Při 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.
Agenti, postupy a šablony v jednom pracovním prostoru – 24hodinové demo zdarma.
Spustit demoPři 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.
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.
Klasifikátor je model nebo metoda, která přiřazuje vstupy do jedné z několika předem definovaných kategorií. Klasické varianty, například rozhodovací stromy nebo naivní Bayes, se trénují na označených příkladech; jazykové modely mohou texty třídit také na základě popisu kategorií. Typickým využitím je rozpoznávání spamu, třídění zákaznických dotazů podle témat a kategorizace účtenek. Kvalita se měří metrikami, jako jsou správnost, přesnost a úplnost.
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.
