A aprendizagem auto-supervisionada (SSL) é uma área de pesquisa em inteligência artificial centrada no desenvolvimento de algoritmos que usam dados não rotulados para treinamento. Ao contrário da aprendizagem supervisionada, onde os rótulos são fornecidos às amostras de dados, a aprendizagem auto-supervisionada depende dos próprios dados para projetar o processo de aprendizagem. Este tipo de aprendizagem é visto como um componente chave na abordagem de tarefas complexas de IA.
O SSL tenta capturar os preconceitos e padrões naturais encontrados nos dados, aplicando um contexto útil, como posição, hora ou cor. Por exemplo, uma rede neural treinada em imagens pode ser solicitada a prever a posição dos objetos na cena. Esses tipos de tarefas permitem que a rede aprenda e compreenda os recursos das imagens sem a necessidade de rótulos.
Embora a aprendizagem auto-supervisionada possa ser benéfica em termos de poupança de custos e redução dos processos envolvidos na rotulagem de dados, existem algumas ressalvas nesta abordagem. Uma questão importante é que o SSL funciona melhor com grandes quantidades de dados para um treinamento preciso. Além disso, as tarefas auto-supervisionadas requerem antecedentes fortes que imitam a estrutura do rótulo de uma tarefa de aprendizagem supervisionada.
Os benefícios da aprendizagem autossupervisionada foram observados em uma variedade de tarefas. Uma das aplicações mais conhecidas desta tecnologia é a utilização de modelos de linguagem para gerar texto sem anotação humana. Outras aplicações incluem processamento de imagens, modelagem de moléculas para descoberta de medicamentos e sistemas robóticos.
A aprendizagem auto-supervisionada é vista como uma ferramenta importante para a construção de sistemas de IA mais eficientes e precisos. Tem o potencial de reduzir a quantidade de dados anotados por humanos necessários e é uma forma eficaz de lidar com tarefas complexas.
