Apprendimento autosupervisionato
L’apprendimento autosuperato forma modelli su dati non etichettati inventando un compito la cui risposta è nascosta all’interno dei dati stessi.
Panoramica
It is how modern language and vision foundation models learn from the raw internet without armies of human labelers.
Immersione profonda
L’etichettatura manuale dei dati è lenta e costosa, ma il mondo è pieno di testo, immagini, audio e video senza etichetta. L'apprendimento autosuperato lo sblocca creando "compiti pretesto" in cui i dati forniscono la propria risposta. L'esempio classico è la modellazione del linguaggio mascherato, utilizzata da BERT: nascondi alcune parole in una frase e addestra il modello a prevederle dal contesto. I modelli in stile GPT prevedono la parola successiva. Nella visione, metodi contrastivi come SimCLR mostrano al modello due ritagli aumentati della stessa immagine e gli insegnano che appartengono insieme mentre separano immagini diverse. Risolvere questi enigmi autocostruiti costringe il modello a costruire ricche rappresentazioni interne di significato e struttura. Tali rappresentazioni vengono quindi trasferite in modo potente alle attività a valle reali con pochi o nessun dato etichettato.
Approfondimento tecnico
Il trucco sta nel generare un segnale di supervisione gratuitamente. Nella modellazione mascherata, il token nascosto è l'etichetta, quindi una perdita può essere calcolata senza alcuna annotazione umana. Nell'apprendimento contrastivo, due aumenti di un'immagine formano una "coppia positiva" che dovrebbe stare vicina nello spazio di inclusione, mentre le altre immagini sono "negative" respinte. In ogni caso, il modello viene ottimizzato su etichette derivate esclusivamente dalla struttura stessa dei dati, apprendendo caratteristiche generali che in seguito necessitano solo di una leggera messa a punto.
Impatto strategico
Decisioni più chiare
Ti aiuta a separare le chiare affermazioni tecniche dal linguaggio di marketing.
Costo e budget
Puoi porre domande sull'implementazione migliore prima di spendere denaro o tempo.
Team e flusso di lavoro
I team con una comprensione condivisa prendono decisioni migliori su prodotti, politiche e apprendimento.
Il futuro dell’apprendimento autosupervisionato
L’apprendimento autosuperato è il motore dietro i modelli fondamentali di oggi e quel ruolo non potrà che crescere. La tendenza chiara è verso la preformazione multimodale, in cui un singolo modello apprende congiuntamente da testo, immagini, audio e video utilizzando obiettivi auto-supervisionati. I ricercatori si stanno spingendo oltre i metodi contrastivi verso approcci di previsione mascherata nelle tecniche di visione e di auto-distillazione che non necessitano di esempi negativi. Poiché i dati etichettati di alta qualità diventano il collo di bottiglia, l’apprendimento di strutture utili direttamente da vasti flussi non etichettati rimarrà la strategia centrale per scalare l’intelligenza artificiale.
Implementazione nel mondo reale
BERT impara la lingua prevedendo parole mascherate, quindi ottimizzate per la ricerca, il sentimento o la risposta alle domande
SimCLR pre-addestra un codificatore di immagini su foto senza etichetta in modo che possa successivamente classificarle con pochissime etichette
Modelli in stile GPT che imparano a scrivere prevedendo ripetutamente il token successivo su enormi corpora di testo
Modelli vocali preaddestrati su audio grezzo senza etichetta (previsione di segmenti audio mascherati) prima di essere adattati alla trascrizione
Rischi e guardrail
Team diversi possono utilizzare lo stesso termine in modo diverso, quindi definisci l'ambito in anticipo.
I benchmark possono sembrare solidi mentre le prestazioni nel mondo reale non sono uniformi.
Ignorare la qualità dei dati e i piani di valutazione spesso crea risultati fragili.
Tabella di marcia per l'implementazione
Inizia con una definizione in linguaggio semplice del risultato di cui hai bisogno.
Scegli una metrica di successo e una condizione di fallimento prima del test.
Esegui un piccolo progetto pilota con dati rappresentativi, non un set demo raffinato.
Documentare dove l'apprendimento autosupervisionato aiuta e dove i metodi più semplici sono migliori.
Continua a esplorare
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Self-Supervised Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Prossima guida
Apprendimento supervisionato
Domande frequenti
What is Self-Supervised Learning?
L’apprendimento autosuperato forma modelli su dati non etichettati inventando un compito la cui risposta è nascosta all’interno dei dati stessi. È il modo in cui i moderni modelli di linguaggio e visione imparano dall’Internet grezza senza eserciti di etichettatori umani.
Cosa rende l’apprendimento “auto-supervisionato”?
L’apprendimento autosuperato inventa un compito pretesto in cui la risposta è nascosta nei dati, quindi non è necessaria alcuna etichettatura umana.
Perché l’apprendimento autosupervisionato è così prezioso per i modelli di base?
Poiché il segnale di supervisione proviene dai dati stessi, i modelli possono essere pre-addestrati su enormi corpora senza etichetta dal web.
Dopo la formazione preliminare autogestita, cosa succede di solito dopo?
Il pre-addestramento crea rappresentazioni generali che si trasferiscono bene, quindi per attività specifiche è necessaria solo una leggera messa a punto sui dati etichettati.
In che modo l'attività autosupervisionata di un modello in stile GPT differisce da quella di BERT?
I modelli in stile GPT sono addestrati per prevedere il token successivo in una sequenza, mentre BERT prevede i token mascherati utilizzando sia il contesto sinistro che quello destro.