El aprendizaje por transferencia es una técnica de aprendizaje automático que aprovecha el conocimiento adquirido a partir de modelos preentrenados en tareas similares para mejorar el rendimiento en una nueva tarea. Consiste en tomar modelos preentrenados, ajustarlos finamente y aplicarlos a una nueva tarea con características similares. El aprendizaje por transferencia ahorra tiempo y recursos, y aumenta la precisión.
Ventajas del aprendizaje por transferencia
- Ahorra tiempo y recursos: los modelos preentrenados ya han sido entrenados con una gran cantidad de datos, lo que reduce la necesidad de disponer de un volumen extenso de datos para la nueva tarea.
- Mayor precisión: los modelos preentrenados ya han aprendido características y patrones a partir de los datos con los que fueron entrenados, que pueden reutilizarse para incrementar la precisión en la nueva tarea.
- Solución a la escasez de datos: el aprendizaje por transferencia resulta útil cuando los datos disponibles para la nueva tarea son limitados, y el uso de modelos preentrenados puede ayudar a superar este problema.
Desventajas del aprendizaje por transferencia
- Limitaciones para la nueva tarea: los modelos preentrenados pueden no ser adecuados para la nueva tarea si esta difiere significativamente de aquella para la que fueron entrenados.
- Necesidad de ajuste fino: el ajuste fino de los modelos preentrenados para la nueva tarea puede ser costoso en tiempo y requiere conocimiento específico del dominio.
- Limitaciones de los modelos preentrenados: la precisión de los modelos preentrenados depende de la calidad de los datos de entrenamiento, y el modelo puede no ser óptimo para la nueva tarea.
Uso del aprendizaje por transferencia con datos de aerogeneradores
El aprendizaje por transferencia puede aplicarse a datos de aerogeneradores para mejorar el rendimiento de los modelos de mantenimiento predictivo. Estos modelos predicen posibles fallos en los aerogeneradores, reduciendo los costes de mantenimiento y aumentando la eficiencia. Gracias al aprendizaje por transferencia, los modelos pueden ajustarse finamente con datos de aerogeneradores, lo que incrementa la precisión y reduce la cantidad de datos necesarios para entrenar el modelo.
En los casos en que los datos disponibles para un aerogenerador son limitados, se emplea una estrategia de preentrenamiento y ajuste fino basada en el aprendizaje por transferencia para obtener predicciones precisas. Si se dispone de menos de un año de datos, se recomienda el aprendizaje por transferencia; si se dispone de menos de doce meses, resulta esencial para lograr un buen rendimiento del modelo. No obstante, el aprendizaje por transferencia no es necesario cuando se cuenta con más de dos años de datos.
El proceso de aprendizaje por transferencia consta de dos pasos. En primer lugar, se preentrena una red neuronal con datos de aerogeneradores similares, lo que da como resultado un modelo genérico que representa el comportamiento medio del grupo. A continuación, este modelo genérico se ajusta finamente con los datos limitados disponibles para un aerogenerador concreto, teniendo en cuenta sus particularidades a la hora de generar predicciones.
Aunque el aprendizaje por transferencia es una estrategia eficaz ante la escasez de datos, se sigue recomendando reentrenar la red neuronal cuando se disponga de más datos. Un calendario de reentrenamiento mensual durante el primer semestre, bimensual durante el segundo semestre, semestral durante el segundo año y anual a partir del segundo año garantiza que una mayor variedad de estados del aerogenerador quede representada en los datos de entrenamiento.
En conclusión, el aprendizaje por transferencia es una herramienta de gran valor para los datos de aerogeneradores, ya que ofrece una solución al reto de la escasez de datos al tiempo que mejora el rendimiento de los modelos de mantenimiento predictivo.
Análisis del aprendizaje por transferencia — Resultados de Turbit
Para evaluar la precisión del aprendizaje por transferencia en el dominio específico de Turbit, entrenamos varias redes neuronales.
En la primera imagen (extremo izquierdo) puedes ver una instancia entrenada para aprender la potencia de un aerogenerador con un año completo de datos (velocidad del viento, temperatura ambiente, dirección del viento). Esto se realizó sin preentrenamiento y se puede observar que los resultados no son óptimos, con una desviación media de 140 kW.
En la segunda imagen (centro izquierda) se puede ver una instancia entrenada únicamente con preentrenamiento a partir de aerogeneradores similares. Las predicciones son muy precisas, pero en algunos casos se alejan bastante del valor real.
En la tercera imagen (centro derecha) se puede ver la instancia preentrenada ajustada finamente con 1 mes de datos de enero. Las predicciones son muy precisas y ya no se observan predicciones atípicas (sin ningún falso positivo).
En la cuarta imagen se puede ver el rendimiento que habría tenido el entrenamiento con solo un mes de datos. Los resultados fueron sorprendentemente buenos, pero es muy probable que esta instancia no rinda adecuadamente en otros años, especialmente ante temperaturas inusualmente altas.
Turbit ha realizado muchas más de estas pruebas (validación cruzada) y llegó a la siguiente conclusión:
«El aprendizaje por transferencia es siempre una buena opción y hace que las predicciones sean más robustas y precisas; sin embargo, no siempre es necesario»
