Apprendimento multitask

L'apprendimento multitasking è un sottocampo dell'intelligenza artificiale (AI) dell'apprendimento automatico. Si cerca di fare in modo che una macchina apprenda un singolo modello da più attività con l'obiettivo di migliorare la precisione della generalizzazione in tutte le attività. Si tratta di una tecnica di machine learning supervisionata in cui il modello impara a completare più attività contemporaneamente addestrandosi su più attività che condividono un input comune.

La motivazione originaria dell'apprendimento multitask era quella di consentire ai modelli di apprendimento automatico di utilizzare meglio le conoscenze provenienti da compiti correlati. Condividendo i parametri tra i vari compiti, il modello può migliorare le sue prestazioni su un compito specifico anche se i dati sono limitati, in modo da non richiedere un set di dati così grande come farebbe normalmente se fosse addestrato solo su quel compito.

L'apprendimento multitask può essere suddiviso in due tipi di compiti fondamentali: hard multitasking e soft multitasking. L'hard multitasking si riferisce all'addestramento di un singolo modello per eseguire più compiti sugli stessi dati di input. Il soft multitasking si riferisce all'addestramento di più modelli per eseguire compiti diversi sugli stessi dati di input. Il soft multitasking è più adatto quando i compiti sono molto diversi.

L’efficacia dell’apprendimento multitasking nel raggiungimento di prestazioni migliori è stata dimostrata con molte applicazioni di successo nella visione artificiale, nell’elaborazione del linguaggio naturale, nella robotica e in molte altre aree. La sfida con l’apprendimento multitasking è identificare la giusta architettura del modello e le impostazioni di ottimizzazione, il che può essere un compito difficile, soprattutto per problemi multitasking complessi.

Negli ultimi anni si è assistito a un crescente interesse della ricerca per l'apprendimento multitask. Ciò è dovuto al suo potenziale di miglioramento delle prestazioni in molti compiti di apprendimento automatico e alla possibilità di ridurre le dimensioni dei set di dati, consentendo un addestramento e una distribuzione più semplici.