Aprendizaje semisupervisadoSemi-Supervised Learning

Cuando etiquetar se vuelve imposible de costear

El aprendizaje semisupervisado nació por una razón simple: poner etiquetas es demasiado caro. Ponerle nombre a cientos de piezas una por una le llevaría al carnicero un día entero. Si además hace falta un experto, como para leer radiografías o marcar quién habla en una grabación, el costo sube todavía más.

En cambio, el dato sin etiqueta sobra. A la nevera sigue llegando carne sin parar. Si se puede usar el dato sin etiqueta junto con las pocas etiquetas que sí hay, se obtiene un resultado mucho mejor con el mismo presupuesto.

Se pone etiqueta provisional a lo más seguro primero

El método más usado funciona así: primero se traza un criterio a grandes rasgos con la poca cantidad de dato etiquetado. Con ese criterio se repasa el dato sin etiquetar, y solo a lo que sale con alta confianza se le pone etiqueta provisional. Lo dudoso se deja tal cual.

El dato con etiqueta provisional se suma al original y se vuelve a trazar el criterio. Con más datos, el criterio queda un poco más preciso, y al repasar de nuevo con ese criterio más preciso, algunas de las piezas dudosas de antes ahora sí quedan claras. Esto se repite varias vueltas.

Lo esencial es usar solo lo de alta confianza. Si se le mete mano a lo ambiguo, se cuelan respuestas equivocadas.

El dato sin etiqueta empuja el límite

El dato sin etiqueta tampoco se queda callado del todo. Dónde queda ubicada esa pieza ya es información. Si la carne se amontona claramente hacia dos formas de moteado y hay un vacío entre medio, la línea que separa los cortes debería pasar naturalmente por ese vacío.

Mirando solo las diez piezas etiquetadas, cualquier línea que se trace las clasifica bien a las diez. Al sumar las cientos de piezas sin etiqueta, la mayoría de esas líneas quedan mal puestas, porque cruzan justo el centro donde se amontonan los datos. El dato sin etiqueta no dice cuál es la respuesta, pero sí reduce las líneas candidatas que se pueden trazar.

Esto solo funciona si los datos realmente forman grupos. Si los moteados se solapan entre cortes y el límite es borroso, sumar dato sin etiqueta no ayuda por mucho que se le eche.

Si el error se propaga, se sale de control

El punto débil de este método es que el error se refuerza a sí mismo. Digamos que el criterio inicial confundió la paleta con el cuello. La pieza de cuello recibe la etiqueta provisional de paleta, y al sumarse a los datos, el siguiente criterio confía todavía más en ese error. Como nadie lo corrige, el error se afianza.

Por eso la calidad de los datos etiquetados al principio importa muchísimo. Si una sola de las diez piezas tiene la etiqueta mal puesta, ese error se propaga a las cientos de piezas. De ahí que se ponga el umbral de confianza alto para la etiqueta provisional, y que cada cierto número de vueltas alguien revise una muestra a mano.

Cuándo conviene usarlo

El efecto es mayor cuando se cumplen tres condiciones: hay poco dato etiquetado, hay mucho más dato sin etiquetar, y ambos vienen del mismo lugar. Es decir, la carne de la nevera y la carne ya etiquetada tienen que haber llegado el mismo día del mismo sitio.

Si el dato sin etiqueta viene de otra parte, más bien estorba. Hoy en día, cuando hay muchísimo dato sin etiquetar, suele preferirse acumular sentido primero con aprendizaje autosupervisado y cerrar con poca etiqueta. El aprendizaje semisupervisado sigue siendo una opción práctica donde no se llega a esa escala.