1. Concepte
La transferència d’aprenentatge (Transfer Learning) és una tècnica de l’aprenentatge automàtic on un model entrenat en una tasca específica es reutilitza com a punt de partida per a una tasca diferent però relacionada. Aquesta metodologia permet aprofitar el coneixement adquirit en una tasca per millorar el rendiment en una altra tasca.
2. Definició acadèmica precisa
La transferència d’aprenentatge és un enfocament de l’aprenentatge automàtic que busca utilitzar el coneixement adquirit d’una tasca o domini (domini font) per millorar l’aprenentatge en una altra tasca o domini (domini objectiu). Aquest mètode és especialment útil quan el domini objectiu té poques dades disponibles per a l’entrenament, mentre que el domini font disposa d’una gran quantitat de dades.
El procés de transferència d’aprenentatge generalment segueix els següents passos:
- Preentrenament: Es preentrena un model en un conjunt de dades gran i divers del domini font. Aquest model aprèn característiques generals que són útils per a una àmplia gamma de tasques.
- Ajust fi (fine-tuning): El model preentrenat s’ajusta amb dades específiques del domini objectiu. Això implica entrenar el model en el conjunt de dades més petit del domini objectiu, permetent-li adaptar-se a les peculiaritats d’aquesta nova tasca.
Un exemple comú de transferència d’aprenentatge és l’ús de xarxes neuronals convolucionals (CNN) preentrenades en grans conjunts de dades d’imatges, com ImageNet. Aquestes xarxes poden ser ajustades per a tasques específiques com la classificació d’imatges mèdiques, reconeixement facial o detecció d’objectes, tot i tenir només unes poques imatges etiquetades del domini objectiu.
La transferència d’aprenentatge es basa en la hipòtesi que les característiques apreses en el domini font són suficientment generals com per ser útils en el domini objectiu. Per exemple, les característiques bàsiques com les vores, les textures i les formes, que són apreses durant el preentrenament en un gran conjunt de dades d’imatges, també poden ser rellevants per a una tasca específica de classificació d’imatges mèdiques.
Els beneficis de la transferència d’aprenentatge inclouen:
- Reducció del temps d’entrenament: Els models preentrenats necessiten menys temps per ajustar-se a una nova tasca, ja que ja han après característiques útils.
- Millor rendiment: Els models transferits sovint obtenen un millor rendiment en el domini objectiu en comparació amb els models entrenats des de zero.
- Menor necessitat de dades etiquetades: La transferència d’aprenentatge permet treballar amb menys dades etiquetades en el domini objectiu, ja que el model ja ha après de grans quantitats de dades en el domini font.
Malgrat els seus avantatges, la transferència d’aprenentatge també presenta desafiaments. Si els dominis font i objectiu són massa diferents, el model pot no transferir bé el coneixement, provocant un baix rendiment en la nova tasca. A més, hi ha una necessitat contínua de desenvolupar tècniques que millorin l’eficàcia de la transferència d’aprenentatge en diverses aplicacions.
3. Definició simplificada
La transferència d’aprenentatge és una tècnica d’IA que reutilitza un model entrenat en una tasca per millorar el rendiment en una altra tasca relacionada, aprofitant el coneixement adquirit anteriorment.
4. Metàfora per entendre-ho
La transferència d’aprenentatge és com aprendre a anar en bicicleta i després utilitzar aquestes habilitats per aprendre a conduir una moto. Tot i que la tasca és diferent, moltes de les habilitats apreses en la primera tasca són útils per a la segona.
5. Dita catalana relacionada
Val més un bon veí que un parent llunyà.
Aquesta dita reflecteix la idea que és millor tenir ajuda o coneixement proper que intentar-ho tot des de zero. En el context de la transferència d’aprenentatge, implica que és més eficient aprofitar el coneixement d’una tasca anterior per millorar el rendiment en una nova tasca.