En el camp de l\'aprenentatge automàtic, el desequilibri de classes constitueix un dels obstacles més persistents, especialment quan les dades segueixen una distribució de cua llarga. En aquest tipus de distribució, unes poques classes (cap) concentren la majoria de les mostres, mentre que nombroses classes (cua) disposen de molt pocs exemples. Aquest fenomen és habitual en aplicacions reals com la classificació d\'imatges, la detecció de fraus financers, el diagnòstic de malalties rares o la identificació d\'objectes en entorns urbans. Els models entrenats amb funcions de pèrdua estàndard, com l\'entropia creuada, tendeixen a afavorir les classes majoritàries, generant un biaix que perjudica el rendiment en les classes minoritàries. Per mitigar aquest problema, han sorgit diverses estratègies, entre les quals destaca el Balanced Softmax, que modifica la funció softmax incorporant un prior empíric basat en la freqüència de les classes. Això permet que el model presti més atenció a les classes poc representades durant l\'entrenament. Tanmateix, fins i tot amb Balanced Softmax, el classificador final pot conservar cert biaix cap al cap, deixant un error residual a la cua. Investigacions recents proposen un enfocament complementari: reentrenar únicament el classificador després d\'haver entrenat la xarxa base (backbone) amb Balanced Softmax. Aquesta tècnica, anomenada BS-cRT (Balanced Softmax classifier retraining), ha demostrat millores significatives en la precisió per a classes amb pocs exemples (few-shot) en conjunts de dades com CIFAR-100-LT, CIFAR-10-LT, ImageNet-LT i Places-LT.
El procediment BS-cRT consta de dues etapes. A la primera, s\'entrena un backbone juntament amb un classificador cosinus utilitzant la funció Balanced Softmax, que ajusta la probabilitat de cada classe segons la seva freqüència al conjunt d\'entrenament. Això produeix representacions latents més equilibrades. A la segona etapa, es congela el backbone i es reentrena exclusivament el classificador lineal, però ara amb lots episòdics balancejats, és a dir, lots que contenen el mateix nombre d\'exemples de cada classe. Aquest reentrenament manté l\'objectiu de Balanced Softmax amb el mateix prior empíric, i durant la inferència s\'utilitzen els logits cosinus sense escalar. Els resultats experimentals mostren que aquesta simple modificació produeix guanys consistents: per exemple, a CIFAR-100-LT amb un factor de desequilibri de 100, la precisió few-shot augmenta en +5.15 punts; a CIFAR-10-LT l\'increment és de +5.83 punts; a ImageNet-LT s\'aconsegueix un +6.92 punts; i a Places-LT un +9.78 punts. No obstant, s\'observa un lleuger trade-off entre la precisió top-1 i la few-shot a ImageNet-LT, cosa que suggereix que l\'elecció del llindar o l\'estratègia de balanceig s\'ha d\'adaptar al cas d\'ús.
Addicionalment, s\'ha analitzat la Minimització de Risc de Frontera Contrafactual (CBRM), una extensió que examina les regions properes a les fronteres de decisió mitjançant prototips basats en característiques. CBRM identifica dos modes de fallada principals. El primer és que els marges de cosinus amb logits escalats tendeixen a desestabilitzar l\'entrenament, provocant que el classificador no convergeixi adequadament. El segon és que les sondes negatives més dures (hardest negative probes) corregides romanen ancorades a les classes majoritàries, cosa que indica que la supervisió a la frontera ha de tenir en compte la freqüència de les classes per ser efectiva. Aquestes troballes reforcen la utilitat de BS-cRT com a línia base pràctica i senzilla per millorar el rendiment en cua llarga sense necessitat de modificar l\'arquitectura completa.
Des del punt de vista empresarial, la gestió de dades desbalancejades és crítica en nombrosos sectors. En la detecció de fraus, per exemple, les transaccions fraudulentes són extremadament rares en comparació amb les legítimes. Un model que ignori les classes de cua podria passar per alt fraus importants. De la mateixa manera, en el manteniment predictiu de maquinària industrial, les fallades són esdeveniments poc freqüents però costosos. Les tècniques de Balanced Softmax i reentrenament de classificador ofereixen una solució viable per millorar la sensibilitat cap a aquests casos sense sacrificar massa precisió general. A Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, apliquem aquests conceptes en les nostres solucions d\'intel·ligència artificial a mida. Per exemple, hem desenvolupat sistemes de classificació per a clients del sector financer que integren Balanced Softmax en el seu pipeline d\'entrenament, combinat amb reentrenament del classificador per maximitzar la precisió en transaccions sospitoses. Aquests sistemes es despleguen en infraestructura cloud AWS o Azure, garantint escalabilitat i baix cost operatiu.
A més, la ciberseguretat es beneficia directament d\'aquests avenços. Els sistemes de detecció d\'intrusions, anàlisi de malware o identificació de patrons anòmals en xarxes sovint s\'enfronten a distribucions de cua llarga. Aplicar BS-cRT permet que els models aprenguin a reconèixer amenaces poc comunes sense generar excessius falsos positius. Q2BSTUDIO ofereix serveis de ciberseguretat que inclouen pentesting i desenvolupament de models d\'IA robustos davant dades desbalancejades, ajudant les empreses a protegir els seus actius digitals. Així mateix, en l\'àmbit de Business Intelligence (BI), eines com Power BI poden integrar models predictius que gestionin distribucions de cua llarga, proporcionant insights més precisos sobre comportaments atípics en vendes, inventaris o clients. Els nostres desenvolupaments en automatització de processos també es beneficien d\'aquestes tècniques, permetent que els agents d\'IA aprenguin de dades escasses sense perdre eficiència. Per exemple, en sistemes de recomanació, on els productes de nínxol tenen poques interaccions, un classificador reentrenat pot millorar significativament la taxa d\'encert.
La investigació en Balanced Softmax i BS-cRT demostra que no sempre és necessari redissenyar completament un model per abordar el desequilibri de classes. Petites intervencions en l\'etapa de classificació, com el reentrenament amb lots balancejats, poden generar millores substancials. Això és especialment rellevant per a empreses que ja posseeixen models preentrenats i busquen optimitzar-los per a escenaris específics sense incórrer en costos elevats de recollida de dades o reentrenament complet. A Q2BSTUDIO oferim serveis de consultoria i desenvolupament per adaptar aquestes metodologies a les necessitats concretes de cada organització, ja sigui a través d\'aplicacions a mida, integració al núvol o solucions d\'intel·ligència artificial. Si la seva empresa s\'enfronta a problemes de classes desbalancejades, l\'convidem a explorar les nostres capacitats en intel·ligència artificial i cloud computing.
En conclusió, Balanced Softmax combinat amb el reentrenament del classificador representa un avenç pràctic i efectiu per a problemes de cua llarga en aprenentatge automàtic. La seva implementació és relativament senzilla i els resultats són consistents en múltiples conjunts de dades. Amb el suport d\'infraestructura cloud i experiència en IA, a Q2BSTUDIO estem preparats per ajudar les organitzacions a superar aquests desafiaments, millorant la precisió en les classes minoritàries sense comprometre el rendiment general. La clau és entendre que, de vegades, la solució no està en reinventar la roda, sinó en ajustar intel·ligentment el classificador.
