Çok Görevli Öğrenme (Multi-Task Learning)

Çok Görevli Öğrenme nedir?

Çok görevli öğrenme (multi-task learning), tek bir modeli aynı anda birden fazla görev için eğitme yaklaşımıdır. Klasik yöntemde her görev için ayrı model eğitirsin: biri duygu analizi yapar, biri konu sınıflandırır, biri özet çıkarır. Multi-task learning'de bunların hepsini tek model öğrenir; ortak bir gövde paylaşır, sadece uç kısımları göreve özel kalır.

Nasıl çalışır?

Model genelde paylaşılan bir alt katman yığını (shared backbone) ve her görev için ayrı bir "kafa" (task head) içerir. Eğitim sırasında farklı görevlerin loss değerleri birleştirilir; çoğunlukla ağırlıklı toplamla. Model bir görevde öğrendiği temsili (representation) diğer görevlerde de kullanır. Böylece bir görevin verisi az olsa bile, komşu görevlerden gelen sinyal boşluğu doldurur. İşin zor kısmı görevler arası dengedir: bir görev diğerini bastırırsa (negative transfer) performans düşer, bu yüzden loss ağırlıkları ve örnekleme oranları dikkatle ayarlanır.

Neden önemli?

Ayrı ayrı model eğitmek hem pahalı hem de veri açısından savurgan. Multi-task learning tek modelle birden fazla işi çözerek eğitim ve dağıtım (deployment) maliyetini düşürür. Dahası görevler birbirine düzenleyici (regularizer) etki yapar: model tek göreve aşırı uyum sağlamak (overfitting) yerine daha genel temsiller öğrenir. Bugünkü büyük dil modellerinin çok yönlülüğünün bir kısmı da bu prensibe dayanır.

Kullanım alanları

Doğal dil işlemede bir model aynı anda çeviri, özetleme ve soru-cevap yapabilir. Bilgisayarlı görüde nesne tespiti ve segmentasyon aynı gövdeyle çözülür. Öneri sistemlerinde tıklama tahmini ve satın alma tahmini birlikte öğrenilir. Otonom sürüşte şerit tespiti, mesafe tahmini ve engel tanıma tek ağda birleşir.