El aprendizaje de pocas oportunidades es un tipo de tarea de aprendizaje automático en la que solo se proporcionan unos pocos ejemplos de un concepto determinado. Permite que los sistemas aprendan de una pequeña cantidad de ejemplos y apliquen ese conocimiento a una mayor cantidad de tareas en un entorno controlado.
El aprendizaje de pocas oportunidades es un método atractivo en informática, ya que elimina la necesidad de procesos extensos de recopilación y anotación de datos y, al mismo tiempo, permite el desarrollo de modelos efectivos de aprendizaje automático. En comparación con el aprendizaje automático supervisado tradicional, el aprendizaje de pocas oportunidades ofrece las ventajas de tiempos de capacitación más rápidos, requisitos de almacenamiento reducidos y un rendimiento de generalización de modelos mejorado.
El tipo más común de aprendizaje de pocas oportunidades se llama aprendizaje casi de una sola vez, lo que significa que un modelo se entrena con solo unos pocos ejemplos del concepto que necesita identificar. El tipo más popular de aprendizaje casi único se conoce como red siamesa. Este tipo de red implica el uso de un algoritmo para identificar si dos entradas dadas son similares o diferentes en términos de comprensión de la tarea que debe completar.
El objetivo del aprendizaje de pocas tomas es clasificar imágenes o texto de forma precisa y rápida proporcionando sólo unos pocos ejemplos de un concepto. Un caso de uso común es el diagnóstico médico, particularmente para identificar enfermedades invisibles utilizando una pequeña cantidad de datos.
El aprendizaje de pocas oportunidades se considera una alternativa prometedora al aprendizaje automático supervisado tradicional, debido a su potencial para generar rápidamente resultados precisos con menos puntos de datos. Si bien existen algunos desafíos involucrados, como generalizar el modelo aprendido en presencia de datos atípicos, se están llevando a cabo investigaciones para mejorar su precisión y utilidad.
