Aprendizaje multitarea
Sinónimos: Multitask learning
Definición ampliada
El aprendizaje multitarea, o multitask learning, entrena un modelo para varias tareas relacionadas de forma conjunta. Parte de la representación puede compartirse y cada tarea puede conservar componentes o salidas propios. La información aprendida para una tarea actúa así como sesgo inductivo para las demás [1].
No equivale a ejecutar varias tareas con el mismo programa: la relación aparece durante el entrenamiento y modifica lo que aprende el modelo.
Contexto histórico
Caruana sistematizó el enfoque en 1997 y mostró que el entrenamiento paralelo podía mejorar la generalización al explotar señales de tareas relacionadas [1]. El aprendizaje profundo facilitó después arquitecturas con capas compartidas y cabezas específicas.
Importancia actual
A fecha de septiembre de 2026, el patrón se usa para reutilizar datos y representaciones entre objetivos. También obliga a medir cada tarea por separado: una mejora media puede ocultar el deterioro de una salida importante.
Aplicaciones
Generales
- Combinar etiquetado gramatical, entidades y análisis de sentimiento.
- Entrenar visión para detectar objetos, segmentar y estimar profundidad.
- Compartir una base y mantener salidas especializadas por tarea.
Sanitarias
En investigación, una red puede estimar varios resultados a partir de una misma historia clínica. Compartir representación puede ser eficiente, pero ninguna salida queda validada por el buen rendimiento de las otras.
Limitaciones
- Tareas poco relacionadas pueden interferir y producir transferencia negativa.
- Las pérdidas compiten: su escala o ponderación puede hacer que una tarea domine el entrenamiento.
- Las etiquetas y poblaciones disponibles pueden diferir entre resultados.
- Una arquitectura compartida complica atribuir la causa de un fallo.
Ejemplos
Un modelo visual puede compartir capas para detección, segmentación y estimación de profundidad. Otro puede predecir reingreso y mortalidad con salidas distintas, evaluadas por separado y sin convertir su asociación retrospectiva en causalidad.