Una de las limitantes del aprendizaje automático es que es costoso computacionalmente y requiere grandes cantidades de datos y poder de cómputo para poder funcionar correctamente. Por eso, crear modelos que puedan aprender con menos cantidad de ejemplos es un objetivo central.
En el paper presentado por investigadores de Waterloo en Ontario, se plantea una solución novedosa basada en modelos “few-shot learning” que implican modelos que pueden aprender con solo un pequeño número de muestras. Los investigadores desarrollaron una solución que llamaron “'Less Than One'-Shot Learning”, en la que el modelo debe aprender una nueva clase a partir de un solo ejemplo, manteniendo la performance de eficacia de modelos de ML basados en grandes cantidades de datos.
Parte del modelo se basa en aprender de un “super ejemplo”, un dato de muestra que destila conjuntos de datos reduciendolos a una mínima expresión. El modelo se basa en un trabajo anterior de investigadores del MIT que como prueba de concepto había comprimido un conocido dataset llamado MNIST a sólo 10 imágenes. Las imágenes no fueron seleccionadas del conjunto de datos originales, sino que fueron cuidadosamente diseñadas y optimizadas para contener una cantidad de información equivalente a la del conjunto completo. Como resultado, con tan solo 10 imágenes, el modelo de IA podía lograr casi la misma precisión que uno entrenado con todas las imágenes del MNIST.
https://www.technologyreview.com/2020/10/16/1010566/ai-machine-learning-with-tiny-data/?utm_source=emBlue&utm_medium=email&utm_campaign=NL%20Octubre%202020&utm_content=37%20NL--Se%20aprueba%20el%20uso%20de%20reconocimiento%20facial%20en%20Buenos%20Aires&utm_term=multiple--7--none--80-90--ENVIO%20SIMPLE