Aprendizagem com poucos tiros

Conceitos fundamentais

A aprendizagem de poucas oportunidades envolve frequentemente conceitos como:

• Conjunto de apoio: O pequeno conjunto de exemplos rotulados fornecidos para a nova tarefa ou classes.
• Conjunto de consulta: Exemplos não rotulados que o modelo precisa de classificar com base no conjunto de suporte.
• Meta-aprendizagem: Muitas vezes referidas como "aprender a aprender", as técnicas de meta-aprendizagem treinam um modelo numa variedade de tarefas de aprendizagem durante uma fase de meta-treino. Isto permite que o modelo aprenda um algoritmo de aprendizagem eficiente, que pode depois ser rapidamente adaptado a novas tarefas utilizando apenas alguns exemplos. As abordagens mais populares incluem as redes de correspondência e as redes prototípicas.

Relevância e aplicações

A capacidade de aprender a partir de dados limitados torna a Aprendizagem de Poucas Oportunidades altamente relevante em vários domínios:

• Análise de imagens médicas: Diagnosticar doenças raras em que apenas alguns exames de pacientes podem estar disponíveis para treino. Por exemplo, treinar um modelo para a deteção de tumores em imagens médicas quando os exemplos de um tipo específico de tumor raro são escassos.
• Robótica: Ensinar aos robôs novas competências ou capacidades de reconhecimento de objectos com um mínimo de demonstrações, acelerando a implantação em novos ambientes. Um exemplo é treinar um robô para apanhar um novo objeto depois de o mostrar apenas algumas vezes.
• Personalização: Adaptação de modelos como sistemas de recomendação ou interfaces de utilizador às preferências individuais com base em dados de interação muito limitados.
• Visão computacional: Possibilita tarefas como a classificação de imagens ou a deteção de objectos para novas categorias de objectos sem necessitar de uma extensa recolha e anotação de dados. Plataformas como o Ultralytics HUB podem facilitar o treino de modelos, e as técnicas de poucos disparos podem reduzir potencialmente os dados necessários para tarefas personalizadas.

Conceitos relacionados

A aprendizagem com poucos disparos faz parte de um espetro de paradigmas de aprendizagem que lidam com dados limitados:

• Aprendizagem Zero-Shot: Um cenário mais desafiador em que o modelo deve reconhecer classes que nunca viu durante o treinamento, normalmente aproveitando informações auxiliares como descrições de classes ou atributos.
• Aprendizagem One-Shot: Um caso específico de Few-Shot Learning em que apenas um exemplo rotulado é fornecido para cada nova classe.
• Aprendizagem por transferência: Uma técnica mais ampla em que um modelo pré-treinado num grande conjunto de dados (como o ImageNet) é adaptado(afinado) para uma tarefa nova e relacionada. Embora seja frequentemente utilizada como base para a Aprendizagem de poucas oportunidades, a aprendizagem por transferência tradicional pode ainda exigir mais do que apenas um punhado de exemplos para uma adaptação eficaz. Modelos pré-treinados como o Ultralytics YOLO são frequentemente utilizados como ponto de partida para a aprendizagem por transferência na deteção de objectos. Podes explorar a documentaçãoUltralytics para obteres guias sobre a formação e adaptação de modelos.

A aprendizagem de poucos disparos representa um passo significativo em direção a sistemas de Inteligência Artificial (IA) mais eficientes em termos de dados e adaptáveis, capazes de aprender rapidamente em situações novas, tal como os humanos.