Introducción al aprendizaje automático · Pregunta 49 de 60
Un clasificador de variedades de manzana debe adaptarse mediante fine-tuning. ¿Qué tareas de destino probablemente funcionarán bien y cuáles peor?
2 respuestas son correctas. Difícil Creado con IA
Mostrar solución
Solución
- A Bien: reconocer variedades de pera en fotos
- B Peor: reconocer cantos de pájaros
Explicación
El fine-tuning funciona mejor cuanto más cercana es la nueva tarea a la anterior. Pasar de fotos de manzanas a fotos de peras es un paso pequeño, y el modelo puede aprovechar buena parte de lo que ya sabe. Los cantos de pájaros son grabaciones de audio, donde lo aprendido apenas ayuda. Por la misma razón, un LLM puede ajustarse bien para una tarea especializada muy próxima si se dispone de buenos datos de entrenamiento.