Aprendizagem por transferência

A aprendizagem por transferência é uma técnica de aprendizagem automática em que um modelo desenvolvido para uma determinada tarefa é reutilizado como ponto de partida para um modelo numa segunda tarefa. Esta abordagem visa aproveitar os conhecimentos adquiridos com a resolução de um problema para ajudar a resolver um problema diferente, mas relacionado. É particularmente útil quando se trabalha com dados limitados ou quando o treino de um modelo de raiz seria computacionalmente dispendioso.

Porque é que a aprendizagem por transferência é importante

No mundo da aprendizagem profunda, os modelos requerem frequentemente grandes quantidades de dados e de computação para alcançar um elevado desempenho. A aprendizagem por transferência ajuda a mitigar esses requisitos usando modelos pré-treinados, permitindo o desenvolvimento eficiente de modelos. Esta técnica não só poupa tempo como também aumenta a precisão em muitas aplicações.

Aplicações da aprendizagem por transferência

reconhecimento de imagem

Uma aplicação proeminente da aprendizagem por transferência é o reconhecimento de imagens. Modelos como as diferentes versões do ImageNet têm sido amplamente utilizados como pontos de partida para tarefas que exigem distinções visuais pormenorizadas. Do mesmo modo, os modelos at Ultralytics YOLO Os modelos de aprendizagem por transferência fornecem soluções pré-treinadas que podem ser ajustadas a necessidades comerciais específicas, reduzindo as barreiras à entrada para muitas organizações.

Processamento de linguagem natural

No processamento de linguagem natural (PNL), a aprendizagem por transferência é omnipresente. Modelos como o GPT-3 e o BERT são pré-treinados em conjuntos maciços de dados de texto e podem depois ser aperfeiçoados para tarefas específicas, como a análise de sentimentos, a tradução ou os chatbots.

Como funciona a aprendizagem por transferência

A aprendizagem por transferência envolve normalmente duas etapas principais:

1. Pré-treino: Um modelo é treinado num conjunto de dados grande e geral. Este treino alargado ajuda o modelo a compreender várias caraterísticas e padrões nos dados.
2. Afinação: O modelo pré-treinado é ajustado para se adequar a um objetivo novo e específico. Isto envolve frequentemente o treino do modelo num conjunto de dados mais pequeno relacionado com a aplicação pretendida, mantendo os parâmetros iniciais como base.

Por exemplo, Ultralytics pode utilizar o seu Ultralytics HUB para facilitar a aprendizagem por transferência, permitindo que os utilizadores adaptem rapidamente os modelos existentes às suas necessidades específicas sem necessitarem de dados extensivos ou de recursos computacionais.

Exemplos do mundo real

Cuidados de saúde

No sector da saúde, a aprendizagem por transferência é utilizada para melhorar os modelos de diagnóstico. Os modelos pré-treinados são adaptados para identificar anomalias em imagens médicas, como radiografias ou ressonâncias magnéticas, aumentando a precisão e a eficiência da deteção.

Agricultura

No domínio da agricultura, a aprendizagem por transferência permite a adaptação de modelos gerais de deteção de objectos para detetar doenças ou pragas específicas das culturas, melhorando a gestão das culturas e a atribuição de recursos.

Conceitos Relacionados

• Afinação: Uma abordagem específica da aprendizagem por transferência que envolve o ajuste dos pesos de um modelo pré-treinado em novos dados.
• Aprendizagem Zero-Shot: Diferente da aprendizagem por transferência, a aprendizagem zero-shot visa resolver tarefas sem quaisquer dados específicos da tarefa, aproveitando a informação relacionada.
• Aprendizagem com poucos tiros: Semelhante à aprendizagem por transferência, mas centra-se no treino de modelos com apenas alguns exemplos para a nova tarefa, tirando partido do conhecimento pré-existente.

Conclusão

A aprendizagem por transferência destaca-se como um motor essencial para o avanço da IA e da aprendizagem automática, permitindo uma adaptação eficiente dos modelos e melhorando o desempenho numa variedade de domínios. Esta utilização eficiente de modelos pré-existentes não só democratiza a utilização de sistemas de IA complexos, como também acelera os ciclos de desenvolvimento e implementação de soluções inovadoras. Para saber mais sobre a aprendizagem por transferência e os avanços relacionados com a IA, visita o blogueUltralytics .