diverse razze di cani. Riutilizzando le conoscenze acquisite in compiti precedenti, l'apprendimento per trasferimento facilita l'addestramento di modelli di computer vision su insiemi di dati più piccoli, risparmiando tempo e fatica.

‍

Potresti chiederti che tipo di modelli supportano l'apprendimento per trasferimento. Ultralytics YOLO11 è un ottimo esempio di modello di computer vision in grado di farlo. Si tratta di un modello di rilevamento degli oggetti all'avanguardia che viene prima pre-addestrato su un ampio set di dati generali. Successivamente, può essere perfezionato e addestrato su un set di dati più piccolo e specializzato per compiti specifici.

Confronto tra paradigmi di apprendimento

Ora che abbiamo parlato di apprendimento a pochi colpi, apprendimento a zero colpi e apprendimento per trasferimento, confrontiamoli per vedere come si differenziano.

‍

L'apprendimento a pochi colpi è utile quando si dispone di una piccola quantità di dati etichettati. Permette a un modello di intelligenza artificiale di imparare da pochi esempi. L'apprendimento a zero colpi, invece, non richiede alcun dato etichettato. Al contrario, utilizza le descrizioni o il contesto per aiutare il sistema a gestire nuovi compiti. Nel frattempo, l'apprendimento per trasferimento adotta un approccio diverso: utilizza le conoscenze dei modelli pre-addestrati, consentendo loro di adattarsi rapidamente a nuovi compiti con un minimo di dati aggiuntivi. Ogni metodo ha i suoi punti di forza, a seconda del tipo di dati e di attività su cui si sta lavorando.

Applicazioni nel mondo reale di vari paradigmi di apprendimento

Questi paradigmi di apprendimento stanno già facendo la differenza in molti settori, risolvendo problemi complessi con soluzioni innovative. Diamo un'occhiata più da vicino a come possono essere applicati nel mondo reale.

Diagnosticare malattie rare con l'apprendimento di pochi scatti

L'apprendimento a pochi scatti rappresenta una svolta per il settore sanitario, in particolare per l'imaging medico. Può aiutare i medici a diagnosticare malattie rare utilizzando solo alcuni esempi o addirittura descrizioni, senza bisogno di grandi quantità di dati. Questo è particolarmente utile quando i dati sono limitati, come spesso accade perché la raccolta di grandi serie di dati per le condizioni rare può essere difficile.

Ad esempio, SHEPHERD utilizza l'apprendimento a pochi colpi e i grafi di conoscenza biomedica per diagnosticare malattie genetiche rare. Il programma mappa le informazioni del paziente, come i sintomi e i risultati dei test, su una rete di geni e malattie conosciute. Questo aiuta a individuare la probabile causa genetica e a trovare casi simili, anche quando i dati sono limitati. 

‍

Migliorare il rilevamento delle malattie delle piante con l'apprendimento a colpo zero

In agricoltura, identificare rapidamente le malattie delle piante è essenziale perché i ritardi nell'individuazione possono portare a danni diffusi alle colture, a rese ridotte e a perdite finanziarie significative. I metodi tradizionali spesso si basano su grandi serie di dati e su conoscenze specialistiche che non sempre sono accessibili, soprattutto in aree remote o con risorse limitate. È qui che entrano in gioco i progressi dell'intelligenza artificiale, come l'apprendimento a colpo zero.

Supponiamo che un agricoltore stia coltivando pomodori e patate e noti sintomi come foglie ingiallite o macchie marroni. L'apprendimento a zero colpi può aiutare a identificare malattie come la peronospora tardiva senza richiedere grandi serie di dati. Utilizzando le descrizioni dei sintomi, il modello può classificare malattie che non ha mai visto prima. Questo approccio è veloce, scalabile e consente agli agricoltori di individuare una serie di problemi delle piante. Li aiuta a monitorare la salute delle colture in modo più efficiente, a prendere provvedimenti tempestivi e a ridurre le perdite.

