En l’àmbit de l’aprenentatge automàtic, l’adaptació de dominis universal sense font (SF-UniDA) representa un repte crític: un model entrenat amb dades etiquetades d’un domini origen s’ha d’aplicar a un domini destí completament diferent, sense accés a les dades originals i sota canvis tant en les covariables com en les etiquetes. Els enfocaments tradicionals recorren a tècniques costoses com l’ajust de llindars o el clustering, que sovint fallen en escenaris reals on les classes desconegudes apareixen de manera imprevisible. Tanmateix, la irrupció dels models fonamentals (Foundation Models, FMs) —especialment els models visió-llenguatge (VLM) i els grans models de llenguatge (LLM)— està transformant aquesta àrea en oferir capacitats de generalització i aprenentatge zero-shot sense precedents.
El marc LFM (Leveraging Foundation Models) proposa una solució innovadora per a SF-UniDA que integra de manera fluida les fortaleses dels VLM i LLM. En lloc de dependre de llindars manuals o clustering iteratiu, LFM utilitza un VLM per calcular similituds entre cada mostra objectiu i les descripcions textuals de totes les classes possibles, incloent-hi les generades per un LLM per a classes desconegudes. Aquest enfocament permet detectar de forma automàtica el tipus de canvi en les etiquetes (label shift) analitzant el coeficient de variació d’una puntuació basada en similituds. A continuació, les mostres desconegudes s’identifiquen mitjançant un model de mescla gaussià binari ajustat a una altra mètrica de similitud. Finalment, s’aplica una estratègia de consens: les pseudoetiquetes generades pel VLM es refinen amb el model destí inicialitzat a partir del model origen preentrenat, fusionant el coneixement del domini original amb el dels models fonamentals. El resultat és un model destí robust i precís, entrenat amb pseudoetiquetes d’alta qualitat.
Els avantatges de LFM respecte a mètodes anteriors són notables: elimina la necessitat d’ajustar llindars específics per a cada domini, redueix la dependència de clustering sensible a hiperparàmetres i millora significativament la precisió en la detecció de classes desconegudes. Això el converteix en una eina ideal per a entorns empresarials on les dades canvien constantment i etiquetar manualment és inviable. Per exemple, en sistemes de classificació d’imatges en magatzems logístics, o en la detecció de productes nous en catàlegs dinàmics, LFM permet mantenir la precisió sense necessitat de reentrenar des de zero.
En aquest punt, l’experiència de Q2BSTUDIO com a empresa de desenvolupament de programari i tecnologia resulta clau per portar solucions com LFM a la pràctica. El nostre equip combina la recerca capdavantera en intel·ligència artificial amb un profund coneixement de les necessitats empresarials, oferint serveis que van des de la creació de solucions d’IA a mida fins a la integració amb infraestructures cloud com AWS o Azure. La implementació d’un marc com LFM requereix no només models avançats, sinó també un ecosistema robust de cloud computing per processar grans volums de dades, plataformes de Business Intelligence (Power BI) per visualitzar els resultats, i mesures de ciberseguretat per protegir tant els models com les dades sensibles.
Per exemple, un client del sector retail podria necessitar adaptar un model de reconeixement de productes a una nova línia d’articles sense accés a les imatges originals del fabricant. Amb LFM i la infraestructura adequada —bases de dades a Azure, pipelines d’inferència a AWS, i dashboards a Power BI— Q2BSTUDIO pot desplegar una solució que s’actualitza automàticament davant de noves etiquetes, reduint costos operatius i temps de comercialització. A més, la incorporació d’agents d’IA autònoms permet que el sistema detecti i classifiqui mostres desconegudes sense intervenció humana, millorant l’eficiència de processos com la gestió d’inventaris o la inspecció de qualitat.
En definitiva, LFM representa un avenç significatiu en l’adaptació de dominis universal sense font, i el seu èxit depèn d’una implementació acurada que combini models fonamentals amb una arquitectura empresarial sòlida. A Q2BSTUDIO, ajudem les organitzacions a aprofitar tot el potencial d’aquestes tecnologies, oferint aplicacions a mida, serveis de cloud AWS/Azure, ciberseguretat, Business Intelligence amb Power BI i desenvolupament d’agents d’IA. Si la teva empresa s’enfronta al repte d’adaptar models a nous dominis sense accés a dades font, contacta amb nosaltres per descobrir com podem transformar aquest repte en un avantatge competitiu.
