Gure eguneroko bizitzan, gero eta maizago topo egiten dugu adimen artifiziala erabiltzen duten teknologia eta sistemekin, eta askotan hauek modu erabat integratuan erabiltzen ditugu konturatu gabe. Esate baterako, etxeko laguntzaile birtualak erabiltzen ditugunean, hala nola Amazon Alexa edo Google Assistant bezalako chatbot-ak, gure eskariak ulertzeko eta hauei erantzuna emateko gai dira. Bestalde, musika eta bideo plataformak, Spotify eta YouTube bezalakoak, gure gustuen eta ohituren arabera gomendioak eskaintzen dizkigute. Gomendio horiek gure aurreko entzuketa edo ikustaldi historikoan oinarritzen dira, adimen artifizialeko algoritmoek gure gustuak eta lehentasunak aztertzen baitituzte. Era berean, Interneten nabigatzean, gure interesetara egokitutako iragarkiak jasotzen ditugu, web orrialdeek gure jarduerak jarraitzeko eta gure portaerak aurreikusteko ahalmena dutelako, besteak beste, cookie-ak eta bestelako jarraipen-teknologiak erabiliz.
Adimen artifiziala, eta bereziki ikaskuntza automatikoa, datuen analisia eta prozesamendua teknologien oinarri nagusietako bat bilakatu da. Ikaskuntza automatikoak, hainbat ikaskuntza paradigmen bitartez, datu-multzo handietan patroiak bilatu eta ereduak eraikitzeko aukera ematen du. Arlo honetan biltzen diren teknikak hainbat eremutan aplikatu dira, hala nola, ordenagailu bidezko ikusmenean, non irudiak eta bideoak aztertzen diren; eta baita hizkuntzaren prozesamenduan, non testuak eta ahots-datuak tratatzen diren.
Literaturan jasotzen den bezala, ikaskuntza automatikoan gehien erabiltzen diren algoritmoak ikaskuntza gainbegiratuan oinarritzen dira. Paradigma horretan, ereduak ikasteko datu-sarrera bakoitzari dagozkion etiketak behar dira. Adibidez, irudi bat katu baten irudia dela ikasteko, ikasketa-algoritmoek irudi hori “katu” etiketarekin markatuta jaso behar dute aldez aurretik entrenamendu garaian. Paradigma honek emaitza onak eman ditu hainbat aplikaziotan, baina hainbat muga ere baditu. Etiketa horiek lortzeko prozesua oso garestia eta neketsua izan daiteke, eta askotan ez dago datu guztien etiketa egokirik eskuragarri.
Aipatutako oztopoak gainditzeko, azkenaldian ikaskuntza autogainbegiratua garrantzi handia hartzen ari da. Ikaskuntza-paradigma horrek aukera ematen du datuetatik etiketarik gabe ikasteko, datuen baitan ezagunak diren ezaugarri eta erlazio esanguratsuak iragarriz. Horrela, ikasketa-algoritmoek beren kabuz ikasten dute datuak antolatzen eta aztertzen, ikasketa-prozesua eraginkorragoa bihurtuz. Zehazki, ikaskuntza autogainbegiratuan, ereduek ataza nagusi bat burutzen laguntzen duten ataza osagarriak ikasten dituzte, eta horri esker, datuen errepresentazio esanguratsuak eta erabilgarriak sortzen dituzte. Horrek ikasketa-prozesua ez ezik, emaitzen kalitatea ere hobetzen du. Gainera, ikaskuntza autogainbegiratuak datu kantitate askoz handiagoekin lan egitea ahalbidetuz, azkenaldiko eredu berrienen muina bilakatu da, hala nola, Chat-GPT bezalako hizkuntza-eredu handien kasuan.
Lan honek ikaskuntza autogainbegiratuaren inguruko azterketa sakona eskaintzen du, paradigma honen barruan bereizten diren metodoak aztertuz. Halaber, hainbat datu-motatan aplikatzeko oinarrizko prozedurak ere aztertzen dira, ikaskuntza-paradigma berri honen potentziala azaleratuz.
Artikuluaren fitxa:
- Aldizkaria: Ekaia
- Zenbakia: Ale berezia Adimen artifiziala
- Artikuluaren izena: Ikaskuntza autogainbegiratuaren ahalmena azaleratzen.
- Laburpena: Ikaskuntza automatikoak nabarmen egin du aurrera azken urteotan, eta horren fruitu da garatutako algoritmo sorta izugarria, zeinek ahalmena ematen baitigute ataza mota ugari egiteko. Literaturaren arabera, algoritmo gehienak ikaskuntza gainbegiratuan oinarritzen dira. Hala ere, hainbat atazatan emaitza onak lortu arren, ikaskuntza-paradigma horren eragozpen nagusia etiketetiko mendekotasuna da; izan ere, etiketatze-prozesua oso garestia da. Gainera, ikaskuntza automatikoan erabiltzen diren ereduek joera handia dute alborapen okerrak bultzatzen dituzten bide laburrak ikasteko, eta, ondorioz, atazek porrot egiten dute. Arazo horiek saihesteko, ikaskuntza autogainbegiratuak arreta bereganatu du azkenaldian ikaskuntza-paradigma gisa. Lan honetan, ikaskuntza autogainbegiratuari dagokion literaturari buruzko sarrera bat eskaintzen dugu, eta ikaskuntza-paradigma horren barruan bereizten diren metodo motak biltzen eta azaltzen ditugu, zenbait datu motatan aplikatzeko oinarrizko prozedurak aztertuz.
- Egileak: Aitor Sánchez-Ferrera, Borja Calvo Molinos, Usue Mori Carrascal eta Jose A. Lozano
- Argitaletxea: EHUko argitalpen zerbitzua
- ISSN: 0214-9001
- eISSN: 2444-3255
- Orrialdeak: 167-184
- DOI: 10.1387/ekaia.26347
Egileez:
Aitor Sánchez-Ferrera, Borja Calvo Molinos eta Usue Mori Carrascal EHUko Konputazio Zientzia eta Adimen Artifiziala Saileko ikertzaileak dira.
Jose A. Lozano EHUko Konputazio Zientzia eta Adimen Artifiziala Saileko eta Basque Center for Applied Mathematics (BCAM) zentroko ikertzailea da.
Ekaia aldizkariarekin lankidetzan egindako atala.
