Học tự giám sát (SSL) là một lĩnh vực nghiên cứu trí tuệ nhân tạo tập trung vào việc phát triển các thuật toán sử dụng dữ liệu chưa được gắn nhãn để đào tạo. Không giống như học có giám sát, trong đó các nhãn được cung cấp cho các mẫu dữ liệu, học tự giám sát dựa vào chính dữ liệu đó để thiết kế quá trình học. Kiểu học tập này được coi là thành phần chính trong việc giải quyết các nhiệm vụ AI phức tạp.
SSL cố gắng nắm bắt các xu hướng và khuôn mẫu tự nhiên được tìm thấy trong dữ liệu bằng cách áp dụng bối cảnh hữu ích như vị trí, thời gian hoặc màu sắc. Ví dụ: một mạng lưới thần kinh được huấn luyện về hình ảnh có thể được yêu cầu dự đoán vị trí của các vật thể trong khung cảnh. Những loại tác vụ này cho phép mạng tìm hiểu và hiểu các tính năng từ hình ảnh mà không yêu cầu nhãn.
Mặc dù việc học tự giám sát có thể mang lại lợi ích về mặt tiết kiệm chi phí và giảm bớt các quy trình liên quan đến việc ghi nhãn dữ liệu, nhưng vẫn có một số lưu ý với phương pháp này. Một vấn đề chính là SSL hoạt động tốt nhất với lượng dữ liệu dồi dào được rút ra để đào tạo chính xác. Ngoài ra, các nhiệm vụ tự giám sát yêu cầu các ưu tiên mạnh mẽ bắt chước cấu trúc nhãn của nhiệm vụ học tập có giám sát.
Lợi ích của việc học tự giám sát đã được nhìn thấy trong nhiều nhiệm vụ khác nhau. Một trong những ứng dụng nổi tiếng nhất của công nghệ này là sử dụng các mô hình ngôn ngữ để tạo ra văn bản mà không cần chú thích của con người. Các ứng dụng khác bao gồm xử lý hình ảnh, mô hình hóa các phân tử để khám phá thuốc và hệ thống robot.
Học tập tự giám sát được coi là một công cụ quan trọng để xây dựng các hệ thống AI hiệu quả và chính xác hơn. Nó có khả năng giảm lượng dữ liệu cần thiết do con người chú thích và là một cách hiệu quả để giải quyết các nhiệm vụ phức tạp.
