noun
El aprendizaje auto-supervisado es una técnica de aprendizaje automático en la que los modelos se entrenan con datos sin etiquetas generando sus propias etiquetas a partir de las entradas. A diferencia del aprendizaje supervisado, que requiere datos anotados por humanos, los modelos auto-supervisados aprovechan las estructuras intrínsecas de los datos para crear señales de entrenamiento.
Por ejemplo, un modelo puede aprender a predecir palabras faltantes en una oración o a reconstruir imágenes desordenadas. Este enfoque es especialmente útil para tareas como el procesamiento del lenguaje natural y el reconocimiento de imágenes, donde los datos etiquetados son escasos o costosos de obtener.
Para los desarrolladores, el aprendizaje auto-supervisado reduce la necesidad de etiquetado manual, disminuyendo costos y acelerando el entrenamiento de los modelos. Sin embargo, requiere grandes conjuntos de datos y algoritmos sofisticados para garantizar que las etiquetas generadas sean significativas. Un ejemplo real es DALL·E 2 de Meta, que utiliza aprendizaje auto-supervisado para generar imágenes de alta calidad a partir de descripciones de texto, logrando resultados comparables al arte humano.
Un modelo auto-supervisado podría aprender a colorear fotos en blanco y negro prediciendo los valores de color faltantes a partir de los píxeles circundantes.
En otros idiomas
Véase también: Supervised learning · Unsupervised learning · Transfer Learning