‍

Veicoli autonomi e apprendimento per trasferimento

I veicoli autonomi devono spesso adattarsi a diversi ambienti per navigare in sicurezza. L'apprendimento per trasferimento li aiuta a utilizzare le conoscenze pregresse per adattarsi rapidamente alle nuove condizioni senza ricominciare l'addestramento da zero. In combinazione con la computer vision, che aiuta i veicoli a interpretare le informazioni visive, queste tecnologie consentono una navigazione più fluida su terreni e condizioni atmosferiche diverse, rendendo la guida autonoma più efficiente e affidabile.

Un buon esempio di questo aspetto in azione è un sistema di gestione dei parcheggi che utilizza Ultralytics YOLO11 per monitorare i posti auto. YOLO11, un modello di rilevamento degli oggetti pre-addestrato, può essere perfezionato utilizzando l'apprendimento per trasferimento per identificare i posti auto vuoti e occupati in tempo reale. Addestrando il modello su un set di dati ridotto di immagini di parcheggi, impara a rilevare con precisione gli spazi aperti, i posti occupati e persino le aree riservate.

‍

Integrato con altre tecnologie, questo sistema può guidare gli automobilisti verso il posto disponibile più vicino, contribuendo a ridurre i tempi di ricerca e la congestione del traffico. L'apprendimento per trasferimento rende possibile tutto ciò basandosi sulle capacità di rilevamento degli oggetti esistenti di YOLO11, consentendogli di adattarsi alle esigenze specifiche della gestione dei parcheggi senza partire da zero. Questo approccio consente di risparmiare tempo e risorse e di creare una soluzione altamente efficiente e scalabile che migliora le operazioni di parcheggio e l'esperienza complessiva degli utenti.

Tendenze emergenti nei paradigmi di apprendimento

Il futuro dei paradigmi di apprendimento nella computer vision è orientato verso lo sviluppo di sistemi di intelligenza artificiale più intelligenti e sostenibili. In particolare, una tendenza in crescita è l'utilizzo di approcci ibridi che combinano l'apprendimento a pochi colpi, l'apprendimento a zero colpi e l'apprendimento per trasferimento. Combinando i punti di forza di questi metodi, i modelli possono imparare nuovi compiti con un numero minimo di dati e applicare le loro conoscenze in diverse aree.

Un esempio interessante è l'utilizzo di embeddings profondi adattati per perfezionare i modelli utilizzando le conoscenze dei compiti precedenti e una piccola quantità di nuovi dati, rendendo più facile lavorare con set di dati limitati. 

Allo stesso modo, l'apprendimento X-shot è progettato per gestire compiti con diverse quantità di dati. Utilizza una supervisione debole, in cui i modelli imparano da etichette limitate o rumorose, e istruzioni chiare per aiutarli ad adattarsi rapidamente, anche con pochi o nessun esempio precedente disponibile. Questi approcci ibridi mostrano come l'integrazione di diversi metodi di apprendimento possa aiutare i sistemi di intelligenza artificiale ad affrontare le sfide in modo più efficace.

Punti di forza

L'apprendimento a pochi scatti, l'apprendimento a zero scatti e l'apprendimento per trasferimento affrontano ciascuno sfide specifiche nella computer vision, rendendoli adatti a compiti diversi. L'approccio giusto dipende dall'applicazione specifica e dalla quantità di dati disponibili. Ad esempio, l'apprendimento a pochi scatti funziona bene con dati limitati, mentre l'apprendimento a zero scatti è ottimo per affrontare classi non viste o poco conosciute.

In prospettiva, è probabile che la combinazione di questi metodi per creare modelli ibridi che integrino la visione, il linguaggio e l'audio sarà un punto chiave. Questi progressi mirano a rendere i sistemi di IA più flessibili, efficienti e capaci di affrontare problemi complessi, aprendo nuove possibilità di innovazione nel settore.

Scopri di più sull'IA unendoti alla nostra comunità e consultando il nostro repository GitHub. Scopri come l 'IA nelle auto a guida autonoma e la computer vision nell'agricoltura stanno ridisegnando il futuro. Dai un'occhiata alle opzioni disponibili della licenzaYOLO per iniziare!