При 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.
Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.
Стартирайте демотоПри 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.
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.
Класификаторът е модел или метод, който отнася входните данни към една от няколко предварително определени категории. Класическите варианти като дърветата на решенията или наивния Байес се обучават върху анотирани примери; езиковите модели могат да сортират текстове и въз основа на описание на категориите. Типични приложения са откриването на спам, сортирането на запитвания на клиенти по теми и категоризирането на разписки. Качеството се измерва с метрики като точност, прецизност и обхват.
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.
