Los investigadores explicaron que el aprendizaje automático requiere muchos ejemplos de los datos.Por ejemplo, con el fin de
El nuevo documento sugiere que los modelos de IA tambiénse puede entrenar de esta manera - los científicos llamaron a este proceso "menos de uno" - cuando el algoritmo reconoce más objetos, a pesar de que la cantidad de datos en los que fue entrenado fue pequeña.
Por ejemplo, los investigadores entrenaron a la IA para reconocernúmeros, pero no cargaron datos sobre cada número en el modelo, sino que lo hicieron como una sola imagen, teniendo en cuenta que muchos números tienen estilos similares. Esto les permitió reducir la cantidad de datos de 60 mil imágenes a 10.
La IA ha aprendido a seleccionar materiales para la investigación.
Los investigadores ahora están trabajando paraencuentre otras formas de diseñar pequeños conjuntos de datos sintéticos, ya sea diseño manual o utilizando otro algoritmo. Sin embargo, a pesar de estos desafíos de investigación adicionales, el artículo proporciona un marco teórico para un mayor aprendizaje. “Nuestra conclusión es que no importa qué conjuntos de datos tenga, probablemente pueda empaquetarlos para hacer que el modelo sea más eficiente”, dijeron.
En el futuro, los investigadores quieren capacitar incluso a los poderososmodelos basados en pequeños conjuntos de datos. Al hacerlo, elaborarán instrucciones claras para empaquetar datos de modo que los científicos con poca experiencia puedan usarlos.
Leer también
Anteriormente, la Tierra y la Luna tenían un escudo magnético común. Salvó al planeta del sol
Puede haber universos en agujeros negros. Te contamos el nuevo descubrimiento
En el día 3 de la enfermedad, la mayoría de los pacientes con COVID-19 pierden el sentido del olfato y a menudo sufren de secreción nasal.