noun
El aprendizaje por transferencia es un enfoque de aprendizaje automático en el que un modelo preentrenado, ya capacitado en un gran conjunto de datos, se adapta para una tarea diferente pero relacionada. En lugar de entrenar un modelo desde cero, esta técnica aprovecha el conocimiento existente, lo que lo hace más rápido y eficiente.
Esta técnica se utiliza ampliamente en el procesamiento del lenguaje natural (NLP) y la visión por computadora. Por ejemplo, un modelo entrenado para reconocer gatos y perros puede ajustarse para identificar razas específicas con mucha menos datos. La principal ventaja es la reducción del tiempo de entrenamiento y los costos computacionales.
Para los desarrolladores, el aprendizaje por transferencia reduce las barreras de entrada para proyectos de IA. Sin embargo, requiere una selección cuidadosa del modelo preentrenado para garantizar su relevancia para la nueva tarea. Un modelo mal elegido puede llevar a un rendimiento subóptimo o requerir un ajuste extenso.
Ejemplo: Stable Diffusion, una popular IA de generación de imágenes, utiliza el aprendizaje por transferencia al basarse en modelos entrenados en vastos conjuntos de imágenes, permitiendo a los usuarios crear arte de alta calidad con poca entrada.
Una startup utiliza un modelo de lenguaje preentrenado para construir un chatbot de atención al cliente, reduciendo el tiempo de entrenamiento de meses a semanas.
En otros idiomas
Véase también: fine-tuning