L'apprendimento semi-supervisionato (SSL) rappresenta una potente via di mezzo nel Machine Learning (ML), in quanto combina una piccola quantità di dati etichettati con una grande quantità di dati non etichettati durante l'addestramento. Questo approccio è particolarmente utile negli scenari in cui l'acquisizione di dati etichettati è costosa, lunga o poco pratica, mentre i dati non etichettati sono abbondanti. L'SSL mira a sfruttare la struttura sottostante dei dati non etichettati per migliorare le prestazioni del modello al di là di quanto si potrebbe ottenere utilizzando solo i limitati dati etichettati, rendendola una tecnica pratica per molti problemi di Intelligenza Artificiale (IA) del mondo reale.
Come funziona l'apprendimento semi-supervisionato
Gli algoritmi SSL funzionano facendo alcune ipotesi sulla relazione tra i dati etichettati e quelli non etichettati. Le ipotesi più comuni includono l'"ipotesi di omogeneità" (è probabile che punti vicini tra loro condividano un'etichetta) o l'"ipotesi di cluster" (i dati tendono a formare cluster distinti e i punti all'interno dello stesso cluster probabilmente condividono un'etichetta). Le tecniche spesso prevedono l'addestramento di un modello iniziale sui dati etichettati e il suo utilizzo per generare pseudo-etichette per i dati non etichettati sulla base di previsioni ad alta affidabilità. Il modello viene poi riaddestrato sia sui dati etichettati originali che sui nuovi dati pseudo-etichettati. Un altro approccio è la regolarizzazione della coerenza, in cui il modello è incoraggiato a produrre lo stesso output per un esempio non etichettato anche se il suo input è leggermente perturbato, spesso ottenuto attraverso l'aumento dei dati. Questi metodi permettono al modello di apprendere dai modelli e dalla distribuzione insiti nell'ampio pool di campioni non etichettati. Tecniche più avanzate sono esplorate in risorse come i post del Google AI Blog su SSL.
Confronto con altri paradigmi di apprendimento
L'apprendimento semi-supervisionato occupa uno spazio unico tra gli altri tipi di apprendimento primario:
- Apprendimento supervisionato: Si basa interamente su dati di formazione etichettati. L'SSL si differenzia per l'incorporazione di dati non etichettati che potenzialmente migliorano le prestazioni quando i dati etichettati sono scarsi.
- Apprendimento non supervisionato: Utilizza solo dati non etichettati per trovare modelli o strutture, come il clustering o la riduzione della dimensionalità. L'SSL utilizza dati non etichettati ma guida il processo di apprendimento con un piccolo insieme di esempi etichettati per eseguire compiti come la classificazione o la regressione.
- Apprendimento auto-supervisionato (SSL): Un tipo di apprendimento non supervisionato in cui le etichette sono generate automaticamente dai dati di input stessi (ad esempio, la previsione di una parte mascherata di un'immagine). Pur utilizzando dati non etichettati, il suo meccanismo di generazione della supervisione è diverso dai tipici metodi semi-supervisionati che combinano esplicitamente dati pre-etichettati e non etichettati.
Applicazioni del mondo reale
L'SSL è molto efficace nei domini in cui l'etichettatura è un collo di bottiglia:
- Classificazione delle pagine web: È possibile etichettare manualmente un piccolo numero di siti web (ad esempio, "sport", "notizie", "tecnologia"), ma non è pratico etichettare miliardi di siti. SSL può utilizzare il gran numero di siti web non etichettati per migliorare l'accuratezza e la robustezza del classificatore, imparando dal contenuto del testo e dalle strutture dei link(panoramica sul web content mining).
- Riconoscimento vocale: La trascrizione dell'audio richiede un notevole sforzo umano. L'SSL permette ai sistemi di addestrarsi su una piccola quantità di audio trascritto insieme a grandi volumi di dati audio non trascritti, migliorando il riconoscimento di diversi accenti e stili di voce(ricerca sull'elaborazione del parlato).
- Analisi delle immagini mediche: L'annotazione esperta di scansioni mediche (come le risonanze magnetiche o le TAC per il rilevamento dei tumori) è costosa e richiede conoscenze specialistiche. La SSL può sfruttare numerose scansioni non etichettate per migliorare le prestazioni dei modelli diagnostici addestrati su un insieme limitato di immagini annotate, portando potenzialmente a migliori soluzioni di intelligenza artificiale nel settore sanitario.
- Rilevamento di oggetti in Computer Vision (CV): La creazione di caselle di delimitazione precise per gli oggetti in migliaia di immagini richiede molto lavoro(guida alla raccolta e all'annotazione dei dati). Le tecniche SSL possono utilizzare numerose immagini o fotogrammi video non etichettati insieme a un set di dati etichettati più piccolo per migliorare le prestazioni del rilevatore per modelli come Ultralytics YOLO.
Vantaggi e sfide
Il vantaggio principale della SSL è la sua capacità di ridurre la dipendenza da grandi set di dati etichettati, risparmiando tempo e risorse associate all'etichettatura dei dati. Spesso porta a una migliore generalizzazione del modello rispetto ai modelli puramente supervisionati addestrati su dati limitati, sfruttando le informazioni dei campioni non etichettati. Tuttavia, il successo della SSL dipende in larga misura dalla correttezza delle ipotesi di base sui dati. Se questi presupposti non sono validi (ad esempio, la distribuzione dei dati non etichettati è molto diversa da quella dei dati etichettati), i metodi SSL potrebbero addirittura peggiorare le prestazioni. Un'attenta selezione e implementazione delle tecniche SSL è fondamentale e spesso richiede competenze nelle pratiche MLOps.
IT
EN
ZH
KO
JA
RU
DE
FR
ES
PT
AR
TR
VI
