Khám phá cách học không cần thực hiện giúp AI xác định các đối tượng và khái niệm chưa biết mà không cần dữ liệu được gắn nhãn, tạo nên cuộc cách mạng trong nhiều lĩnh vực từ chăm sóc sức khỏe đến xe tự lái.
Zero-shot learning (ZSL) là một khái niệm nâng cao trong học máy, trong đó một mô hình được đào tạo để xác định các đối tượng, khái niệm hoặc nhiệm vụ mà nó chưa từng gặp trong giai đoạn đào tạo. Không giống như các mô hình truyền thống cần dữ liệu được gắn nhãn mở rộng cho từng danh mục, zero-shot learning cho phép các mô hình khái quát hóa từ các lớp đã thấy đến các lớp chưa thấy.
Học tập Zero-shot tận dụng các nhúng ngữ nghĩa để liên hệ các lớp đã biết và chưa biết. Các nhúng này thường bắt nguồn từ thông tin phụ trợ, chẳng hạn như mô tả văn bản hoặc các thuộc tính thu hẹp khoảng cách giữa các lớp đã biết và chưa biết. Mô hình học cách liên kết các nhúng ngữ nghĩa này với các tính năng trực quan trong quá trình đào tạo.
Học tập Zero-shot có ý nghĩa quan trọng do khả năng giải quyết nhu cầu về lượng lớn dữ liệu được gắn nhãn, vốn có thể tốn nhiều tài nguyên để thu thập và chú thích. Nó giải quyết những thách thức trong các lĩnh vực mà việc thu thập dữ liệu được gắn nhãn cho mọi danh mục có thể là không thực tế, chẳng hạn như phát hiện loài quý hiếm hoặc phân loại sự kiện bất thường.
Chăm sóc sức khỏe : Trong hình ảnh y tế, học tập không cần tiêm có thể được áp dụng để phát hiện các bệnh hiếm gặp từ hồ sơ y tế hoặc dữ liệu hình ảnh hạn chế, giúp giảm nhu cầu về các tập dữ liệu mở rộng. Tìm hiểu thêm về AI trong chăm sóc sức khỏe .
Lái xe tự động : Xe tự hành có thể được hưởng lợi từ việc học không cần bắn bằng cách xác định các biển báo giao thông hoặc chướng ngại vật mới không có trong tập dữ liệu đào tạo, tăng cường tính an toàn và khả năng điều hướng. Khám phá AI trong các ứng dụng lái xe tự động .
Trong khi zero-shot learning xử lý các lớp hoàn toàn chưa được nhìn thấy trong giai đoạn đào tạo, few-shot learning đòi hỏi một số lượng nhỏ các ví dụ được gắn nhãn. Few-shot learning có thể đặc biệt hiệu quả khi có một số ít mẫu được gắn nhãn của một lớp mới, trong khi zero-shot learning hoàn toàn dựa vào các mô tả ngữ nghĩa.
Học chuyển giao liên quan đến việc điều chỉnh mô hình được đào tạo trước cho các nhiệm vụ mới bằng cách sử dụng đào tạo bổ sung trên dữ liệu mới. Ngược lại, học không bắn nhằm mục đích áp dụng trực tiếp kiến thức vào các lớp mới mà không cần đào tạo bổ sung. Khám phá thêm về học chuyển giao .
Ultralytics cung cấp các giải pháp và công cụ tiên tiến, như Ultralytics HUB, nhằm hợp lý hóa việc triển khai các mô hình AI tiên tiến, chẳng hạn như Ultralytics YOLOv8 . Ultralytics HUB có thể tạo điều kiện thuận lợi cho việc tích hợp và triển khai các mô hình sử dụng kỹ thuật học không cần thực hiện để tạo ra các ứng dụng thực tế hiệu quả.
Mô hình từ câu đến hình ảnh : Tận dụng các mô hình như DALL-E, hệ thống có thể tạo ra hình ảnh dựa trên mô tả bằng văn bản về các đối tượng không nhìn thấy trong quá trình đào tạo, thể hiện khả năng không cần chỉnh sửa. Tìm hiểu về tác động của AI tạo hình .
Mô hình phân đoạn bất kỳ ( SAM ) của Meta : Mô hình này hỗ trợ phân đoạn có thể nhắc nhở theo thời gian thực ở cả hình ảnh và video, đặc biệt hiệu quả trong các tình huống mà đối tượng không được xác định trong quá trình đào tạo mô hình. Khám phá các tính năng của SAM .
Học không cần tác động là bước tiến vượt bậc về khả năng xử lý các môi trường đa dạng và năng động của AI, trở thành công cụ quan trọng cho những đổi mới trong tương lai trên nhiều ngành công nghiệp.