Частично контролираното обучение съчетава малко количество данни с етикети с голямо количество данни без етикети. Моделът първо се учи от малкото примери с известни отговори, а след това използва закономерностите в останалите данни, за да се подобри – например като приема уверените си прогнози като допълнителни примери за обучение. Това се отплаща, когато етикетирането е скъпо, както при медицински изображения или хиляди заявки към поддръжката.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоПри контролираното обучение моделът се учи от примери, за които правилният отговор вече е известен, като имейли с етикет „спам“ или „не е спам“. От тях той извежда правила, с които да класифицира нови, невиждани случаи или да предвижда стойности. Типични задачи са класификацията и регресията; най-големите усилия отиват за създаването на коректно етикетирани данни.
При неконтролираното обучение моделът получава данни без предварително зададени правилни отговори и сам търси структури. Типични методи са клъстеризацията, която групира сходни записи, и намаляването на размерността, което свива много признаци до няколко същностни. Организациите го използват за откриване на клиентски сегменти или за забелязване на необичайни транзакции; намерените групи трябва след това да бъдат интерпретирани от експерти в областта.
Недостиг на данни има, когато за дадена ИИ задача няма достатъчно подходящи или анотирани данни, за да се обучи или тества надеждно модел. Той засяга например редки видове дефекти в производството, нишови езици или нови продукти без история на продажбите. Решения са трансферното обучение, синтетичните данни, аугментацията на данни или предварително обучените езикови модели, които дават полезни резултати дори при няколко примера.
Данните за обучение са примерите, от които моделът с ИИ научава закономерности: големи текстови колекции за езиковите модели, изображения с етикети за моделите за изображения. Качеството, разнообразието и актуалността им до голяма степен определят колко надежден и справедлив е моделът и колко актуални ще са знанията му. За организациите е важно и дали доставчикът използва въведените от клиентите данни за по-нататъшно обучение.
