Inteligencia Artificial
Qué es Aprendizaje con Pocos Ejemplos
Entrenamiento de modelos con pocos ejemplos
Aprendizaje con Pocos Ejemplos (Few-Shot Learning) es un enfoque de aprendizaje automático que permite a los modelos aprender de muy pocos ejemplos (típicamente de 1 a 10) para cada clase.
Enfoques Principales
- Meta-Learning — aprender a aprender
- Metric Learning — aprender similitud entre ejemplos
- Data Augmentation — expandir datos de conjuntos pequeños
- Transfer Learning — usar modelos preentrenados
Tipos por Número de Ejemplos
- Zero-Shot — sin ejemplos, solo descripción de tarea
- One-Shot — un ejemplo por clase
- Few-Shot — varios ejemplos (2-10) por clase
Aplicaciones
- Reconocimiento facial de una sola foto
- Clasificación de enfermedades raras
- Personalización de asistentes de IA
- Adaptación rápida de chatbots
Beneficios
- Requisitos de datos reducidos
- Adaptación rápida a nuevas tareas
- Costos de etiquetado de datos reducidos
Few-Shot Learning es crítico para GPT y otros modelos de lenguaje grandes (LLMs).