Aprendizaje multitarea: compartir solo cuando las tareas se ayudan

El 30 de julio de 2026, «aprendizaje multitarea» puede sonar a un sistema que escribe, traduce y reconoce imágenes. La idea técnica es más precisa: entrenar varias tareas de forma conjunta para que compartan parte de lo aprendido. Eso puede ahorrar datos, cómputo o parámetros y mejorar la generalización. También puede perjudicar una tarea para beneficiar a otra. La pregunta útil no es cuántas funciones anuncia un modelo, sino qué se comparte, entre qué tareas y con qué evidencia de que la transferencia es positiva.

Esta distinción importa fuera del laboratorio. Un equipo puede reunir detección de fraude y predicción de abandono en una misma red porque ambas usan datos de clientes; un vehículo puede estimar profundidad, carriles y objetos desde una cámara; un modelo lingüístico puede aprender traducción y clasificación. En ninguno de esos casos la mera coexistencia prueba que el entrenamiento conjunto sea mejor. Compartir infraestructura es una decisión de ingeniería. Compartir aprendizaje es una hipótesis que necesita un control.

Qué significa aprender tareas juntas

En aprendizaje supervisado, una tarea define una entrada, una salida, una función de pérdida y una distribución de datos. Predecir profundidad y clasificar píxeles son dos tareas aunque reciban la misma imagen. Clasificar dos clases dentro del mismo problema no crea necesariamente dos tareas. Tampoco es aprendizaje multitarea ejecutar en paralelo dos modelos que nunca comparten parámetros ni señales de entrenamiento.

La formulación clásica de Rich Caruana describió el aprendizaje multitarea como transferencia inductiva: las señales de tareas relacionadas actúan como un sesgo que orienta el aprendizaje de una representación común. El artículo original de 1997 no prometía que cualquier mezcla funcionara; su definición depende de tareas relacionadas y de aquello que una puede enseñar a otra.

La arquitectura más reconocible tiene un tronco compartido y una cabeza por tarea. El tronco convierte la entrada en una representación; cada cabeza produce su salida. Durante el entrenamiento, las pérdidas de las tareas se combinan, de forma esquemática, como L = λ₁L₁ + λ₂L₂ + .... Los coeficientes deciden cuánta fuerza ejerce cada objetivo sobre los parámetros compartidos. Una alternativa de «compartición blanda» mantiene redes separadas pero limita o intercambia parte de sus representaciones. No hay una arquitectura universalmente correcta: la cantidad y la ubicación de lo compartido son parte de la hipótesis.

Por qué puede ayudar

Una tarea auxiliar puede aportar más ejemplos para aprender rasgos que también necesita la tarea principal. Si dos salidas dependen de bordes, geometría o estructura sintáctica, su entrenamiento conjunto puede favorecer una representación menos ajustada al ruido de una sola etiqueta. También puede funcionar como regularización: el modelo no puede memorizar una solución estrecha si debe satisfacer varios objetivos. Y una red compartida puede evitar duplicar casi todo el cálculo de varios modelos.

Pero «relacionadas» no significa simplemente que las tareas pertenezcan al mismo sector o usen las mismas filas de una base de datos. La relación depende de los datos, la arquitectura, el presupuesto, el punto del entrenamiento y la métrica objetivo. Puede ser asimétrica: A ayuda a B sin que B ayude a A. Taskonomy midió dependencias de transferencia entre 26 tareas visuales y encontró una estructura que podía usarse para elegir qué supervisión reutilizar. La lección transferible no es su mapa concreto, sino el método: medir la relación en vez de deducirla por intuición.

Transferencia negativa: cuando compartir resta

Supongamos que dos tareas actualizan el mismo parámetro. Si sus gradientes apuntan en direcciones compatibles, un paso puede ayudar a ambas. Si apuntan en direcciones opuestas, mejorar una puede empeorar la otra. El trabajo de PCGrad formalizó condiciones de interferencia y propuso proyectar gradientes conflictivos. Es una intervención concreta, no una garantía general: sus propios resultados dependen del problema y de las referencias elegidas.

Hay otras fuentes de conflicto. Una pérdida numéricamente grande puede dominar la suma aunque su tarea no sea la más importante. Una tarea con muchos más ejemplos aparece con mayor frecuencia. Una cabeza puede aprender deprisa y otra seguir estancada. Dos tareas pueden competir por una representación compartida con capacidad insuficiente. Y una mejora media puede ocultar que la tarea crítica retrocedió.

