Inteligencia Artificial Frugal: Aprendizaje Automático con datos limitados

Abstract

[Resumen]: Muchas soluciones actuales basadas en aprendizaje automático (AA) enfrentan desafíos como la escasez de datos, los elevados costes computacionales o la necesidad de rapidez de entrenamiento, que es uno de los problemas que se pueden encontrar en campos como la robótica, independientemente de si se dispone de datos suficientes. Este hecho da lugar a una nueva línea de investigación conocida como inteligencia artificial frugal y motiva la realización de este trabajo de final de grado, en el que se explorará el concepto de few-shot learning (FSL). Se trata de una técnica que busca capacitar a los modelos para realizar tareas con un número limitado de ejemplos de entrenamiento y que proporciona soluciones a los problemas anteriormente mencionados. Así, en primer lugar se realizará un análisis del estado del arte y se analizarán varios métodos basados en el concepto de FSL. Posteriormente, se llevará a cabo una comparativa de los mismos, utilizando conjuntos de datos adecuados. Además, se pondrá en práctica uno de estos métodos aplicándolo al problema de aprendizaje de un robot, con el objetivo de evaluar su efectividad y rendimiento en una tarea real. De esta forma, el trabajo no solo se centrará en la comprensión y aplicación del few-shot learning, sino que también proporcionará conocimientos prácticos sobre su aplicación en el campo de la robótica.

[Abstract]: Many current machine learning (ML) solutions face challenges such as data scarcity, high computational costs, and the need for fast training, which is one of the issues encountered in fields like robotics, regardless of whether sufficient data is available. This situation has given rise to a new line of research known as frugal artificial intelligence and motivates the realization of this final degree project, which will explore the concept of few-shot learning (FSL). FSL is a technique aimed at enabling models to perform tasks with a limited number of training examples and offers solutions to the previously mentioned problems. First, an analysis of the state of the art will be conducted, reviewing several methods based on the FSL concept. Then, a comparison of these methods will be carried out using appropriate datasets. Additionally, one of these methods will be applied to the problem of robot learning to evaluate its effectiveness and performance in a real task. In this way, the project will not only focus on understanding and applying few-shot learning but will also provide practical insights into its application in the field of robotics.