Meta-learning adalah jenis teknik pembelajaran mesin di mana model beradaptasi dengan tugas-tugas baru menggunakan pengetahuan dari tugas-tugas yang diselesaikan sebelumnya. Ini adalah konsep yang telah ada sejak akhir tahun 1980an dan digunakan dalam berbagai model kecerdasan buatan.
Dalam pembelajaran mesin tradisional, model perlu dilatih ulang pada data dan tugas baru, karena model ini mengandalkan pembelajaran dari data yang terkait langsung dengan tugas saat ini. Di sisi lain, ketika meta-learning digunakan, tugas mempelajari tugas baru dapat dilihat sebagai tugas meta yang didukung oleh pengetahuan tentang bagaimana model dipelajari dari tugas sebelumnya.
Teknik pembelajaran meta telah digunakan di berbagai bidang, seperti pembelajaran penguatan, jaringan saraf, peramalan, dan robotika. Hal ini juga dapat digunakan untuk meningkatkan efisiensi proses pembelajaran, dengan membuat model beradaptasi lebih cepat dan dengan data yang lebih sedikit.
Misalnya, dalam pembelajaran multitugas, model dilatih pada serangkaian tugas terkait – sebuah teknik yang dapat dipelajari oleh beberapa model. Hal ini membantu model dengan cepat menyesuaikan diri dengan tugas baru, karena model telah melihat data serupa dari tugas sebelumnya.
Meta-learning juga dapat digunakan dalam pembelajaran transfer, dimana model yang telah dilatih dapat mentransfer pengetahuannya ke tugas baru. Hal ini memungkinkan pelatihan yang lebih cepat dan akurat, dengan membuat model memanfaatkan pengetahuan dari tugas-tugas yang dilatih sebelumnya.
Secara keseluruhan, pembelajaran meta membuat proses pembelajaran mesin lebih efisien, karena model dapat menggunakan pengetahuan yang ada untuk beradaptasi dengan cepat terhadap tugas-tugas baru. Di masa depan, penggunaan meta-learning diperkirakan akan menjadi lebih menonjol, karena model akan dapat belajar lebih cepat, akurat, dan dengan kumpulan data yang lebih sedikit.
