Aprendizaje de múltiples tareas en sistemas de recomendación una introducción
Aprendizaje de múltiples tareas en sistemas de recomendación
La ciencia e ingeniería detrás de los algoritmos que intentan hacerlo todo
Aunque el aprendizaje multitarea ha sido bien establecido en la visión por computadora y el procesamiento de lenguaje natural, su uso en los sistemas de recomendación modernos es aún relativamente nuevo y, por lo tanto, no muy bien comprendido.
En este artículo, profundizaremos en algunas de las consideraciones de diseño más importantes y los avances de investigación recientes en recomendadores multitarea. Cubriremos:
- por qué necesitamos sistemas de recomendación multitarea en primer lugar,
- transferencia positiva y negativa: el desafío clave en los aprendices multitarea,
- compartir parámetros difíciles y modelado de expertos, y
- aprendizaje auxiliar: la idea de agregar nuevas tareas con el único propósito de mejorar la tarea principal.
Empecemos.
¿Por qué sistemas de recomendación multitarea?
La principal ventaja de los sistemas de recomendación multitarea es su capacidad para resolver múltiples objetivos comerciales al mismo tiempo. Por ejemplo, en un sistema de recomendación de videos podemos querer optimizar los clics, pero también los tiempos de reproducción, los me gusta, las comparticiones, los comentarios u otras formas de interacción del usuario. En tal situación, un único modelo multitarea no solo es más barato computacionalmente que múltiples modelos de una sola tarea, sino que también puede tener una mayor precisión predictiva por tarea.
- 10 Características de la Rica Biblioteca para Construir Increíbles Aplicaciones de Línea de Comando
- La historia del Titanic con hechos y cifras.
- Una nueva investigación de IA explica cómo el Aprendizaje de Instrucción en Contexto (ICIL) mejora el rendimiento de generalización de tareas sin entrenamiento para modelos preentrenados y modelos ajustados mediante instrucciones.
Incluso en casos en los que solo queremos predecir un evento, como “compra” en un sistema de recomendación de comercio electrónico, aún podemos agregar tareas adicionales con el único propósito de mejorar el rendimiento en la tarea principal. A estas tareas adicionales las llamamos “tareas auxiliares” y a esta forma de aprendizaje “aprendizaje auxiliar”. En el ejemplo de comercio electrónico, puede tener sentido aprender también “añadir al carrito” y “añadir a la lista” junto con “compra”, dado que todos estos eventos están estrechamente relacionados entre sí: indican intención de compra.
¿Qué tareas aprenden bien juntas?
En términos generales, predecir una segunda tarea puede ayudar con la primera tarea o hacer lo contrario: empeorar la predicción de la primera tarea. Llamamos a este primer caso “transferencia positiva” y…
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Intervención gubernamental en el diseño de chips ¿Un beneficio o una maldición para las aspiraciones de India en la industria de semiconductores?
- Un nuevo estudio de investigación de IA de Stanford explica el papel de las expresiones de exceso de confianza e incertidumbre en los modelos de lenguaje
- Navegando la Curva de Aprendizaje La Lucha de la IA con la Retención de Memoria
- Completado de nubes de puntos con modelos de difusión preentrenados de texto a imagen
- Todo lo que necesitas saber sobre la Universidad LLM de Cohere
- OpenAI lanza Baby Llama – Un LLM para dispositivos de baja potencia!
- Textbooks son todo lo que necesitas Un enfoque revolucionario para la formación en IA