Por eso el entrenamiento multitarea es un problema con varios objetivos, no una sola puntuación. Sener y Koltun lo formularon explícitamente como optimización multiobjetivo y buscaron soluciones de Pareto: configuraciones en las que no puede mejorarse una tarea sin empeorar al menos otra. Esa forma de leer el resultado impide declarar vencedor a un modelo solo porque su promedio subió.

Los pesos no son un detalle

Sumar pérdidas con pesos iguales parece neutral, pero no lo es. Las pérdidas pueden tener unidades, escalas, ruido y velocidades de aprendizaje diferentes. Cambiar metros por centímetros en una regresión altera la magnitud numérica sin cambiar la importancia de la tarea. El trabajo de Kendall, Gal y Cipolla derivó pesos dependientes de la incertidumbre de cada tarea para combinar regresión y clasificación. GradNorm ajustó dinámicamente los pesos para equilibrar magnitudes de gradiente y ritmos de entrenamiento.

Estos métodos responden a problemas distintos. La ponderación por incertidumbre no demuestra que las tareas deban compartir representación. Igualar ritmos no elimina necesariamente un conflicto de dirección. Proyectar gradientes no decide qué tarea importa más para el producto. Antes de elegir un algoritmo conviene diagnosticar si el fallo viene de escala, frecuencia de muestreo, interferencia, capacidad o prioridades. El nombre de la técnica no sustituye ese diagnóstico.

Elegir tareas es parte del experimento

Añadir tareas una a una genera un número de combinaciones que crece con rapidez. Entrenarlas todas juntas es barato como punto de partida, pero puede ser una mala agrupación. En 2021, Fifty y sus coautores propusieron estimar, durante una sola ejecución conjunta, cómo el gradiente de una tarea afecta a la pérdida de otra. En Taskonomy, su agrupación redujo la pérdida de prueba frente a entrenar todas las tareas juntas. Es evidencia para ese método y ese banco de pruebas, no una ley aplicable sin validación.

Una política razonable empieza por una tarea principal y añade auxiliares con una razón causal: comparten factores latentes, ofrecen una señal más densa, aportan etiquetas baratas o regularizan una ambigüedad concreta. Después mide cada incorporación. Si una tarea auxiliar solo mejora durante el entrenamiento pero no en datos no vistos, quizá está facilitando la optimización sin mejorar la generalización. Si ayuda a la media pero daña el peor grupo o una condición de seguridad, el coste debe quedar visible.

El protocolo que una afirmación debe superar

Primero, entrene una referencia independiente para cada tarea. Debe usar un presupuesto comparable: mismos datos pertinentes, búsqueda de hiperparámetros declarada y capacidad o coste de cómputo controlados. Comparar una gran red multitarea contra modelos unitarea deliberadamente pequeños atribuye a la transferencia lo que puede venir de más capacidad.

Segundo, publique resultados por tarea, no solo una media. Incluya variación entre semillas, coste de entrenamiento, latencia, memoria y rendimiento en subgrupos relevantes. Tercero, haga ablaciones: solo tarea principal; cada auxiliar por separado; todas juntas; tronco congelado o compartición parcial; pesos fijos y método adaptativo si procede. Cuarto, inspeccione el mecanismo: similitud de gradientes, curvas de pérdida, frecuencia de lotes y uso de capacidad. Quinto, valide bajo cambio de distribución. Una tarea auxiliar puede enseñar un atajo que desaparece fuera del conjunto de entrenamiento.

La ficha de lectura queda así:

• Tareas: ¿qué entrada, salida, pérdida y datos define cada una?
• Compartición: ¿qué parámetros, capas o representaciones son comunes?
• Motivo: ¿qué información transferible debería aportar una tarea a otra?
• Conflicto: ¿cómo se detectan escalas, ritmos o gradientes incompatibles?
• Control: ¿cada tarea se compara con un modelo independiente y un presupuesto equivalente?
• Decisión: ¿quién fija el intercambio aceptable entre tareas y qué tarea no puede degradarse?

La capacidad duradera es distinguir una demostración de aprendizaje compartido de una simple lista de funciones. Un sistema es multitarea porque varias señales modifican una representación común; es mejor solo si la comparación por tarea muestra una transferencia útil, con costes y retrocesos visibles. La arquitectura comparte parámetros. La evidencia decide si debía hacerlo.