Částečně řízené učení kombinuje malé množství označených dat s velkým množstvím neoznačených dat. Model se nejprve učí z několika příkladů se známými odpověďmi a potom využívá vzory ve zbývajících datech ke zlepšení – například tím, že jako další trénovací příklady převezme jisté předpovědi. Vyplatí se, když je označování drahé, například u lékařských snímků nebo tisíců tiketů podpory.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoPři řízeném učení se model učí z příkladů, u nichž je správná odpověď již známa, například z e-mailů označených jako „spam“ nebo „není spam“. Z nich odvozuje pravidla pro klasifikaci nových, dosud neviděných případů nebo pro předpovídání hodnot. Typickými úlohami jsou klasifikace a regrese; většina práce spočívá ve vytvoření čistě označených dat.
Při neřízeném učení model dostane data bez předem daných správných odpovědí a sám hledá struktury. Typickými metodami jsou shlukování, které seskupuje podobné záznamy, a redukce dimenzionality, která mnoho příznaků zhušťuje na několik podstatných. Organizace je využívají k objevování zákaznických segmentů nebo odhalování neobvyklých transakcí; nalezené skupiny pak musí interpretovat odborníci z dané oblasti.
O nedostatek dat jde tehdy, když pro úlohu s AI chybí dostatek vhodných nebo označených dat k spolehlivému trénování či testování modelu. Týká se to například vzácných typů vad ve výrobě, okrajových jazyků nebo nových produktů bez historie prodeje. Řešením jsou transfer learning, syntetická data, augmentace dat nebo předtrénované jazykové modely, které dávají použitelné výsledky už z několika příkladů.
Trénovací data jsou příklady, z nichž se AI model učí vzory: rozsáhlé sbírky textů pro jazykové modely, označené obrázky pro obrazové modely. Jejich kvalita, rozmanitost a aktuálnost do značné míry určují, jak spolehlivý a spravedlivý model je a jak aktuální budou jeho znalosti. Pro organizace je také důležité, zda poskytovatel používá k dalšímu trénování zákaznická data, která do systému zadají.
